AI实战:破解工程瓶颈的“核武器”

新闻

作者：微信文章



企业AI用例包括解决文档/技术债、代码审查瓶颈和解锁数据洞察。企业需建立安全实验文化，并从解决小痛点、技术团队内部开始。

译自：AI Use Cases That Actually Fix Engineering Bottlenecks[1]

作者：Jennifer Riggins

这是摘自《企业人工智能：制定和扩展人工智能战略的 playbook》[2]第三章的节选，该书由知名科技记者 Jennifer Riggins 撰写，并由 Red Hat[3] 和 Intel 赞助。

从使用“双速”AI 投资模型的优势，到衡量 AI 的实际影响，这本现可免费下载[4]的免费书籍，帮助企业领导者制定 AI 战略，以释放生产力、解决以前不可能解决的问题，并获得真正的竞争优势。

---

如果编写代码从来都不是瓶颈，并且代码生成已经得到广泛采用，那么组织就需要寻找其他地方来发现新的人工智能用例。

将会有通用型人工智能的案例。SAP[5] 迄今为止最流行的人工智能用例是扫描和处理收据——这是许多员工都会做的事情。但更可能的情况是，人工智能将解决较小的痛点，通常是特定于角色或功能的痛点。通过从早期可以稳定增长的成功案例入手，保持精简和简单。然后，一旦一个用例被证明可行，你就可以将其应用于其他团队。

尽管有许多非技术问题需要解决，但首批人工智能用例往往在技术团队内部孵化，AI for the Rest of Us 的创始人 Hannah Foxwell 说。在技术部门失败感觉更安全，因为技术团队使用的内部数据可能不像财务、人力资源和客户数据那样影响深远。人工智能在这些领域可能产生更大的影响，但它们也伴随着更高的风险。
文档和技术债务

开发者们一致解释了最让他们慢下来的原因[6]：不足的、过时的文档和技术债务。这两者都不是大多数开发者想自己解决的问题。两者都会随着代码的快速增加而恶化——而且这两者都是人工智能可以大显身手的用例，因为它擅长对话和解释复杂性。

事实上，2024 年“DORA”报告中发现的最大人工智能成果是，人工智能采用率提高 25% 带来了文档质量 7.5% 的提升。通过为内部信息、所有权和流程添加聊天机器人覆盖层，可以将这一经证实的用例推广到全公司。

Thoughtworks 首席技术官 Rachel Laycock 发现，遗留系统现代化仍然是大多数企业面临的首要挑战。“目前还不清楚我们何时能确定人们使用的前三或五种工具和模型，”她说。

此外，她说，人们最常构建的是“绿地”应用，这与构建必须集成到遗留应用程序中的功能相比要容易得多。她继续说道，市场“过于关注代码生产效率，但这实际上并不是问题所在。”
代码审查

另一个随着开发速度提高而增加的瓶颈是代码审查，这使得开发者需要更长时间等待反馈，并增加了认知负荷。

“以前，质量来源于两个环节的人工审查——编写代码的开发者和 PR [pull request] 审查者，”Foxwell 说。“现在，‘编写’代码的开发者可能没有阅读过它。它可能由人工智能编写。它看起来可以发布，而审查者则面临着一大堆代码需要一次性审查。”

Google Cloud 的 DORA 负责人兼产品经理 Nathen Harvey 观察到，人工智能在这里也很有用。通过建立正确的规范、文档和防护措施，您可以利用人工智能作为第一轮 PR 审查者，向开发者提供快速、自动化的反馈。然后，人工智能可以将 PR 分配给有空且有知识进行审查的同事。这种审查也更省时、更具建设性，因为处于循环中的人工审查者可以确信 PR 符合既定的组织标准。
解锁数据洞察

有些组织，例如金融服务或政府部门，拥有长达 100 年的数据，他们最终可以通过人工智能来解锁这些数据。然而，这个过程可能并不容易，尤其是在预算、法规、隐私和安全指导方针之内。

在考虑人工智能用例时，Red Hat 高级产品营销经理 Marty Wesley 评论道：“最简单的用例是在金融服务领域，因为数据量巨大，他们可以利用人工智能帮助收集大量信息并做出决策。” 考虑一下通常繁琐、需要亲自办理、耗时数天的商业账户开户体验，这需要公司提交各种不同文件中的结构化和非结构化数据。

人工智能可以阅读现有表格并了解业务，从而使银行能够在更短的时间内将整个流程线上化。Wesley 建议，这并非为这些“偶然成为科技公司”的企业裁员辩护，而是通过将员工重新分配到存在问题、困难或只是需要更多帮助的其他领域，从而进行价值重组。

当然，开设账户是一个可重复的人工智能用例，适用于所有业务，从汽车保险到大学申请。

另一个由人工智能驱动的用例是比人类想象的更快地扫描图像和视频中的非结构化数据。例如，波士顿儿童医院和一家运输公司正在使用 Red Hat 技术，分别利用无人机发现疾病模式[7]和检查铁轨[8]。

Wesley 说，波士顿儿童医院表示，他们的人工智能放射学工具“与人类放射科医生一样好，而且它们会变得更好”。
安全实验

如果你认为你以前就有工具蔓延的问题，那等到你引入人工智能时就知道了。没有哪个组织能负担得起采用市面上所有的工具，但他们也无法承受错过下一次人工智能生产力提升的机会。企业需要一种强大的实验文化，并辅以明确的权限、流程和指导方针。

一个好的第一步是鼓励团队对不同的产品进行 A/B 测试并提供反馈，就像软件开发公司 Devexperts 在测试和比较代码生成工具 Copilot 和 Cursor[9] 时所做的那样，然后分享测试方法和结果。

在这种变化速度下，你的人工智能首席办公室很可能成为人工智能实验的卓越中心。DX 首席技术官 Laura Tacho 解释道[10]：“人工智能试点或概念验证（POC）是你确保工具能真正为组织带来成果的机会：提升开发者体验、加速开发并确保你的工程实践仍然符合你对卓越的基本定义。”
引用链接

[1] AI Use Cases That Actually Fix Engineering Bottlenecks:https://thenewstack.io/ai-use-cases-that-actually-fix-engineering-bottlenecks/
[2]《企业人工智能：制定和扩展人工智能战略的 playbook》:https://thenewstack.io/ebooks/generative-ai/ai-for-the-enterprise-the-playbook-for-developing-and-scaling-your-ai-strategy/
[3]Red Hat:https://www.openshift.com/try?utm_content=inline+mention
[4]现可免费下载:https://thenewstack.io/ebooks/generative-ai/ai-for-the-enterprise-the-playbook-for-developing-and-scaling-your-ai-strategy/
[5]SAP:https://www.sap.com/index.html?utm_content=inline+mention
[6]最让他们慢下来的原因:https://thenewstack.io/why-do-developers-lose-1-day-a-week-to-inefficiencies?utm_source=ebook&utm_medium=referral&utm_campaign=Series13Book2
[7]发现疾病模式:https://www.redhat.com/en/blog/open-source-ai-transforming-healthcare-boston-Children-hospital?utm_source=the+new+stack&utm_medium=ebook&utm_campaign=Series13Book2
[8]检查铁轨:https://www.redhat.com/en/blog/moving-ai-edge-benefits-challenges-and-solutions?utm_source=the+new+stack&utm_medium=ebook&utm_campaign=Series13Book2
[9]测试和比较代码生成工具 Copilot 和 Cursor:https://thenewstack.io/how-to-run-a-generative-ai-developer-tooling-experiment?utm_source=ebook&utm_medium=referral&utm_campaign=Series13Book2
[10]解释道:https://www.linkedin.com/pulse/7-key-decisions-when-setting-up-ai-tool-poc-evaluation-laura-tacho-arcbf/?trackingId=tvd5ANjepO83rCBeBrYrGg==?utm_source=the+new+stack&utm_medium=ebook&utm_campaign=Series13Book2