佳能如何通过AI委员会加速生成AI应用 | TechTarget

特征概述

根据佳能美洲分公司数字应用负责人Michael Lebron介绍，这家数字影像公司创建了一个多学科AI委员会来加速生成式AI（GenAI）的应用。该公司成功的关键在于水平与垂直双轨战略——通过教育在全体员工中普及AI知识，并为客户服务、销售和财务等特定垂直领域定制使用案例。Lebron的经验还强调了在投入技术部署之前先从教育入手的重要性——这对旨在推动企业范围内GenAI应用的CIO们是一个重要经验。

在接下来的访谈中，Lebron分享了佳能AI委员会如何促进跨团队协作、管理数据隐私和合规性，以及克服大规模运营GenAI所面临挑战的见解。

访谈内容

佳能的跨职能AI委员会是什么？

Michael Lebron：这是一个由业务部门组成的多组织委员会，包括法律、财务、市场和服务部门——因此我们拥有佳能美洲所有业务部门的代表。它在企业IT部门的技术人员与业务部门之间建立了双向沟通渠道。

该委员会专注于动员组织并普及对GenAI的理解。我们讨论合规性、可能性艺术，甚至在个人层面分享想法。我们每月开会，并设有专注于GenAI子主题的分委员会。

该委员会旨在解决哪些主要问题？

Lebron：主要目标是加速我们的GenAI应用步伐。委员会帮助我们创建了沟通渠道，并垂直和水平地推广该技术。

水平方面，我们正在培训普通员工了解GenAI的风险，并授权他们有效使用它。然而，我们也将战略分解到垂直领域本身。例如，客户服务和销售有不同的需求。因此，我们寻求实施的技术和方法也非常不同。

在垂直方面，我们正在进入高风险领域，例如信息安全。我们正在更深入地了解网络犯罪分子如何利用GenAI可能操纵和渗透我们的防御。

哪些GenAI使用案例在内部最有价值？

Lebron：大多数人关注技术本身，但我们的学习和发展努力产生了最大影响。教育可以帮助克服个人使用AI的恐惧。

我们从基础GenAI教育开始，包括其应用和潜在风险。然而，我们已经将教育扩展到包括提示工程。这就是水平战略——普及GenAI的知识和使用，并促进其大规模使用。这包括用于日常私人生产力的典型聊天界面，例如Microsoft Copilot或带有Gemini的Google Workspace。

在垂直方面，我们看到面向客户的应用程序在服务和支持领域带来最大价值。例如，我们开始部署聊天界面以增强呼叫转移并提高客户满意度。

您是否设计了任何框架来管理数据隐私合规性，同时仍允许创新蓬勃发展？

Lebron：我们制定了一项政策，平衡企业安全与鼓励探索。我们允许所有员工使用GenAI工具，前提是他们已经通过了合规性和信息安全批准流程。一个单独的委员会审查所有新的GenAI技术。

话虽如此，我们不想扼杀我们认为公开可用的GenAI工具的使用，例如ChatGPT和Claude。我们的政策中有一项规定允许使用这些工具。然而，除了参加某些学习和发展课程外，还需要管理层的批准。教育是我们战略的核心。

您如何构建团队以最好地将GenAI努力与业务战略对齐？

Lebron：这回到了垂直和水平方法。垂直方面，我们按业务职能进行，包括商务、销售自动化和财务。每个职能都将有不同的项目和计划。

我们还有水平应用程序。例如，我们正在研究数据质量，并使用GenAI识别不一致之处。我们还在考虑使用代理帮助我们持续提高数据质量。这些是水平应用程序，因为它们跨越组织，无论数据本身如何。

您采取了哪些步骤来提升员工技能？

Lebron：我们有一个广泛的学习和发展计划。首先，我们从一个内联网站点开始，在那里发布调查以收集最终用户的信息。我们还用它发布关于我们工作场所GenAI政策的信息——这是一个持续的活动。

其次，我们向最终用户提供定期培训，通常以在线培训的形式进行。例如，可能是关于提示工程的一般培训。然而，我们也为垂直领域的人员提供定制培训，例如财务或支持。

最后，最大的成功是我们所谓的“AI Unplugged”。每两周，我们的一位AI专家主持一个一小时的会议。每两周有400到500人参加。有时，我们邀请外部演讲者，其他时候，我们只讨论使用案例。

我们从内联网调查中获取反馈，这些回应可以成为AI Unplugged的主题。它几乎就像一个节目。我参加了多次，有时我发言。有时我只是在后台，因为我们有聊天运行，我在回答问题。有时我们会请第三方，其他时候，它是炉边聊天。

在大规模运营GenAI时，您面临的最大挑战是什么？

Lebron：最大的挑战是缺乏专注。我负责美洲所有面向客户的系统，而GenAI并不像我希望的那样受到关注。

其次，我们的数据是一个挑战。例如，我们在商务网站上为销售推出GenAI聊天功能时，它返回了最疯狂的响应。我们可能绕圈子绕了四周，认为也许我们需要调整大语言模型（LLM）。然而，当我们真正开始深入挖掘时，我们意识到是我们的数据质量问题。

我们还没有准备好，最终撤回了该功能，因为它在佳能网站上推荐了一款索尼产品。我们有一个与索尼接口的产品，由于我们的数据结构方式，AI产生了幻觉。因此，数据的结构与数据本身同样重要。

作为回应，我们启动了一个数据质量项目，识别了我们数据中的大量问题，这些问题是幻觉的根本原因。我们目前正在清理这些数据。

关于从实验转向企业范围应用，您学到的最重要的经验是什么？

Lebron：最大的经验是回到专注。组织不能只说GenAI应用很重要——如果他们想快速扩展，就需要提供专用资源。快速扩展需要专注，当它是次要或第三优先级时，你真的无法快速扩展。

另一个关键见解是，水平、全公司范围的教育应该先于垂直部署。我们应该从建立对GenAI是什么以及如何在组织内应用的基本理解开始。在查看特定使用案例或技术之前，通过教育解决这一知识差距是关键的第一步。

相反，发生的情况是我们从追逐特定技术和LLM开始部署，过于关注工具本身。这是一个错误。我们首先采取了垂直方法——问“我可以在哪里采用这个？”——而不是水平地关注广泛的教育。