在本文中，我将从 SaaS 产品供应商的角度讲述 AI 的故事
Posted: Tue Dec 10, 2024 10:03 am
并解释公司内部的不同角色如何整合 AI。我将解释功能原型的基本步骤、主要经验教训以及我们如何将实验代码转化为可用于生产的功能。
一切如何开始
一开始，我们希望 AI 成为我们产品的重要组成部分，以提升我们的竞争力。尽管我们尝试了各种认知服务，例如图像和情绪分析，但我们并没有明确的愿景，即如何在我们的产品中充分利用 AI 功能。
我们必须克服的第一个困难确实来自于此。我们的开发人员大致知道什么是可能的，但无法想象用户交互会是什么样子，而产品经理和用户体验设计师有一些想法，但他们觉得在技术方面要求开发人员可能太多了。
从我的角度来看，这种双向的心理障碍在 GPT-3 出现时被打破了。那一刻，许多人意识到 LLM 变得足够有用，可以完成许多复杂的任务，而无需定义一个精确的复杂算法。GPT-2 稍早地指明了方向，但它的结果往往值得怀疑，尤其是在更复杂的场景中。类似于 DALL-E vs Midjourney 的第一个版本，这是一个全新的水平。自己看看吧：
DALL-E 2 和 Midjourney 的区别
注意：此示例来自这篇文章，您可以在其中找到更多示例。
话虽如此，可用且功能强大的模型（如 davinci）实际上在 GPT-3 之前就已经存在，但人们当时根本没有意识到它们的潜力。
无论如何，随着人们对于 GPT-3 的到来不再心存顾虑，设计理念与技术实现之间的差距缩小了，我们得以继续前进。
明确人工智能集成流程
在快速发展的 LLM 市场中打开 AI 能力的大门，创造了一个充满可能性的全新世界。如此多的选择，却只有一些模糊的想法。
我们希望既能快速交付，又能交付具有附加值的有用产品。
我们需要考虑几个决策点：
提示工程本身就相当复杂 英国电话号码数据 我们不能指望非技术用户写出好的提示；我们需要为他们完成这项繁重的工作。
集成必须足够简单才能开发，因为此时的主要目标是测试想法并学习。
总体思路必须带来额外的价值，而不是在 ChatGPT 窗口中执行相同操作并将结果复制粘贴回 CMS。它必须是原生集成的，而不是功能有限的通用扩展形式。
我们不想陷入过度分析。
当时，主要是为了防止过度分析，我们决定将首要目标集中在将现有内容从用户转换到人工智能，然后再转换回来。我们发现，只要我们能够用另一个提示复制这个管道，那么第一个实现的场景是什么就无关紧要了。
第一种情况
我们决定基于几个场景进行概念验证，所有场景都具有类似的交互模式：
用户在富文本编辑器中选择一些内容。
他们选择 AI 将对所选内容执行的操作（从预定义选项中简单选择）。
选定的内容与指令（提示）一起发送给人工智能。
转换后的内容以建议的形式显示给用户。
用户可以选择应用建议并替换最初选择的内容或者将其复制到剪贴板。
总的来说，这是一个非常简单的交互，只需调用 AI 即可，然后由我们制作提示。
这听起来可能很熟悉。这是许多工具都选择的一种交互方式，因为对于新手来说，这是最简单的操作。
这只是我们的开始。我们的目标是了解更多信息并决定下一步行动。
第一个原型和挑战
第一个原型仅用了几天时间，并且是针对 Azure OpenAI REST API 运行的。
然而，我们很快发现，最初的兴奋只适用于非常简单的情况，比如纯文本，这是 LLM 的原生输入，尤其是 GPT-3 及更早版本，它们对格式化的内容不太适用。
我们希望带来比将内容复制粘贴到 ChatGPT 窗口并返回所获得的价值更多的价值。因为任何用户都可以自己做到这一点。此外，您会在此过程中丢失所有现有的格式和其他元数据，可能需要用户提供比您提供给他们的更多的东西。
因此，从今天的角度来看，我们原型中的以下 AI 技能还只是触及表面：
创建标题/摘要——这是一个相对简单的第一步，基本上是纯文本/纯文本转换，而不需要复杂的格式处理。
修复拼写和语法——尽管这些检查的扩展已广泛可用，但它提供了一个很好的用例，需要最少的文本转换并期望保留格式。
使其更短/更长——新内容或减少内容与合理保留格式相结合。
Kontent.ai 中首批 AI 原型之一
实施这些行动的目标是确保我们能够提供的不仅仅是一个 ChatGPT 窗口，并为先进的 AI 功能奠定基础。
注意：公平地说，构建集成 AI 面临的挑战远不止处理格式这么简单。本文不可能将所有挑战都列出来，因此我将在以后的专门内容中讨论这个主题。
扩大人工智能实施团队
到目前为止，无论是用户体验、产品管理还是开发，AI 原型设计都是每个参与方的单人秀。为了增加影响力并加快交付速度，我们需要的不仅仅是几个人。
我们专门为该活动设立了一支完整的开发团队和相关支持人员，这使我们能够同时实现以下目标：
将人工智能带给客户
将第一个原型转变为可供选定客户使用的端到端功能，并开始收集实际使用反馈。
研究与愿景
研究问题并确保我们拥有尽可能多的数据以供未来发展。
探索人工智能能力
，探索文本之外的人工智能集成可能性。
建立一支合适的人工智能团队，
奠定人工智能专业团队的基础，推动先进的人工智能集成。
一切如何开始
一开始，我们希望 AI 成为我们产品的重要组成部分，以提升我们的竞争力。尽管我们尝试了各种认知服务，例如图像和情绪分析，但我们并没有明确的愿景，即如何在我们的产品中充分利用 AI 功能。
我们必须克服的第一个困难确实来自于此。我们的开发人员大致知道什么是可能的，但无法想象用户交互会是什么样子，而产品经理和用户体验设计师有一些想法，但他们觉得在技术方面要求开发人员可能太多了。
从我的角度来看，这种双向的心理障碍在 GPT-3 出现时被打破了。那一刻，许多人意识到 LLM 变得足够有用，可以完成许多复杂的任务，而无需定义一个精确的复杂算法。GPT-2 稍早地指明了方向，但它的结果往往值得怀疑，尤其是在更复杂的场景中。类似于 DALL-E vs Midjourney 的第一个版本，这是一个全新的水平。自己看看吧：
DALL-E 2 和 Midjourney 的区别
注意：此示例来自这篇文章，您可以在其中找到更多示例。
话虽如此，可用且功能强大的模型（如 davinci）实际上在 GPT-3 之前就已经存在，但人们当时根本没有意识到它们的潜力。
无论如何，随着人们对于 GPT-3 的到来不再心存顾虑，设计理念与技术实现之间的差距缩小了，我们得以继续前进。
明确人工智能集成流程
在快速发展的 LLM 市场中打开 AI 能力的大门，创造了一个充满可能性的全新世界。如此多的选择，却只有一些模糊的想法。
我们希望既能快速交付，又能交付具有附加值的有用产品。
我们需要考虑几个决策点：
提示工程本身就相当复杂 英国电话号码数据 我们不能指望非技术用户写出好的提示；我们需要为他们完成这项繁重的工作。
集成必须足够简单才能开发，因为此时的主要目标是测试想法并学习。
总体思路必须带来额外的价值，而不是在 ChatGPT 窗口中执行相同操作并将结果复制粘贴回 CMS。它必须是原生集成的，而不是功能有限的通用扩展形式。
我们不想陷入过度分析。
当时，主要是为了防止过度分析，我们决定将首要目标集中在将现有内容从用户转换到人工智能，然后再转换回来。我们发现，只要我们能够用另一个提示复制这个管道，那么第一个实现的场景是什么就无关紧要了。
第一种情况
我们决定基于几个场景进行概念验证，所有场景都具有类似的交互模式：
用户在富文本编辑器中选择一些内容。
他们选择 AI 将对所选内容执行的操作（从预定义选项中简单选择）。
选定的内容与指令（提示）一起发送给人工智能。
转换后的内容以建议的形式显示给用户。
用户可以选择应用建议并替换最初选择的内容或者将其复制到剪贴板。
总的来说，这是一个非常简单的交互，只需调用 AI 即可，然后由我们制作提示。
这听起来可能很熟悉。这是许多工具都选择的一种交互方式，因为对于新手来说，这是最简单的操作。
这只是我们的开始。我们的目标是了解更多信息并决定下一步行动。
第一个原型和挑战
第一个原型仅用了几天时间，并且是针对 Azure OpenAI REST API 运行的。
然而，我们很快发现，最初的兴奋只适用于非常简单的情况，比如纯文本，这是 LLM 的原生输入，尤其是 GPT-3 及更早版本，它们对格式化的内容不太适用。
我们希望带来比将内容复制粘贴到 ChatGPT 窗口并返回所获得的价值更多的价值。因为任何用户都可以自己做到这一点。此外，您会在此过程中丢失所有现有的格式和其他元数据，可能需要用户提供比您提供给他们的更多的东西。
因此，从今天的角度来看，我们原型中的以下 AI 技能还只是触及表面：
创建标题/摘要——这是一个相对简单的第一步，基本上是纯文本/纯文本转换，而不需要复杂的格式处理。
修复拼写和语法——尽管这些检查的扩展已广泛可用，但它提供了一个很好的用例，需要最少的文本转换并期望保留格式。
使其更短/更长——新内容或减少内容与合理保留格式相结合。
Kontent.ai 中首批 AI 原型之一
实施这些行动的目标是确保我们能够提供的不仅仅是一个 ChatGPT 窗口，并为先进的 AI 功能奠定基础。
注意：公平地说，构建集成 AI 面临的挑战远不止处理格式这么简单。本文不可能将所有挑战都列出来，因此我将在以后的专门内容中讨论这个主题。
扩大人工智能实施团队
到目前为止，无论是用户体验、产品管理还是开发，AI 原型设计都是每个参与方的单人秀。为了增加影响力并加快交付速度，我们需要的不仅仅是几个人。
我们专门为该活动设立了一支完整的开发团队和相关支持人员，这使我们能够同时实现以下目标：
将人工智能带给客户
将第一个原型转变为可供选定客户使用的端到端功能，并开始收集实际使用反馈。
研究与愿景
研究问题并确保我们拥有尽可能多的数据以供未来发展。
探索人工智能能力
，探索文本之外的人工智能集成可能性。
建立一支合适的人工智能团队，
奠定人工智能专业团队的基础，推动先进的人工智能集成。