译者 | 王强
策划 | Tina
我们从亚马逊备受争议的，人工智能辅助的生鲜店铺中汲取了很多敏捷软件开发方面的教训——尤其是与人工智能开发相关的经验。
我住在伦敦西部，而不是旧金山，所以我从未指望过有什么人工智能创新是自己能最先体验的。但第一家亚马逊生鲜（Amazon Fresh）店铺是 2021 年在伊灵（伦敦西郊）开业。有一天深夜我过去的时候，那里几乎没有顾客。有不少工作人员在上货和闲逛，但收银台却没有人——当然，这是因为压根儿没有收银台。进去的时候，你必须通过一个应用来确认你是亚马逊的客户，之后你在店里会被全程追踪，你买的东西会自动注册到你的亚马逊账户上，然后你就可以“直接走出去”了。当时的情况是有大量的隐藏摄像头在监视顾客——大约一千个——而且我们知道记录我们购物习惯的流程背后就是人工智能的力量。这家被许多更大、更受欢迎的超市包围的商店于去年夏天关闭。
当科技界听说亚马逊在今年四月初完全放弃这项技术时，他们有些失望。一些研究传感器的同事对如此大的一家公司放弃自己的技术目标感到有些惊讶，而且一直有传言称他们仍未找到用人工智能技术为公司盈利做出重大贡献的方法。
备受尊敬的科技评论家 James Bridle 在不久前的《卫报》文章中报道了社会层面的问题——具体来说是利用人工智能的噱头来掩盖低薪雇佣的事实。他报道说，亚马逊生鲜大约 70% 的销售额是由位于印度的 1000 人远程团队“审核”的。显然，亚马逊将转向使用智能购物车，但这和一开始的“直接走出去”的口号就完全背道而驰了。这也证明了亚马逊尚未决定离开实体零售业；也就是说没有发生根本性的方向变化，可能就是这个项目自己出了问题。
更快失败和其他软件教训
从软件开发人员的角度来看，这个来自地球上最富有的企业之一的项目是如何失败的呢？显然，它也不是 快速失败 的。如果当初他们决定在部署之前就放弃这个想法，那就只会留下一些经验之谈。但项目公开面市后再失败就会影响股价了。
问题可能出在项目的 里程碑 太少，或者有些里程碑被削减了。这可能导致一些规模较小的分阶段更新被省略掉，从而导致收集到的数据不足以发现即将到来的瓶颈。在测试时，我们需要谨慎对待环境的变化，否则结果可能更难解释。例如，如果客户激增的同时盗窃企图也增多，那么把这些问题切割开来解决就会困难许多。
问题也可能是团队希望生成式人工智能能够成为一种银弹。虽然研究和测试工作应该都可以提高特定任务的效率，但我们也许需要在某个领域取得 指数级突破 才行。即使人工智能技术突飞猛进，行业也仍然需要一个稳定的工作岗位来起步。亚马逊规模足够大，可以慢慢等待技术革新然后迅速应用突破性的成果，但这需要向利益相关者小心地解释好才行。外部因素可能会轻易打乱这个方案。
通过使用后端的人工团队来审查决策，从而减少技术层面的需求理论上来说是一个好主意，但如果这样的做法不公开，那么它显然会产生政治影响。这是高层和产品经理都需要考虑的一个重大问题——也就是隐藏信息会对公司产生负面影响的风险。在短期内使用“机械土耳其人”，并随着时间的推移减少对他们的需求，直到达到计划的阈值，这听起来像是一个明智的策略——但这样的策略需要透明度和谦逊的态度。提前声明亚马逊生鲜有人工团队的支持肯定是明智的做法。我们知道，自动驾驶汽车计划的试点项目必须有一位随时准备接管方向盘的司机待命。无论人工智能驾驶技术发展得多好，这种情况仍将存在。
还有其他方法可以减轻人工智能的认知负担，例如可以改变商店布局来为传感器提供便利。商店的货架显然是基于已知的最佳堆叠标准设计的，但这也让窃贼很容易偷东西。在开发这项技术时，换成销售效率没那么高的货架布局可能会有些帮助。
问题还可能出在项目实施时，敏捷方法所需的反馈元素根本就不可用。与习惯了传统实体店的员工共事可能会大大削弱反馈循环或改变期望。无法通过反馈来改进的项目显然是有问题的。
何时发布和部署产品必须是一个商业决策，但它不应该是什么“发射后不管”的事情——尤其是对于新产品来说更是如此。开发团队（而不仅仅是“运营”部分）必须参与其中，因为他们可以发现在实时环境中，开发时所做的假设在哪里不再可靠。他们还可以在新的状况中提出一些之前遗漏的想法。
人工智能和敏捷
我们知道人工智能仍然无法完全理解交流中的背景、细微差别和微妙的暗示。如果看一下 Yann LeCun 对目标驱动型 AI 系统的定义，亚马逊生鲜所做的事情看起来也符合这一定义：努力实现有限的目标、通过传感器学习以及对视频数据进行训练。但想要同时完成所有事情可能太过雄心壮志了。跟踪顾客的出入情况和跟踪他们的购物情况这两件事，可能最好在更长的一段时期内作为两个单独的问题来分别处理。
这是否意味着零售业将不再使用人工智能技术了呢？恰恰相反。零售业中已经有了关于货架补货（英国的 Morrisons）和应对收银台盗窃（美国的 Target）的项目。这些项目证明，实体零售业也能设计、开发和部署基于人工智能技术的成功项目。由于公众已经领略过了 ChatGPT 的神奇，因此对其能力的信任度可能还是存在的。
总而言之，机器学习没有什么独特的问题（除了在一开始，带有“AI”关键词的随便什么项目都可能会忽悠到领导团队）。相反，我们显然需要将人工智能视为一种工具，就像其他工具一样，以敏捷的方式来推进项目。我们要逐渐扩大试验规模，并观察新问题出现的情况。如果一些基本假设是错误的，那就快速失败。在升级之前，先缩减规模并修复重大问题。
但我确信另一家公司正忙着继续亚马逊未竟的事业。
原文链接：
https://thenewstack.io/applying-agile-techniques-to-ai-lessons-from-amazon-fresh/
声明：本文为 InfoQ 翻译，未经许可禁止转载。
