传统的方法是，当某人向银行（或其他金融服务提供商）提交贷款央求时，承保人会审查该央求并决议能否同意贷款。
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/ceb3c68b17a12e90733ea0ca721fac98.png
传统的信誉决策方式。图片由作者提供。
但是，既然我们曾经了解了人工智能和机器学习，我们能够会问：“难道我们不能用 AI 承销员取代人工承销员吗？”
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/87c81a7f2053670719b81ed16afea1cd.png
我们能够希冀 AI 如何做出信誉决策。图片由作者提供。
这个成绩的答案是“是的……但能够比你想象的更复杂”。 AI 方式
在实际中，“AI 承销员”看起来更像下面的图示，而不是我们下面看到的简单图像。
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/ec341fb3fff772ca60b5ff28d8c5677e.png
运用 AI 做出信誉决策的理想。图片由作者提供。
请留意，我们不会简单地将贷款央求提交到机器学习模型中然后结束。而是，央求将经过多个业务和 IT 流程，才会触及任何机器学习（即信誉风险模型）。
这是人工智能在实际中的一个关键方面。也就是说，它通常是多个流程和技术共同协作来处理特定成绩的网络。 放下那把锤子
这种 AI 的理想突显了一个最被低估的理想——它并不容易。更蹩脚的是，许多人堕入了一个常见的圈套，使得过程变得比实践需求的更困难——他们从技术动手，而不是从成绩动手。
我的旧数据迷信副总裁总是说，“当你有一把锤子时，什么都像钉子。”这句话抓住了我们（即人类）在构建 AI 处理方案时的成见。也就是说，我们倾向于采用技术优先而非成绩优先的方法。
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/5ccaa04d1eeb980ad8c799fe5e9cc5a3.png
这就是为什么我们不能拥有美妙事物的缘由。图片由作者提供。
技术优先的方法存在两个次要成绩。首先，成功的概率较低（特别是假如你不是专家）。其次，可选择的技术太多了。
一种（更）好的方法是从成绩末尾，由于在商业中，处理成绩 = 创造价值。而且，由于我们不会由于用 AI 处理成绩而获得额外的奖励分，因此我们该当寻求最便宜、最疾速、最牢靠的处理方案。 从简单、疾速、容易末尾
正如我们在信誉决策的例子中所看到的，实践的 AI 处理方案能够比我们想象的要复杂得多。其（反直觉的）机密在于，它是经过长工夫许多小而简单的步骤所积累的结果。换句话说，复杂性背后的机密是迭代。
一旦你确定了要处理的成绩，我建议采用简单、疾速、容易的方法，这三个词都有其重要意义。 简单 — 你应该从简单的方式末尾，由于复杂性是昂贵且脆弱的（它失败的方式远比成功的方式多）。这意味着假如有一个更简单的处理方案，可以放弃 AI 处理方案。 疾速—— 接上去，你需求优先思索疾速的处理方案，由于（再次强调）复杂性的秘诀在于迭代。假如你花费 6 个月工夫才能构建第一个处理方案，你将无法足够疾速地停止迭代，从而开发出有意义的东西（更不用说，在当前创新的速度下，你的处理方案能够会变得过时）。 简单—— 最后，你希望它是简单的。换句话说，不要让人们难以运用该处理方案。这有两个次要缘由。第一，假如没有人运用它，你会错过重要的反馈。第二，假如它很难，那能够意味着它不合适你现有的业务流程。 接上去做什么？
虽然这只是一个高层次的引见，但我希望它能为你提供一些关于 AI 以及如何末尾实践运用它的明晰思绪。重要的是要记住，AI（在实际中）通常是多个系统和技术的集合，它们协同工作以处理理想世界中的成绩。开发这些处理方案的两个关键要素是以成绩为先和迭代。
这是关于在商业中运用 AI 和 ML 的系列文章中的第一篇。在该系列的将来文章中，我将详细讲解数据迷信的项目管理以及 ML 模型开发的关键思索要素。
https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/02eefb458c6eeff7cd29d40c212e3b22.png
Shaw Talebi
商业中的 AI