top of page

「試錯」機制的重要性

Updated: Apr 28

在互聯網及數字年代,頂層設計或者藍圖會變得更重要嗎?在阿里巴巴,我們相信頂層設計是三分靠想像,七分靠「試錯」(trial and error)的。所以戰略復盤對阿里的成功至關重要,否則就錯得太沒有價值。 大家可能覺得阿里的數據平台做得不錯,但我可以告訴大家,單單是數據架構就修正過了N次。所以我可以大膽的說,在今天的企業或政府的科技藍圖中,如果沒有包括「試錯」的機制的話,就應該好好檢討。還記得當年師父教落,要做一個決策系統,除了要預計企業正面及負面的評價指標外,還要兼顧能夠發現不可預知的結果(unexpected outcome)的能力。 當然,這也是偉大企業如Amazon或Google所必備的。例如在某零售企業經營增長得不錯的時候,可能很少會發現舊客戶的平均交易金額有緩慢下降趨勢,或者2000後出生的顧客已經嫌棄了你。倘若你沒有發現這個情況,是因為你的雷達已經過時了,或是沒有人提醒你需要更新設備。 施工前三問三答 舉一個例子,近年精準數據決策系統(城市大腦、數字駕駛艙)在內地的一線城市成為了必選項目,但在過程中,千萬別忘了與城市頂層需要吻合,頂層設計在定義城市問題上很重要。另一方面,如何確保數據資料與技術積累,有足夠能力攻堅其中精準決策可解決的城市問題(例如交通擠塞),我姑且把它叫作底層設計,當中包括數據使用的合規性、開源平台的選擇、技術能否兼容、有效的數據治理等。頂層設計的功能必須靠底層設計(架構)的支撐才能成事,但我卻發現很多的案例中欠缺了一個「施工」路線圖。 作為一個資深數據人,在為每個數據決策系統施工前我喜歡給自己三個追求: 要解決的問題清楚了嗎? 所需要的數據夠嗎、準確嗎、穩定嗎? 演算法出來的結果有反饋可驗證對錯嗎? 我想說的是「施工」路線圖的設想,有助頂層設計與底層設計的論證,否則很容易淪為空想。 古老易經傳統有三法則:變易、簡易、不易。正好給於在變幻中找尋成功機會的人類很好的啟示。

Recent Posts

See All
選擇胖模型還是胖鞍具?

打開任何人工智能(AI)方案,你會看到兩種完全不同的產品策略在較量:一種叫做胖模型(Fat Model),另一種叫做胖鞍具(Fat Harness)。 胖模型的信念很直白:以更大的大腦解決更多的問題。參數多、數據龐大、算力強,模型自然顯得聰明。這驅動了ChatGPT、Claude和Grok之間的競賽──每一代都宣稱新產品比上一代更強,而企業只要付費就能直接使用,代價是你的AI能力完全綁定在供應商的

 
 
慎防智能代理「無聲」脫軌

試想想,人工智能(AI)系統已在生產環境中完成部署,但究竟要如何防止AI「悄然失靈」?過去3個月,全球超大規模企業在AI基礎設施上的資本支出達到一個前所未有的量級。單憑這一數據,人們或許會得出結論:AI的生產化部署正在全力推進,市場充滿信心。 然而,7月份第一周,來自不同領域的幾個訊號同時浮現,揭示出一個更為複雜的真相。一邊是史無前例的基礎設施投資;另一邊是一群深諳「系統可靠性」的專家──那些專門

 
 
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
bottom of page