在《作者聚焦》系列中，数据科学与人工智能领域的社区成员分享了他们的职业生涯、写作心得及灵感来源。本期，我们荣幸地呈现与詹娜·利彭科娃博士（Dr. Janna Lipenkova）的对话。
詹娜·利彭科娃博士是一位资深的AI战略家、创业者，也是《AI产品开发艺术：交付商业价值》一书的作者。她拥有计算语言学博士学位，将深厚的技术洞察与商业战略相结合，致力于帮助企业将人工智能转化为实实在在的成果。詹娜博士曾创立并领导多个位于语言、数据和智能交叉领域的公司——包括专注于企业AI转型的Anacode，以及支持企业可持续发展的AI平台Equintel。通过其卓越的思想领导力和咨询活动，詹娜博士不断完善和丰富她关于AI开发与整合的综合方法论。
詹娜博士将她的“AI战略工具箱”称为一套心智模型，旨在帮助团队明确构建目标及原因。哪些模型在管理层会议中最常带来清晰的洞察，以及它们为何能引起共鸣？
管理层会议面临的最大挑战之一是沟通。当人们讨论AI时，可能各持己见，这种信息不对称会严重阻碍项目的推进。詹娜博士运用三种心智模型来构建结构化的共识基础，从而有效避免推诿和误解，推动项目向前发展。
通常，首先会运用AI机会树，它能帮助团队描绘潜在AI用例的全景图。高管们在接触AI时，往往既充满好奇又受市场炒作的影响——他们会觉得“我们需要在AI上有所作为”，但对于真正的价值点在哪里，却缺乏清晰的认知。大多数团队在此阶段的默认路径是开发一个聊天机器人，然而这类项目往往难以成功（参见此文章）。AI机会树通过系统性地发掘潜在AI用例，并提供结构化、客观的优先级排序依据，打破了这种固有模式。
一旦明确了“做什么”和“为什么做”，团队便会转向“如何做”，并着手填充AI系统蓝图。这个模型有助于规划设想中AI系统所需的数据、模型、用户体验和治理约束。在多方利益相关者环境中，它尤其强大，能为业务、数据科学和合规团队提供一套共享的语言。该蓝图将AI的复杂性转化为具体且可迭代的要素——团队可以共同绘制、讨论并完善它。
最后，詹娜博士引入了AI解决方案空间图。它将讨论的范围扩展到超越当前主导技术（主要是大型语言模型和智能体），帮助团队审视所有可能的解决方案类型：从经典机器学习到混合架构、检索系统，以及基于规则或模拟驱动的方法。这种更广阔的视角确保团队能够专注于交付正确的解决方案，而非仅仅追逐时尚潮流。
这些模型共同构建了一条路径，映射出成功AI产品的发展历程：从机会发现，到系统设计，再到持续探索。它们之所以能引起高管的共鸣，是因为它们有效连接了战略与执行。
在您的著作中，领域专业知识对构建AI产品的重要性被反复强调。您在哪些案例中看到领域知识彻底改变了AI解决方案的形态，而不仅仅是微调了边缘的准确性？
一个生动的例子是某个物流项目，最初旨在预测货运延迟。当领域专家加入后，他们重新定义了问题：延迟并非随机事件，而是深层业务风险（如供应商依赖、监管瓶颈或网络脆弱性）的症状。最初的AI专家团队未能发现这些深层模式。
为了整合这些领域知识，项目扩展了数据层，不仅包含运输时间，还纳入了供应商风险信号和依赖关系图。AI架构也从单一预测模型演变为结合了预测、知识图谱和基于规则推理的混合系统。用户体验从最初的被动延迟预测，扩展到提供风险情景及建议的缓解措施，这使得专家们能够采取更具行动力的决策。
最终，领域知识不仅提升了准确性，更重新定义了问题、系统设计和业务所能获得的价值。它将一个AI模型转化成一个真正的决策支持工具。经过那次经验，詹娜博士始终坚持在AI项目早期阶段引入领域专家。
除了在TDS上发表文章，您还撰写了《AI产品开发艺术：交付商业价值》一书。其中哪些最重要的心得改变了您自己构建AI产品的方法（尤其是那些让您感到惊讶或推翻了您原有信念的方面）？
撰写此书促使詹娜博士反思其所有的理论知识、实践经验和个人信念，并将它们结构化为可复用的框架。由于一本书需要保持多年的相关性，这也迫使她区分出哪些是基础原则，哪些仅仅是短暂的炒作。以下是她的一些重要心得：
-
首先，她学会了如何在技术中发现商业价值。通常，团队会在两个极端之间摇摆——要么为AI而追求AI，要么完全依赖用户驱动的发现。在前一种情况下，往往难以创造真正的价值。在后一种情况下，谁也不知道要等多久才能等到那个“完美”的AI问题出现。在实践中，最佳切入点介于两者之间：利用技术的独特优势，释放用户能够感知却不一定能清晰表达的价值。伟大的创新者，如史蒂夫·乔布斯和亨利·福特，便是例证，他们在客户提出需求之前就创造了全新的体验。但要成功做到这一点，需要技术专长、勇气以及对市场需求的直觉完美结合。
-
其次，她认识到用户体验对AI成功的价值。许多AI项目失败并非因为模型效果不佳，而是因为其内在智能未能清晰传达、解释或易于使用。一个AI产品的成功与否，取决于用户与产品功能交互的直观程度，以及他们对其输出结果的信任程度。在撰写过程中，她重读了《日常用品设计》等设计经典著作，并不断思考这些原则如何应用于AI。她认为，我们仍处于新UX时代的早期阶段。聊天界面固然是重要组成部分，但它绝非全部。她对生成式UX等新用户界面概念的发展充满期待。
-
第三，AI系统需通过反馈和改进循环不断演进，这个过程永无止境。因此，书中以旋转的苦行僧作比喻：持续旋转、精炼、不断学习。那些精通早期发布和持续迭代的团队，往往能比那些等待“完美”模型才行动的团队交付更多的价值。遗憾的是，她仍看到许多团队在交付第一个基线版本前耗时过长，而在迭代优化上投入不足。这些系统或许能进入生产环境，但很可能无法获得用户采纳，最终被束之高阁，成为又一次失败的AI尝试。
对于计划在下个季度推出AI功能的团队，您会推荐哪些习惯，以及他们应避免哪些关键陷阱，以确保专注于交付真正的商业价值而非盲目追逐炒作？
首先，正如前述，要精通迭代的艺术。尽早发布产品，但要负责任地进行——发布一个足够有用以赢得用户信任的版本，然后坚持不懈地改进它。每一次用户交互都会带来新的数据，每一条反馈都是新的训练信号。
其次，保持更广阔的视野。很容易将焦点局限于最新的大型语言模型或模型发布，但真正的创新往往来自于如何组合不同技术——包括检索、推理、分析、用户体验和领域逻辑。以模块化的方式设计系统，使其能够扩展，并持续监控可能改进系统的AI解决方案和发展（也可关注即将推出的AI雷达）。
第三，尽早并频繁地与真实用户进行测试。AI产品的生死取决于人类如何感知和使用它们。内部演示和合成测试无法取代实际用户带来的复杂、出人意料的输入和反馈。
您的长篇写作（书籍、深度探讨）避免炒作，并专注于为组织交付价值。您选择主题的方法是什么？撰写这些主题是否帮助您更好地理解它们？
写作一直是詹娜博士梳理思绪的方式。她通过写作学习、处理复杂概念并产生新想法。她倾向于凭直觉行事，撰写关于她真正相信并在实际组织中验证过行之有效的方法。
与此同时，她所在的公司也拥有一套独特的“秘诀”。多年来，公司开发了一套AI驱动的系统，用于监控新趋势和创新。公司将其提供给少数精选客户，涵盖航空航天和金融等行业，当然，也用于公司自身的需求。数据与直觉的这种结合帮助她发现那些当前重要且未来两三年仍具价值的主题。
例如，在2025年初，公司发布了一份关于企业AI趋势的报告，报告中的几乎每个主题在全年都得到了高度验证。因此，尽管她的写作直观且带有个人色彩，但也以证据为基础。
