在最近举办的AICon大会上，亚马逊云科技全球生成式AI产品营销总监曹志斌探讨了生成式AI自身存在的问题和已有的行业实践。他提到的诸多应用案例让更多人认识到了生成式AI的价值，对于也想要利用生成式AI的企业，他也提出了有建设性的建议。
亚马逊云科技全球生成式AI产品营销总监 曹志斌
基础模型自身存在局限性
很多报告中都提到，生成式AI会对营销这件事产生很深的影响。比如，大规模生成创意内容、优化营销和投放策略、提升推荐系统的个性化和相关性等。在带来营销生产力提升的同时，也有人会担心丢掉自己的工作。
但在曹志斌看来，针对营销运营场景，基础模型自身存在一定的局限性。
以营销场景中经常要写文章这件事为例来看。首先，由于模型对业务诉求缺乏清晰理解，需要人工提供指导来告知模型具体的业务需求。而且，文章中经常需要传递的新内容、新服务、新产品等信息，这些内容生成式AI无法自行生成，必须依赖人类提供原始内容。
随后，当生成式AI产出内容后，很快会发现这些内容并不完美，还需要后续通过提示工程逐步引导，仍然需要人工参与。最后，当审视一篇文章的时候，由于文章的好坏本身没有统一的标准，AI无法自行判断，所以，仍旧需要人类来定义。
曹志斌表示，生成式AI基础模型与真实应用场景之间的差距还是非常大的，当用户希望生成式AI直接给出简单的答案时，往往会行不通。
比如，当用户希望被告知购买汽车保险需要花多少钱时？会发现，模型还需要知道用户的家庭背景、工作环境、是否有孩子等，还需要知道用户所在的国家和城市的相关信息。这说明AI的使用者只有提供详细的信息和引导，才能使生成式AI系统更好地理解和处理实际需求。
生成式AI应用正在实际场景中快速落地
在曹志斌看来，2023年业内普遍还在对生成式AI进行PoC验证，2024年，企业用户开始在实际场景中应用生成式AI。当提到生成式AI的价值时，他将其总结为提升客户体验、提高生产效率、提供更多洞察力和推动创新力四个方面。
在线旅行预订平台Booking.com 利用亚马逊云科技的Amazon Bedrock以及其他生成式 AI 技术，通过分析过往旅客的数据和信息，来推荐合适的酒店、航班和景点，为客户提供个性化的旅行计划。
LexisNexis 是全球知名的法律信息服务公司，它使用亚马逊云科技的Amazon Bedrock以及Anthropic模型技术来高效分类整理、归档和查找大量法律文案，这大幅提高了处理速度，使律师能够更快速地检索信息，提升了工作效率。
美国著名税务软件公司 Intuit 推出了 Intuit Assist 工具，利用亚马逊云科技的生成式 AI技术 提供个性化的财务建议。该工具分析用户财务数据，提供优化建议和理财规划，帮助用户更好地管理财务，提高用户体验。
路透社（Thomas Reuters）通过亚马逊云科技的Amazon Bedrock技术整合和分析大量新闻和数据来源，提供更新、更深入的见解。这使新闻报道更加及时和准确，推动了媒体行业的创新和变革。
这些案例表明，生成式AI技术在全球范围内的企业中快速落地，显著提升了客户体验和业务效率。除了帮别人使用生成式AI服务，亚马逊自己也在用生成式AI技术。
比如，在Amazon.com的评价体系中，利用生成式AI分析和汇总客户评价，帮助消费者更好地了解产品的优缺点。亚马逊还构建了一个叫Rufus的“购物专家”，利用生成式AI为客户提供购物建议和产品推荐，提高购物体验。
此外，还有一个叫Amazon Pharmacy的新服务，通过生成式AI处理处方信息，加快处方处理速度并减少错误。Amazon Music也推出了Metrics功能，生成式AI根据用户的心情和描述推荐播放列表。
这些应用展示了生成式AI在改善用户体验方面的巨大潜力，越来越多的企业正在将通用的生成式AI转变为更了解其业务和用户需求的定制化AI。对于更多对于生成式AI跃跃欲试的企业来说，要如何开启生成式AI之旅呢？
生成式AI战略的战略建议
对此，曹志斌介绍了生成式AI应用落地要注意的三大关键策略。首先，明确业务场景的适用性，选择合适的模型和技术；其次，设定全面的数据战略，让AI更好地理解和利用企业数据；最后，重视实现的方式和工具，以提高效率。
第一大策略：明确业务场景的适用性。
曹志斌强调，亚马逊云科技认为，“不会有一个生成式 AI 基础模型能适用所有业务场景”。所以，企业在应用生成式AI时，必须明确业务场景的适用性，需要根据具体需求选择合适的模型和技术。
在确定业务场景时，企业需要考虑团队和知识储备、预算、项目可行性、资源投入和投资回报率、数据支持、风险和时间要求等多个维度。针对不同的业务场景，不同规模和能力的模型有着不同的适用性，企业应根据具体需求进行选择。
第二大策略：设定全面的数据战略。
曹志斌指出，数据是生成式AI应用的核心，企业必须设定全面的数据战略，确保生成式AI能够充分利用企业数据，理解业务场景并有效完成任务。而且，由于生成式AI可以利用各种数据，所以，需要对数据做多维度的考量。
比如，一个电商平台的数据包括搜索记录、客户评论、购物车内容和推荐系统数据，这些信息对于生成式AI的应用都会至关重要。亚马逊云科技提供了一系列数据存储和分析等服务，帮助企业管理和利用这些数据。
第三大策略：重视实现方法和工具。
这里主要强调了工具和方法的重要性。曹志斌提到，好的工具可以简化模型的调用和管理，加速开发和落地过程。亚马逊云科技提供了三层技术架构：基础架构层、工具层和开箱即用服务层，支持模型调优、应用开发和业务用户的需求。
例如，Amazon SageMaker提供了模型调优和部署的大规模能力，Amazon Bedrock支持不同模型的选择和定制，而Amazon Q则是为企业和开发者提供的虚拟助理，帮助更好地分析和理解企业数据。
结束语
尽管生成式AI技术本身仍有一些问题，但一些尝试和探索着实展现出了诱人的前景。对于那些想要开启生成式AI之旅的企业，也应该意识到明确业务场景、设定数据战略、重视实现方法和工具的重要性。
未来，随着生成式AI技术的不断发展和落地，我们可以预见它将在更多领域发挥重要作用，助力企业实现创新和增长。
