📢 转载信息
原文作者：Sri Elaprolu, Sabine Khan, Diego Socolinsky, Andrea Jimenez Fernandez, and Randi Larson
永无止境的AI试点时代已经结束。今年，AWS生成式AI创新中心 客户项目中，有65%已经从概念阶段成功过渡到生产阶段——正如AWS副总裁Swami Sivasubramanian 在领英上分享的那样，其中一些项目仅用了45天就已上线。这些成果来源于我们对超过一千个客户实施案例的深入洞察。
Generative AI Innovation Center 将各行各业的组织与AWS科学家、战略家和工程师配对，旨在实施能够带来可衡量成果的实用AI解决方案。这些举措正在全球范围内改变着各个行业。例如，通过跨职能的AWS协作，我们帮助美国国家橄榄球联盟（NFL）创建了一个由生成式AI驱动的解决方案，可以在30秒内获取比赛统计数据洞察，从而帮助其媒体和制作团队将视频内容定位的速度提高六倍。同样，我们通过自然语言处理帮助Druva的DruAI系统简化了客户支持和数据保护，将调查时间从几小时缩短到几分钟。
这些成就反映了一种更广泛的成功模式，其驱动力是一个强大的方法论：AI实施的“五V”框架 (The Five V’s Framework for AI Implementation)。
该框架通过专注于具体的业务成果和运营卓越性，将项目从初步测试带到全面部署。它植根于亚马逊的两个领导力原则：《客户至上》和《交付成果》。通过从客户的实际需求出发并向后工作，我们已帮助各行各业的公司实现运营现代化，并更好地服务于他们的客户。
五V框架：成功的基础
每一次成功的AI部署都始于基础工作。根据我们的经验，当组织首先确定需要解决的具体挑战、围绕这些目标协调关键利益相关者并建立明确的责任制时，项目才能蓬勃发展。“五V”框架有助于引导组织完成结构化流程：
- 价值 (Value)：瞄准与您的战略重点保持一致的高影响力机会
- 可视化 (Visualize)：定义与业务成果直接挂钩的明确成功指标
- 验证 (Validate)：根据实际要求和限制测试解决方案
- 核实 (Verify)：创建可扩展的生产路径，以交付可持续的结果
- 风险投入 (Venture)：确保长期成功所需的资源和支持
价值：关键的第一步
价值 (Value) 阶段强调从您最紧迫的业务挑战出发进行逆向工作。通过从现有的痛点入手并跨职能技术和业务团队协作，组织可以开发出能够带来有意义的投资回报率（ROI）的解决方案。这种专注的方法有助于将资源导向能产生最大影响的地方。
可视化：通过衡量定义成功
下一步要求将潜在效益——成本削减、收入增长、风险缓解、客户体验改善和竞争优势——转化为清晰、可衡量的绩效指标。一个全面的衡量框架从使用历史数据（在可行的情况下）的基线指标开始。这些指标应同时涵盖准确性和响应时间等技术方面，以及生产力提升和客户满意度等业务成果。
可视化 (Visualize) 阶段检查数据可用性和质量，以支持适当的衡量，同时与利益相关者合作定义与战略目标保持一致的成功标准。这种双重关注点有助于组织不仅跟踪AI解决方案的性能，还跟踪其对业务目标的实际影响。
验证：雄心与现实的交汇点
验证 (Validate) 阶段侧重于在实际条件和限制下测试解决方案。我们的方法从第一天起就将战略愿景与实施专业知识相结合。正如Generative AI Innovation Center 总监Sri Elaprolu所解释的：“有效的验证在愿景和执行之间建立了联系。我们将科学家到业务领导者等不同观点汇集在一起，以确保解决方案既能实现技术卓越性，又能带来可衡量的业务影响。”
此过程涉及系统集成测试、针对预期负载的压力测试、验证合规性要求以及收集最终用户反馈。安全专家塑造核心架构。行业主题专家定义指导提示设计和模型优化的操作流程和决策逻辑。变更管理策略会尽早集成，以确保一致性和采用。
Generative AI Innovation Center 与AI驱动的市场营销技术公司SparkXGlobal合作，通过全面测试来验证他们的新解决方案。他们的平台Xnurta为亚马逊商家提供业务分析和报告，取得了令人印象深刻的成果：报告处理时间从6-8小时大幅下降到仅8分钟，同时保持了95%的准确性。这次成功的验证为SparkXGlobal的持续创新和增强的AI能力奠定了基础。
与Generative AI Innovation Center 合作，美国环境保护局（EPA）创建了一个由Amazon Bedrock上的Anthropic模型驱动的智能文档处理解决方案。该解决方案通过透明、可验证和人为控制的AI实践，帮助EPA科学家加速了化学风险评估和杀虫剂审查。影响是巨大的：文档处理时间减少了85%，评估成本下降了99%，并且有超过10,000份监管申请得以加速处理，以保护公众健康。
核实：通往生产的道路
从试点转向生产不仅需要概念验证——它需要可扩展的解决方案，这些方案能够与现有系统集成并持续提供价值。虽然演示可能看起来很有吸引力，但核实 (Verify) 阶段揭示了企业级部署的真正复杂性。这个关键阶段规划了从原型到生产的旅程，为可持续成功奠定了基础。
构建生产级AI解决方案汇集了几个关键要素。稳健的治理结构必须促进负责任的AI部署和监督，在不断变化的监管环境中管理风险和合规性。变更管理使团队和流程为新的工作方式做好准备，从而推动全组织的采用。运营就绪度评估会评估现有工作流程、集成点和团队能力，以促进顺利实施。
核实阶段的架构决策需要在规模、可靠性和可操作性之间取得平衡，并将安全性和合规性编织到解决方案的结构中。这通常涉及根据现实世界的限制做出实际的权衡。一个与现有团队能力相符的简单解决方案，可能比一个需要专业知识的复杂解决方案更有价值。同样，满足严格的延迟要求可能需要选择一个简化的模型而不是一个更复杂的模型，因为模型选择需要在性能、准确性和计算成本之间取得平衡，具体取决于用例。
Generative AI Innovation Center 首席数据科学家Isaac Privitera 总结了这一理念：“在构建生成式AI解决方案时，我们主要关注三点：可衡量的业务影响、从第一天开始的生产就绪性以及持续的运营卓越性。这三位一体推动了在现实世界条件下蓬勃发展的解决方案。”
有效的核实需要技术专长和来自实际部署的实践智慧。它要求证明解决方案不仅在原理上可行，而且能够在现有系统和团队能力范围内进行扩展。通过系统地解决这些因素，我们有助于确保部署提供可持续的长期价值。
风险投入：确保长期成功
AI的长期成功还需要在人员、流程和资金方面进行周密的资源规划。风险投入 (Venture) 阶段规划了从实施到持续组织采用的完整历程。
财务可行性始于了解总拥有成本（TCO），从初始开发到部署、集成、培训和持续运营。有前景的项目可能因资源规划不足而在实施中途停滞。成功需要跨所有阶段的战略预算分配，并辅以明确的ROI里程碑和灵活的扩展能力。
成功的风险投入需要高管赞助、利益相关者一致和专门团队进行持续优化和维护的组织承诺。组织还必须考虑到直接和间接成本——从基础设施和开发，到团队培训、流程适应和变更管理。健全的财务规划和灵活的资源策略相结合，使团队能够在机会和挑战出现时加速和调整。
然后，解决方案必须与清晰的所有权和广泛采用无缝集成到日常运营中。这使得AI从一个项目转变为核心的组织能力。
在您的企业中采用“五V”框架
“五V”框架将AI的重点从技术能力转移到业务成果，将“AI能做什么？”转变为“我们需要AI做什么？”。成功的实施既需要创新文化，也需要专业的专业知识。
AWS资源助您踏上征程
AWS提供各种资源来帮助您将AI扩展到生产环境。
专家指导
AWS合作伙伴网络 (APN) 提供了多种途径来获取专业知识，而AWS专业服务 则带来了其自身成功AI实施中的成熟方法论。认证合作伙伴，包括那些从Generative AI Innovation Center 团队获得直接赋能培训的生成式AI合作伙伴创新联盟成员，将这种专业知识扩展到各个行业。AWS生成式AI能力合作伙伴 带来了特定用例的成功经验，而专业合作伙伴则专注于模型定制和评估。
自助学习
对于正在构建内部能力团队，AWS提供了基于真实世界经验的实施指南技术博客，包含生产就绪代码的GitHub仓库，以及弥合理论与实践之间鸿沟的AWS Workshop Studio 的动手学习机会。
平衡学习与创新
即使拥有正确的框架和资源，并非每个AI项目都能达到生产阶段。但这些举措仍然提供了宝贵的经验教训，可以加强您的整体计划。组织可以通过三个关键原则建立持久的AI能力：
- 拥抱投资组合方法：将AI举措视为一个投资组合，其中多元化推动风险管理和价值创造。平衡快速见效项目（数月内交付价值）、战略举措（推动长期转型）和“登月计划”（可能彻底改变您的业务）。
- 创造安全实验文化：当团队能够大胆创新时，组织在AI方面就会蓬勃发展。在快速发展的领域，不作为的成本往往超过了经过计算的实验的风险。
- 从“有益的失败”中学习：系统地跨项目捕获见解。技术挑战揭示能力差距，数据问题暴露信息需求，组织就绪度问题突出更广泛的转型要求——所有这些都塑造了未来的举措。
前进的道路
未来12到18个月是组织利用生成式AI和智能体AI (agentic AI) 来解决以往难以解决的问题、建立竞争优势和探索全新业务可能性的关键时期。那些成功地从试点转向生产的企业，将有助于定义其行业内及其他领域的可能性。
您准备好将您的AI举措投入生产了吗？
- 了解更多关于AWS Generative AI Innovation Center 的信息，并联系您的AWS客户经理，以获取我们的专家指导和支持。
- 加入我们的AWS Builder社区，与其他处于相似AI旅程中的人建立联系。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
关于作者
Sri Elaprolu 担任AWS Generative AI Innovation Center 的总监，他利用近三十年的技术领导经验来推动人工智能和机器学习的创新。在此职位上，他领导一个由机器学习科学家和工程师组成的全球团队，为面临复杂业务挑战的企业和政府组织开发和部署先进的生成式AI和智能体AI解决方案。在近13年的AWS任职期间，Sri担任了递增的高级职位，包括领导与NFL、Cerner和NASA等知名组织合作的ML科学团队。这些合作使AWS客户能够利用AI和ML技术来实现变革性的业务和运营成果。在加入AWS之前，他在诺斯罗普·格鲁曼公司工作了14年，成功管理产品开发和软件工程团队。Sri拥有工程科学硕士学位和工商管理硕士学位，后者专注于综合管理，这为他目前担任领导职务提供了必要的技术深度和商业头脑。
Diego Socolinsky 博士 目前是亚马逊云科技（AWS）Generative AI Innovation Center 北美区的负责人。他在技术、机器学习和计算机视觉的交叉领域拥有超过25年的经验，致力于将尖端研究转化为生产级解决方案的创新工作。Socolinsky博士拥有约翰霍普金斯大学数学博士学位，是热成像生物识别、增强/混合现实和生成式AI计划等多个领域的先驱。他的技术专长涵盖从优化底层嵌入式系统到架构复杂的实时深度学习解决方案，特别关注生成式AI平台、大规模非结构化数据分类和先进的计算机视觉应用。他以弥合技术创新与战略业务目标之间的差距而闻名，持续交付解决复杂现实世界问题的变革性技术。
Sabine Khan 是AWS Generative AI Innovation Center 的战略举措负责人，负责实施专注于规模化企业级生成式AI解决方案的交付和战略举措。她专注于生产就绪的AI系统，并推动智能体AI项目从概念到部署。她在软件交付领域拥有二十多年的经验，并在AWS任职期间重点关注AI/ML，为成功的企业级实施建立了良好的记录。在加入AWS之前，她在休斯顿的能源行业领导数字化转型计划，并担任过产品开发和软件工程领导职务。Sabine拥有地球科学硕士学位和工商管理硕士学位。
Andrea Jimenez 是麻省理工学院的双硕士研究生，正在攻读工程学院计算机科学理学硕士和斯隆管理学院工商管理硕士。作为麻省理工学院GenAI创新中心的GenAI首席研究生研究员，她研究智能体AI系统和生成式AI技术的经济影响，同时利用她在人工智能、产品开发和初创企业创新方面的背景，领导处于技术与商业战略交叉点的团队。她的工作重点是推进人机协作，并将尖端研究转化为可扩展、高影响力的解决方案。在加入AWS和麻省理工学院之前，她曾在科技行业领导产品和工程团队，并创立并出售了一家帮助早期公司构建和推出SaaS产品的初创企业。
Randi Larson 在AWS Generative AI Innovation Center 负责将AI创新与高管战略联系起来，塑造组织如何理解和转化技术突破以实现业务价值。她通过全球主题演讲、亚马逊首个科技向善播客，以及与行业和亚马逊领导者就AI转型进行的对话，将战略叙事与数据驱动的洞察相结合。在亚马逊之前，Randi曾在彭博社担任记者，并担任经济机构、智库和家族办公室的技术倡议顾问，以磨练她的分析精度。Randi拥有杜克大学福库商学院的MBA学位，以及波士顿大学的新闻学和西班牙语理学学士学位。
评论区