生成式AI的局限性：真实案例分析
在人工智能浪潮下，生成式AI（GenAI）炙手可热。各种GenAI概念层出不穷，仿佛每个企业都在部署GenAI用例，并声称其具有“颠覆性”。然而，GenAI是否真的适用于所有场景？
想象一下：一位数据科学家向电商CEO展示一个全新的预测模型。CEO询问未来五年内各个垂直行业的收入预测。模型进行了三次实时测试，每次都给出了不同的结果。例如，兔子食品的增长预测分别是12%、8.5%和15.2%。
CEO对此表示担忧，因为这种波动性无法支持可靠的战略规划。她需要一个明确的数字，而不是一系列可能性。最终，她决定采用更传统的BI模型，结合历史数据和市场专业知识来制定更可靠的预算。
这个案例突显了GenAI的一个关键问题：它缺乏确定性。尽管GenAI在某些领域表现出色，但在需要高度精确和一致性的商业决策中，它可能并非最佳选择。目前许多客户要求将GenAI解决方案应用于机器学习问题，这可能忽略了传统ML模型的优势。
为何传统机器学习仍然重要？
虽然GenAI是ML的一个分支，但它更侧重于生成新内容，而非分析和预测。传统机器学习模型在以下情况下表现更佳：
- 需要一致、确定性的输出 传统ML模型在给定相同输入时，通常会提供相同的结果。这对于需要稳定预测的场景至关重要。
- 拥有具有清晰模式的结构化历史数据 传统ML模型可以基于历史数据进行精确分类和预测。例如，预测客户流失或销售额。
- 可解释性很重要 某些ML模型（如线性模型和决策树）可以解释其预测的原因。这有助于建立信任并支持决策。
- 成本是关键因素 处理较小、集中的数据集通常需要较少的计算资源，从而降低成本。
简而言之，预测和生成是不同的问题，需要不同的模型来解决。
如何有效利用ML和GenAI？
机器学习模型适用于需要从结构化数据中获得可靠结果的业务问题。而GenAI模型可以用于集思广益、快速创建原型，以及以更易于理解的方式传达ML见解。
两者可以相互补充。GenAI可以增强ML流程的效率和可访问性。
选择正确的工具：关键问题
如果面临使用GenAI的压力，请退一步并考虑以下问题：
- 我们要解决什么问题？需要确定性输出还是创造性探索？
- 产出是否用于分配大量预算？
- 我们拥有哪些类型的数据？是结构化历史数据，还是非结构化文本信息？
- 可解释性有多重要？利益相关者是否需要了解预测的原因？
这些问题将帮助您为选择合适的工具构建论据。正如吴恩达所说，监督学习仍然具有巨大的价值，尤其是在标记数据方面。在未来几年，监督学习可能会比生成式人工智能创造更多的价值。
结论
为特定任务选择正确的工具至关重要。确定性、可解释性、数据准备、成本和业务需求都应指导决策过程。虽然GenAI是强大的工具，但不要忽视传统机器学习模型的价值。
将GenAI用于更具创造性的任务，如起草文档、快速创建原型或以新颖的方式解释见解。这种组合将帮助您更快地解决分析积压问题，同时确保利益相关者获得他们可以信任的数字。
