- 综合排序
- 最热优先
- 最新优先
- 来自专栏腾讯云TVP
5%的AI企业落地成功者到底做对了什么？
大家都看过上次的那个悲观的报告，95%的企业级AI是失败的，但如果我们不去纠结95%的企业AI失败概率，而是去研究5%的AI企业落地成功者到底做对了什么，我们会看到这样一条清晰的路径：1、道：宏观工作： 解决意愿的问题——从0到1生产关系：构建真正的，经验（知识）贡献的生产关系和回报模型——首先解决的是意愿问题，大家都愿意贡献知识人机关系：AI+人，靠机制而不是LLM自己的能力来减小幻觉，人始终配合约束幻觉的扩散 2、法：介观工作：解决组织和结构的问题——从1到10知识整理：建立一个实体组织，能持续的将人的“经验”，企业已有的数据，企业已有的流程，转化为可以被AI读取的“知识”持续迭代：构建可迭代的体系，AI服务中积累下来的内容能够变为新的知识自我迭代 ，这里包含了一个检测的体系培训：全员的AI培训，从上到下，从下到上的愿意拥抱AI3、术：微观工作：解决落地放大的问题——从10到10000解耦：不依赖于某个LLM，多个LLM之间可以互相配合成本：不做几个月后就会落后的大规模预算投入
1.6K41编辑于 2025-11-10 - 来自专栏老齐教室
AI 项目落地杂谈
人工智能（AI）项目的“落地”问题，现在谈论的比较多，我也来凑个热闹，不过，我不是从宏观角度来讲，而是从具体实施过程讲讲个人体会。 首先，AI 工程师要有能力且勇敢地将项目真实情况讲出来。 如果项目管理者对某个 AI 技术的细节不很了解，而是凭借浅显的认知决定要在项目中使用，那么，AI 工程师是不是能够协助项目管理者做深入的可行性研究呢？ AI 工程师要有能力进行评估 这对多数 AI 工程师来讲，是一个挑战。因为评估一个项目是否可以使用某项 AI 技术，不仅仅是技术本身，还要考虑项目的其他问题，比如成本、运营、人员、时间等等。 AI 工程师要勇敢地讲出实情 毋庸置疑，宣传中的某项 AI 技术以及它能够给项目带来的好处，和实际情况肯定是有差异的，甚至有时候差异会很大。 这样的 AI 工程师，也要么是“真糊涂”，要么是“揣着明白装糊涂”。一般项目皆败于此。 当科学、客观地对项目和技术进行评估之后，一定能够找到 AI 技术的切入点，此后的落地，必然一帆风顺。
49710编辑于 2022-12-09 - 来自专栏《三桥君 | AI产品方法论》
掌握这5大要素，开启AI项目落地的成功之门
AI项目落地的现状 当前，AI项目在企业中的落地普遍存在以下问题： 问题 详情 业务与技术的脱节 业务团队往往认为AI项目是IT部门的事，缺乏积极参与，导致项目难以贴合实际业务需求。 AI项目成功落地的五大要素 三桥君认为，要让AI项目在企业中成功落地，仅仅依赖技术团队是远远不够的。以下是五个关键要素，帮助企业在AI项目中取得突破： 1. 5. 老板的耐心 AI项目的落地往往需要时间，领导层的耐心支持是项目持续发展的保障。企业需要为AI项目设定合理的预期，避免急于求成。同时，领导层应定期关注项目进展，及时提供资源和支持。 如何找到AI的落地场景 AI技术的应用场景广泛，但并非所有场景都适合AI落地。企业需要根据自身业务特点，找到最适合的切入点。以下是四个实用的方法： 1. 结论 AI项目的成功落地，既需要技术团队的创新，也需要业务团队的积极参与。
35210编辑于 2025-08-28 - 来自专栏《三桥君 | AI产品方法论》
掌握这5大要素，开启AI项目落地的成功之门
AI项目落地的现状当前，AI项目在企业中的落地普遍存在以下问题：问题详情业务与技术的脱节业务团队往往认为AI项目是IT部门的事，缺乏积极参与，导致项目难以贴合实际业务需求。 AI项目成功落地的五大要素三桥君认为，要让AI项目在企业中成功落地，仅仅依赖技术团队是远远不够的。以下是五个关键要素，帮助企业在AI项目中取得突破：1. 5. 老板的耐心AI项目的落地往往需要时间，领导层的耐心支持是项目持续发展的保障。企业需要为AI项目设定合理的预期，避免急于求成。同时，领导层应定期关注项目进展，及时提供资源和支持。 如何找到AI的落地场景AI技术的应用场景广泛，但并非所有场景都适合AI落地。企业需要根据自身业务特点，找到最适合的切入点。以下是四个实用的方法：1. 结论AI项目的成功落地，既需要技术团队的创新，也需要业务团队的积极参与。
27900编辑于 2025-07-19 - 来自专栏人工智能
📌中小团队突围指南：低资源玩转AI落地的5种姿势
引言：小团队也能玩转AI？在算力和数据被巨头垄断的今天，中小团队如何用「小资源撬动大价值」？本文结合实战经验，分享5种低成本AI落地策略，助你避开「重模型、轻场景」的陷阱，用巧劲突围！ 拆解大模型能力，像搭乐高一样组合轻量模块实战技巧： 冻结底层+自定义顶层：用冻结的BERT基础层+自定义的3层FFN，实现垂直领域文本分类 模型蒸馏「降维打击」：将BERT蒸馏成TinyBERT，推理速度提升5倍 模型，实现实时目标检测（功耗仅需10W）5️⃣ 姿势五：社区「借力」——低成本获取「隐形资源」核心逻辑：用协作代替单打独斗，低成本获取数据/算力/经验实战策略： 数据共享联盟：加入Kaggle竞赛社区， 落地必备清单类别 工具/平台 核心价值 数据增强Albumentations 图像数据增强库 模型压缩ONNX Runtime 跨平台轻量化推理引擎 协作开发 的业务环节（如客服工单分类）最小模型构建：用Scikit-learn快速搭建基线模型（准确率≥70%即可）灰度验证：在20%业务场景中部署，收集用户反馈迭代 ROI优先级矩阵：纵轴：技术实现难度（1-5分
1.1K20编辑于 2025-03-26 - 来自专栏飞总聊IT
AI上天，自动车落地
AI这两年里可谓是非常的热门，从深度学习到自然语言翻译到自动车，一个接一个的层出不穷。不仅仅赚了吆喝，也赚足了资本。和AI相关的人才争夺，更是让人叹为观止。 一个但凡和AI有点关系的博士毕业，其工资让我这个工作那么多年的人都羡慕嫉妒恨。 作为AI的杀手级应用自动车驾驶，更是这些年各大公司和初创公司追逐的重点。无数的资本涌入。 比如说AI的大牛奠基人之一的迈克乔丹，在到处演讲告诉大家不要把现在的AI当回事，其实真没那么牛。 在美国，很多大公司都源于加州。 所以如果自动车和人工智能最为强悍的谷歌都做不到成功落地服务大众的话，我们为什么相信现阶段自动车是AI如此重要的一个应用呢？ 如果连自动驾驶都解决不了，我们又凭什么相信这个上天的AI真的是有极大价值的，而不是空话呢？我其实真的没什么信心。所以做AI的同学们，好好享受你们的美好时光，一切都是假的，只有钱才是真的。
32730发布于 2018-07-25 - 来自专栏深度学习|机器学习|歌声合成|语音合成
java落地AI模型案例分享:xgboost模型java落地
xgboost模型java落地 1. predictions accuracy = accuracy_score(y_test, predictions) print("Accuracy: %.2f%%" % (accuracy * 100.0)) 5. input_data) output = load_and_run_onnx_model(model_path, input_data) print(output) 6. java推理 import ai.onnxruntime Load and preprocess the input image inputTensor long[] feature = new long[8]; feature = {1, 2, 3, 4, 5,
1.4K10编辑于 2024-10-01 5G视频客服落地指南
目录5G视频通话的背景企业如何开通IMS线路企业呼叫中心软硬件如何升级改造视频客服产品1. 5G视频通话的背景1.1 运营商支持5G视频通话的时间视频通话最早是在4G时代产生的，但当时没有大规模普及使用且不支持三大运营商的互联互通 当前在4G/5G网络都可以正常使用视频通话。原始消息来源，工信微报 ，关于IMS网络互联互通的解读。1.4 工信部政策支持工信部积极推动5G应用发展，要求运营商提升服务质量，并支持适老化改造。 部分行业（如银行、保险）已率先落地视频客服，例如通过“视频核验身份”等功能满足合规与效率需求，这与工信部推动的“数字化转型”方向一致。 1.5 视频客服的优势视频客服结合5G技术，能够高效解决客户问题，尤其适合老年用户。 通过开通IMS线路、升级软硬件设施，并部署我司视频客服系统，企业可以快速实现视频客服的落地，为客户提供更优质的服务体验。
92100编辑于 2025-03-02- 来自专栏方丈的寺院
可落地的DDD(5)-战术设计
DDD系列文章断断续续也有十来篇了，主要是总结我们团队落地过程遇到的问题和解决方案，算是DDD从学习到落地实践的一个完整的闭环链路，希望对你有所启发。当然这个过程受益最大的肯定是我本人。 另外一个是面向解决域，即代码落地。 即使用一个规范能够反映对象之间的关系，即OO编程。 DDD是一种建模方法，是针对不同的业务领域的， 在不同的团队有不同的落地方案，是没办法靠一种框架来约束，来把一件不统一的事情来统一起来。 www.jdon.com/ddd.html 框架方面（个人觉得没啥用，参考看看） rafy框架：http://zgynhqf.github.io/Rafy/articles/%E9%A2%86%E5% 9F%9F%E5%AE%9E%E4%BD%93%E6%A1%86%E6%9E%B6.html jdon https://github.com/banq/jivejdon 一些相关的书籍pdf上传到百度网盘
1.4K30发布于 2019-08-05 - 来自专栏MixLab科技+设计实验室
我看中的AI落地场景。
复盘成了我的日常 我最近在思考AI创新产品应该如何切入，接下来谈一些见解： AI技术不仅仅是算法，更多的是工程， ML Code仅仅只是占了核心的一个小空间。 ? 产品化的过程其实是： 挑选一个单点的AI技术，深挖其应用场景， 然后再组合其他技术，形成新技术。 2 基于人像分割技术的图像编辑工具 案例 facet.ai，非常方便地替换背景，带来便捷的图像编辑体验。 ? Auto mask 自动打马赛克，应用虽然小，但是足够方便。 ?
53020发布于 2020-09-28 - 来自专栏啄木鸟软件测试
AI安全测试落地实践指南
引言：当AI成为生产系统的核心组件，安全已不再是‘可选项’ 2024年，全球超68%的金融与医疗类AI应用已在生产环境部署大模型推理服务（Gartner《AI Governance Report》）。 本文基于啄木鸟软件测试团队在某头部银行智能风控大模型、某三甲医院AI影像辅助诊断系统的32个真实交付项目经验，提炼出可复用、可度量、可审计的AI安全测试落地四步法。 三层攻击面建模法’： - 数据层：验证训练/微调数据是否含敏感信息残留（如PHI/PII）、是否存在隐式偏见放大（如性别-职业关联偏差）； - 模型层：检测对抗样本鲁棒性（FGSM/PGD攻击下准确率衰减≤5% 二、构建轻量级AI安全测试工具链：不依赖GPU，也能跑通核心用例 团队常误以为AI安全测试必须自建红队实验室。 结语：安全不是AI的附属品，而是其可信基石 AI安全测试的本质，不是给模型‘找茬’，而是帮业务建立‘可控的信任’。
34110编辑于 2026-03-09 - 来自专栏服务端技术杂谈
零一万物的AI工程落地
之前写了一篇：LangChain创始人回应为啥不做托拉拽的智能体工作流 正好今天看到零一万物的一篇讲AI工程落地的文章，观点很相似。
10410编辑于 2026-03-11 - 来自专栏石云升
怎么招人实施AI企业落地？
去年还有人问企业要不要拥抱AI，今年已经没人问了。问题变成了：怎么落地？谁来干？ 很多企业的第一反应是招人——找一个既懂技术又懂业务的AI落地专家。 AI落地不要一上来就搞大项目。先找那些高频重复、耗时、易出错的工作，这类任务最适合用AI解决，见效快、阻力小。 设计原则：能一个按钮解决的，就不要操作两次。 用AI做小工具，成本低、见效快，还能让团队感受到AI的实际价值。 如果要外招，怎么甄别？ 有些业务确实需要比较丰富的技术基础，需要外招AI落地负责人。但市场鱼龙混杂，如何甄别？ 1. 有没有跨部门落地经验？ 给自己提效只是初级。能给财务、客服、运营、人事等不同部门都落地过，才证明此人有快速理解业务的能力。AI落地的难点不在技术，在业务逻辑的解构。 3. 有没有总结复盘的习惯？ AI落地需要跟各部门打交道——需求沟通、方案讲解、问题排查，都需要清晰逻辑。面试时如果对方表达混乱，落地时大概率也一团糟。 5. 使用AI的时长和频率 越早用、用得越频繁越好。
15410编辑于 2026-03-17 - 来自专栏决策智能与机器学习
用户体验、AI和ML「AI产品工程落地」
作者 | Michelle 报道 | towardsdatascience 人工智能(AI)和机器学习(ML)现在都是热门话题，这是理所当然的，因为它们对重新定义商业的许多方面做出了重大贡献。 您如何看待它随着AI & ML技术的发展? 目前的客户体验“AI无处不在，但结果大相径庭”。使用同一项服务的两个客户可能对他们的体验有完全不同的印象，而且在很多情况下，这项服务是笨拙的，结构也很糟糕。 试图整合AI & ML技术和客户体验的企业面临哪些挑战? Paul总结了许多企业在流程中采用AI和ML时面临的另一个常见挑战——数据量。他说:“目前的机器学习技术依赖于相对大量的数据来提供良好的预测。”
65420发布于 2020-08-05 嵌入式AI视觉落地的那些事儿——直面AI视觉落地难的挑战
定义一套算法接口，YOLOv5、YOLOv8等不同模型都实现这个接口。界面只调用接口，不关心具体实现。换模型只需要改配置，界面代码几乎不用动。 二、OpenCV算法落地：不能照搬PC代码PC上OpenCV怎么方便怎么来，到了嵌入式平台就得精打细算。图像预处理这条链，在PC上可能几毫秒，在嵌入式上就是几十毫秒。 三、嵌入式平台适配：每块板子有自己的脾气RK3588和Jetson Orin是当前主流的嵌入式AI平台，但开发体验差异不小。交叉编译环境搭建就是个开端，库依赖容易出问题。 五、从原型到产品，每一步都不能省嵌入式AI产品开发，不是“写个算法然后拷过去”那么简单。界面要响应快，算法要跑得稳，硬件资源要榨干，还要考虑设备长时间运行的散热和稳定性。 高培觉得嵌入式AI开发需要的不是单点技术，而是全局视角：QT界面、OpenCV算法、模型部署、多线程优化、硬件加速、系统稳定性，缺一不可。
4900编辑于 2026-03-23- 来自专栏服务端技术杂谈
企业中落地AI Agent的难点
下图是一个企业Agent落地的标准架构。 在Query动线上，包括规则模块、意图识别模块、意图处理模块、过滤引擎、推理执行、总结整理。 企业中落地Agent普遍的难点不是模型不够智能（因为大概率用的模型就那几家）。 难点是围绕模型的脚手架不到位，比如上下文工程、安全性、记忆系统等。 而且Agent架构越成熟，软件工程的重要性越高。 有人给我发了一篇脉脉上的有人吐槽自家AI落地的文章，相信也是遇到了同样的问题。 大多数AI Agent系统，打造的无非是上下文选择系统。
16010编辑于 2026-03-11 - 来自专栏前端迷
Webpack5 新特性业务落地实战
本文作者：Wind、Skyler、ZRJ、ZJ 前言 Webpack5 在 2020 年 10 月 10 日正式发布，并且在过去的几个月中快速演进和迭代，截止 1 月 28 日，Webpack5 已经更新了 来承接整套构建体系，迁移时我们参考了 Webpack 官方提供的升级手册[2]，这里我们针对一些对我们的业务现阶段有实际价值的点（新特性基本都有实际收益），集成到了团队的构建流程中，通过实践验证并记录了我们在基建落地的过程中遇到的一些问题和解决方法 Webpack5：仅对有修改的文件失效 ? Webpack5：仅对有修改的文件失效 ? ? 当然，Webpack5 升级给项目带来的最终增益还远远不止上面提到的这些，我们还需要收集更多的数据来验证 Webpack5 的升级对运行时阶段带来的更深层次的性能收益，但就目前而言，Webpack5 的许多特性已经能让我们在开发阶段舒适许多
1.6K30发布于 2021-03-18 - 来自专栏存储公众号：王知鱼
Micron：SSD替换主存，加速AI落地
Fig-1 AI/ML 处理数据量越来越多，一说数据每年增长430x。 IGB 在 AI 领域受到关注，尤其是在图学习和图计算的研究中，因其能够帮助研究者比较不同算法的效果和效率。该数据集的多样性和真实场景的代表性使其成为图相关任务的一个重要基准。 线程） • 16x Micron 96GB DDR5 DIMM（96GB的DIMM比较罕见，高端机型） • 4x Micron 9550 PCIe Gen5 NVMe SSD • Ubuntu 20.04.6 和不少AI从业人员交流，共性认知是，尚未出现 Killer APP，部分原因是技术本身成熟度尚未达标，另一部分可能还是基础设施建设成本高昂，“贫穷限制了想象”。 基于NVMe SSD来替代内存方案，相较于HBM大主存训练场景，可能是推理场景落地降本的有效措施，可参考材料中介绍的两个项目BaM 和 DeepSpeed来设计真实应用场景的落地方案。
45510编辑于 2025-02-11 - 来自专栏一乐来了
企业内AI落地难在哪里
是的，已经很少有人谈论大模型幻觉，按说AI的能力已经得到了相当的认可，为什么好像听到的落地案例没有很多呢。 AI落地难，因为AI不能只是一个玩具，我还会这样回复。 AI不只是会变懒，它本身的设计就是响应式的，要让其比用户更主动，做好销售而不是客服[4]，就不能忽略这一点。 模块化。你需要一个设计成熟的AI SDK[5]，而不是深度耦合的一段段代码。 剩下的3和5，也就是无摩擦和分级授权，则是我们今天讨论的主题，企业内AI落地的两大挑战。 关于企业内AI落地的更多内容 本期重要产品更新 1. /articles/Implement-Sales-AI-with-Large-Language-Model.html [5] 一个设计成熟的AI SDK: https://docs.lanyingim.com
57110编辑于 2025-05-23 企业AI项目避坑指南：从0到1落地的5大关键防线
半年过去了，年初那些以AI之名的项目到底怎么样了？很多企业一谈AI，就觉得是IT部门的事。事实上，AI项目的成败，根子永远在战略层。战略上想不清楚，后面的执行越努力，可能错得越离谱。 例如，部分企业为体现AI 含量，对本可用BI工具解决的报表分析问题强行上AI，导致学习成本高、效率反降。破局经验：业务痛点优先原则：启动 AI 项目前，需用 “四问法” 明确需求：业务最痛的点是什么？ 问题本质：部分企业因缺乏 “翻译官” 角色，技术团队用 “F1-score提升20%” 等技术语言汇报，业务团队却只关心 “库存周转率能涨多少”，导致项目落地受阻。 坑5：重上线轻运维——AI模型快速老化某电商的用户复购预测模型上线6个月后，准确率从85%暴跌至50%——因未监控到用户购物习惯从PC端转向小程序，模型仍基于旧数据训练，最终错失双618关键流量。 破局经验：建立MLOps全周期运维体系：监控层实时跟踪模型指标（如准确率、召回率）、数据分布；优化层当指标下降超5%时自动触发模型再训练；迭代层每季度评估业务目标，调整模型方向。
36510编辑于 2025-07-16
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号