← 案例目录DATAWHALE / FDE

案例 05 · TikTok达人业务

Datawhale原书章节 · 印刷页码 46—54 · 当前仅加载一页

Datawhale《FDE案例100》,案例05,原书第53页;下方可展开文字版

原书第 53 页 · 点击页面可放大查看

查看与复制本页文字

文字由原PDF提取,阅读顺序和表格请以原页为准。

Q6:根据你的经验,我们怎么才能更好地把AI部署到实际业务中?
我做这个项目之后,一个非常明显的感受是:FDE真正难的地方,往往不是模型。现在
很多AI能力其实已经非常成熟了,对于中小规模企业来说,技术选型本身反而没有以前
那么难,我们更关注的是成本、稳定性和ROI(Return on Investment,投资回报
率),尽量用成熟的框架和合适的模型解决问题,避免为了技术先进而技术先进。
真正难的是下面几件事。
第一,先理解业务,再谈AI。
不要一上来问客户“你想做一个什么AI产品”,应该问:你的业务怎么跑?谁在跑?哪里
最浪费时间?哪里最容易出错?哪个指标最影响业务结果?只有把这些问题问清楚,才
能知道AI应该放在哪里。
这个项目最开始客户只是说“希望AI赋能团队”,但如果我们停在这个层面,最后可能只
能给他做一个聊天机器人。真正走进企业之后,我们才发现,最值得解决的是业务链路
里的几个具体环节。所以FDE的第一项能力,其实是价值识别能力。
第二,重新分配人和AI的工作。
我现在越来越倾向于把AI理解成一种新的生产力。它适合接手高频、重复、有明确规则
的事情,但高度依赖信任、关系和判断的工作仍要留给人。这个项目最后,是让BD不再
把时间浪费在找人和翻表格上,AI把人从低价值工作里释放出来,人再去做真正高价值
的事情。
第三,FDE必须同时懂技术和业务语言。
我自己是技术出身,做了十年代码,后来经历了项目、产品等不同岗位。以前我也会犯
一个问题,觉得只要把技术讲清楚,客户就应该能理解,但后来发现不是。
很多老板没有时间理解模型、Agent(智能体)、RAG(Retrieval-Augmented Gener
53/243