2024年
躺平，还是不躺平
-系统化思考-
道阻且长 行则将至
为什么要研究AI在企业级如何落地
今天启程进京，参加每年一度的Tid大会。
我和吴云老师明天下午要在大会交付一个大时段课程，主题是企业级AI应用框架。
这个框架的目的是教企业如何找出AI在内部的最profitable应用场景，进行技术选型，最后完成在企业内部的落地和推广。这个框架还能帮企业把这个过程的Cost降到最低，要知道，AI的的探索和试用是很贵的。
关于我们的话题，有个我引以为豪之处，就是我和吴老师各带了一个真实的框架落地案例，通过这两个案例，报名的同学能看到具体企业在引入AI的时候有哪些难点，以及AI应用框架是如何帮企业客服这些困难的。这是在国内属于首次，这个我还是有信心的。
但是昨晚我浏览了一下Tid的官网，被吓了一大跳。因为今年大会关于AI的主题太多了，各路神仙都在讲，主题介绍详细专业，生动有趣。相比之下，我和吴老师两个码农出身的，不善包装的人，主题介绍就有点简陋无趣，实在有点汗颜。
汗颜之余，我发现这些主题内容，基本都是集中在某个企业应用场景，或者是教个人如何把AI嵌入到办公中去，我们的话题反倒有独特的价值，为什么？
因为在某个岗位，或者某个场景里把AI玩转，不意味着能推广到更大范围里应用。
例如Gpt可以起草文档，那么理论上，企业内部的文档都可以用它来起草，大大提升效率，甚至减少用工。
但如果具体到一家券商，要给自己的大客户写投资报告，并不是在互联网上扒一堆内容，抽取总结一下，用标准的格式生成一篇报告这样简单。要写出合格的报告，需要：
1: 广泛的材料阅读（外部公开材料 + 内部保密材料）；
2: 独特的的趋势、洞见，并有数据支撑；
3: 内部独有的数据；
那么如果券商打算用AI写报告的时候，面临的问题不是怎么调prompt给报告写出彩，而是：
1: 模型训练。通用模型写出来的报告，对researher和报告的客户来说，真的是聊胜于无。要想生成高质量的报告，必须用自家的数据对模型进行训练。
2: 数据安全问题。券商的核心竞争力之一在于其独特的获取信息渠道，也就是说大量信息都是涉密的不公开的。所以如何保证大模型使用过程中不会泄密？是自建模型还是找合作伙伴？自建的话，Cost是否合适？需要组建什么样的AI技术团队？找合作伙伴，对方应该具备什么样的资质？如何保障数据安全？
3: 如何验证结论准确性。大模型的准确性一直是不断提升，但始终是有偏差的。在“建议买入”和“建议卖出”这种重要的结论时，是需要反复验证的，而且事实证明大模型的准确率并不高。
上面提到的这些，总结起来就是需求、模型的技术选型、数据的使用和安全，它们只是企业应用AI的冰山一角，除此之外，还有组建AI技术团队（买方案也需要自己有AI技术人员）、大规模应用时的成本收益分析，效果度量，员工技能培训等。这还没提到企业应有的AI战略、数据战略等问题。
用大模型写代码也一样，你能想到的任何一个应用场景，扩展到企业级大规模应用，所要解决的问题，完全不是个人或团队拿一个小项目测试所能比的。
这其实也是我们要讲的这个AI应用框架的价值所在，它从企业的角度去梳理AI落地的流程，提出最佳实践。
说到这里，我想起来一件事，我以前经常听技术人员们抱怨，说自己的公司很保守，不愿采纳一些流行的新技术，导致他们没机会在项目中实践这些技术，也影响个人的成长。其实不能简单的就给公司扣"保守"的帽子，而是新技术在公司层面推广面临的问题，以及成本、收益的计算完全是另外一种技术人员很难体会的计算方式。
最后欢迎大家来我和吴老师的课堂，了解和推广企业级AI应用落地框架，不能来现场的，也欢迎继续关注这个公众号，相应的知识点在将来我也会用文字形式发出。
希望我们的框架能帮助更多企业能引进AI，落地AI，让更多的基层员工能在岗位上积累相关经验，搭上下一个高速增长行业的快车。
如果这篇文章对你有价值，请点赞、转发、点击在看
下面是知识星球广告，在远程兼职平台上找工作的专题，已经更新了6篇了，涵盖主流远程兼职平台地址，介绍，时薪对比，如何找到第一份工作，如何避常见的坑，以及报税和合规性问题。
接下来正在准备的第二个专栏是怎么去给外国人当中文老师。最近一段时间，我对多元化收入比较感兴趣，所以输出会集中在这一块。欢迎扫码：
THE END
