Web 上的 AI 简介

在利用 AI 进行开发时，您可能会迷失在模型选择、基础设施和代码中。您可能会忽略全局。

在本模块中，我们将介绍一个蓝图，您可以使用该蓝图来规划任何新的 AI 功能或产品：

• 您要构建什么？您的 AI 用例能为用户带来哪些价值？
• 您的申请流程如何运作？
• 如何确保系统的每个部分都以负责任的方式开发？

为了解此蓝图的运作方式，不妨假设您在一家电子商务网站（Example Shoppe）工作。您的竞争对手正忙着添加通用聊天机器人，但效果不佳。您希望为用户提供更好的体验，并决定增强搜索体验，同时不影响核心用户流程。

升级后，买家可以输入自然语言短语，例如“适合冬季的红色越野跑鞋”，并获得相关结果，而如果使用基于关键字的搜索，他们可能无法获得这些结果。

机会

每个 AI 项目都应从明确的应用场景开始：值得使用 AI 解决的用户任务或问题。AI 会给应用带来不确定性和其他风险，因此只有在无法以传统的确定性方式解决问题时，才应使用 AI。

使用场景

对于 Example Shoppe，搜索是一项主要功能，可将用户与他们要找的产品联系起来。如果用户因拼写错误、同义词或模糊查询而搜索失败，往往会放弃搜索。您可以通过自己的分析数据了解这一点，也可以通过外部研究了解这一点。借助更灵活、更智能的搜索，您可以让用户历程更高效、更令人愉悦。

其他 AI 应用场景示例包括：

• 在新闻网站上，您可以通过以结构化方式总结新闻来减轻认知负荷。
• 在发布平台上，您可以通过自动建议替代文本和字幕来提高无障碍性。
• 作为云服务提供商，您可以通过更智能的文档搜索来减少支持请求。

发现高价值机遇是成功利用 AI 的关键。正如 RAND Corporation 的一份报告中所述，选择错误的机会是 AI 项目失败的主要原因之一。

值

价值具有两面性：对用户的益处以及对产品或业务的益处。 在大多数健康且负责任的产品中，这两者是一致的：用户成功，业务也会随之增长。例如，对于 Shoppe，AI 增强型搜索通过帮助用户更快地找到合适的产品，减少摩擦，从而创造价值。这有助于提高产品发现率、转化率和长期客户满意度。

有时，价值可能是无形的，例如用户满意度和信任度。尤其是在初期，最好找到一种量化价值主张的方法。这为您确定优先级、传达影响和说服利益相关者提供了坚实的基础。即使是粗略的估计，也能指导决策并使成功可衡量。

解决方案

在明确为何要向产品添加 AI 功能后，请考虑如何实现该功能。了解 AI 解决方案的主要构建基块。

数据

数据是 AI 的燃料。最终，AI 系统的性能取决于它从数据中学习的能力。无论模型或基础设施多么出色，糟糕、不完整或不一致的数据都会导致结果不理想，并让用户感到沮丧。 反之，高质量的数据和精心设计的数据飞轮是价值驱动因素，也可以成为产品差异化的一部分。

数据有不同的形式和模态。对于我们基于 AI 技术的搜索示例，有用的数据可能包括：

• 结构化数据：商品名、颜色、尺寸、类别和库存状况。
• 非结构化数据：商品说明、用户评价和常见问题解答。
• 同义词列表：字词关系，例如“运动鞋”等于“跑鞋”。
• 用户信号：点击、停留时间、添加到购物车操作和购买行为都是有助于模型了解用户实际认为相关的内容的信号。
• 视觉数据：可嵌入到视觉相似性索引中的产品图片，让用户能够通过照片进行搜索或发现外观相似的商品，即使没有匹配的文字也能实现。

这看起来似乎是大量数据，但请放心。先从几个信噪比最高的数据源入手，然后随着系统的成熟而扩大范围。

在大多数情况下，原始数据可能无法直接供模型使用。需要对数据进行清理、预处理，并整理成 AI 友好的格式。例如，用户信号可以转换为操作序列，而非结构化商品说明可以编码为语义嵌入。

数据可在 AI 生命周期的不同阶段使用：

• 在训练或微调过程中，它用于教导模型模式和关系。
• 在评估中，您可以使用它来测试质量、准确性和相关性。
• 在生产环境中，您可以使用它来跟踪漂移并收集实际使用情况的反馈。

简而言之，数据不仅是输入，还是鲜活的资产。在与 AI 协作时，Web 开发者可以培养的最有价值的技能之一就是妥善管理数据。

智能

智能层是 AI 提炼和创造价值的地方。通常，其核心是一个模型，但大多数系统都更加复杂。对于 Example Shoppe，智能层会使用一系列方法来理解用户查询：

• 命名实体识别和信息提取，用于提取 color=red 或 season=winter 等属性。
• 一个句子嵌入模型，用于创建用户查询和可用产品的语义表示。
• 语义搜索，以检索相关结果。
• 一个小型自定义重新排名模型，用于准确地按相关性对结果进行排名。

从某种程度上来说，智能是 AI 系统中最令人兴奋的部分，但也是最受热捧的组件。每周都会有新机型发布，而且往往伴随着夸张的营销宣传。

以下是需要考虑的两个关键因素：

• AI 不仅限于生成式 AI 和大语言模型 (LLM)。许多任务更适合使用更小、更专业的模型，这些模型部署和维护起来更快、更便宜。
• 现实生活中的 AI 系统很少依赖于单一的单体式模型。相反，它们使用复合 AI 架构，即一个或多个模型与数据库、API 和安全屏障等其他组件的组合。这些功能协同工作，可提供强大的情境感知行为。

与其追逐排行榜上的最新热门歌曲，不如选择适合您问题的智能功能，这样您就可以随着产品和业务的发展而调整。在后续模块中，您将学习目前最常见的 AI 技术的基础知识：预测式 AI 和生成式 AI。您还将学习如何评估和选择适合您系统的技术方法。

用户体验

用户界面是向用户提供 AI 价值的渠道。确定性软件接口是确定且可预测的：相同的输入始终产生相同的输出。使用 AI 会引入不确定性。两个几乎完全相同的查询可能会产生完全不同的结果，而且即使是最强大的 AI 模型也会出现幻觉和其他类型的错误。

您必须非常谨慎地对待这一转变，尤其是在为现有产品添加 AI 时。开放式聊天机器人很有趣，但在实践中却很复杂且有风险。

一开始，应尽量减少用户面临的不确定性和风险。 例如，在 Example Shoppe 的案例中，由 AI 赋能的搜索功能可以悄然集成到现有界面中。用户继续输入自然语言查询，并获得质量更高的搜索结果。

即使 AI 功能在后台运行，最好也加强透明度。例如，您可以添加一条通知，简要说明系统如何整理这些结果。

在 UX 模式中，您将了解如何在产品用户体验中平衡 AI 的曝光度、功能和风险。

治理

必须以负责任的方式构建 AI 系统。您应构建一个可保护用户隐私、减轻偏差、提供透明度并符合所有相关法律标准的系统。良好的治理不仅是为了合规，更是一项核心设计原则，有助于赢得用户信任并提高采用率。

在 Example Shoppe 的 AI 赋能的搜索中，治理从产品内置的保障措施开始：

• 隐私：个性化数据会保留在本地，除非用户明确选择启用该功能。您可以随时开启或关闭此功能。
• 公平性：我们会审核搜索结果，确保所有卖家的商品都能获得均衡的展示机会。
• 信任和透明度：Example Shoppe 提供了一个机会，让您了解为何每个搜索查询的结果都显示在顶部。这为赢得用户信任提供了机会。
• 安全：受限或不安全的查询（例如违禁商品）会通过安全措施进行过滤或屏蔽。
• 补救措施：如果 AI 增强功能没有帮助，用户可以轻松关闭 AI 建议、举报不良的 AI 结果或互动，并恢复为仅使用关键字的搜索。

若要负责任地构建 AI，您必须掌控部署流程。 设计周到的防护措施和反馈环。您负责塑造体验的安全性和可靠性，同时设定使用预期和限制。虽然您无法完全控制输出内容，但应准备好解决任何疑虑。

在负责任地构建 AI 中，您可以详细了解 AI 治理的核心方面，并获得实用的工具来构建可持续且值得信赖的 AI 应用。

要点总结

AI 系统蓝图可帮助您清晰了解并协调您参与的任何 AI 项目。我们从宏观层面介绍了蓝图的各个要素，随着您继续阅读，您将详细了解每个步骤。

在后续的不同示例中，您会再次看到此蓝图，并且某些层会得到更深入的解释。

检验您的掌握情况