我们为您的 AI 系统提供设计、审查和实施服务——为您的应用选择正确的技术。
实施 AI 和专家系统很少是例行的工程工作。它通常是价值主张本身的核心，对产品、运营和管理它们的人员产生深远影响。我们首先确定哪种 AI 类真正适合您的应用——经典专家系统、现代深度学习、混合符号-神经网络架构，还是重点统计方法——当它是正确的选择时，我们准备推荐平淡的选择。
我们的合作通常从结构化的发现阶段开始：对业务目标的精确陈述，对您实际拥有的数据（而非您希望拥有的数据）的全面调查，以及对操作约束下模型可行性的坦率评估。从那里我们快速原型化，并与将使用输出的人员进行验证，然后才投入将系统投入生产所需的工程。
我们提供的每个解决方案都附带文档、监控和再训练计划，因此系统在移交后仍能持续提供价值，并能在上游数据、法规和业务重点不可避免的变化中生存下来。
AI 软件不再是实验性的——它们是运营基础设施。受益的组织是那些将其视为如此的组织，具备任何其他生产系统所需的工程纪律、治理和架构品味。
我们像优秀的团队构建任何其他关键任务系统一样构建 AI 软件：具有清晰的问题陈述、可辩护的架构、严格的测试工具以及发布后的计划。智能在于模型；价值在于围绕它的工程。
AI 软件，我们所使用的术语，指的是机器学习组件实质性地塑造行为或决策的系统——推荐引擎、视觉系统、预测器、分类器、专家系统、会话代理、决策支持工具和生成式 AI 工作流。有趣的工作很少在算法本身。它在于数据管道、编排、人工交接、故障模式，以及系统在其训练分布边缘的行为方式。
我们从第一天开始设计 AI 软件时考虑到三个受众：与它交互的用户、使其运行的操作员以及需要解释它的审计员。这些受众中的每一个都有合法需求，这些需求往往相互冲突，管理这些冲突是大部分设计工作。一个以牺牲可解释性为代价最大化准确性的模型并不总是正确的模型，一个在笔记本中表现出色但无法在生产中观测的系统根本就不是一个系统。
我们的范围通常包括：训练和评估管道；特征工程和特征存储；服务基础设施（批量、微批量和实时）；模型注册、血统和回滚；准确性、延迟、漂移和成本监控；用户界面和 API；以及治理审查所需的文档包。我们同等擅长在云端、本地或混合环境中工作。
每次合作都始于一个书面假设：系统将影响或自动化什么决策，错误会带来什么成本，以及相对于现状的改进将如何算作成功。如果没有这一点，项目就会倾向于最容易优化的指标，而不是最重要的指标。有了它，以后的每一个权衡都有了参考点。
然后，我们描述数据的特征——其出处、新鲜度、偏见和空白——然后再确定建模方法。令人惊讶的是，许多企业 AI 项目失败并非因为模型不好，而是因为训练数据未能反映生产实际。我们尤其重视数据理解，以最大限度地减少下游的意外，如果数据情况过于薄弱而不足以继续，我们乐意暂停项目。
建模本身是迭代的，并且严格以证据为导向。我们从强大而简单的基线开始：一个逻辑回归，一个梯度提升树，一个在适当情况下足够完善的启发式方法。只有当这些方法被明显超越时，我们才会考虑更深层的架构。在整个过程中，我们根据错误对业务成本的影响来评估指标，而不仅仅是学术惯例。
生产化被视为一项首要的工程交付物。模型被打包和版本控制，通过稳定的接口提供服务，并监控其漂移以及实际系统所需的运营信号（延迟、成本、错误率）。合作结束时的移交包括运行手册、仪表板、再训练计划以及未来维护人员需要了解的架构决策。
“模型很简单。生产化、可观测、可治理的模型才是交付物。”
AI 软件的质量是一个多维度的问题。预测准确性是最显著的维度，但负载下的可靠性、99百分位延迟、对分发漂移的鲁棒性、跨群体的公平性、个体决策的可解释性以及推理的运营成本都至关重要——有时甚至更重要。我们将这些都视为系统的可测量、可监控属性，而不是一种美好的愿望。
我们特别关注治理。大多数受监管行业现在都期望 AI 驱动的决策能够从输入追溯到输出，重要的模型更改在发布前经过审查，并且当系统出错时，人类能够有效地进行干预。我们将这些要求融入到架构中，而不是后期附加，因为后者很少能经受住审计。
安全和隐私同样是内置的。数据最小化、传输和静态数据加密、基于角色的特征和预测访问以及训练和提供环境的清晰分离都是默认设置。如果涉及个人数据，我们会与您的隐私和法律团队合作，确认合法依据并实施用例所需的控制措施——假名化、差分隐私、合成数据。
我们的 AI 软件实践涵盖制造业、零售和消费品、金融服务、电信、医疗保健、能源、物流、公共部门服务和专业服务。共同点不是行业而是问题形式：大规模、重复的决策，其中更好的信息将显著改善结果，并且数据是可用的——或者可以被利用——从而进行学习。
在制造业中，我们通常从事质量检测、预测性维护、产量优化和需求驱动调度。在零售业中，涉及分类、定价、需求和个性化。在金融服务中，涉及风险评分、欺诈检测、文档理解和运营自动化。在医疗保健中，涉及分诊支持、文档工作流、影像辅助和运营预测。在每种情况下，技术都是手段；目标是更安静、更可靠的业务。
我们同样乐意为现有项目中的一个工作流做出贡献，或端到端地全面负责交付。合作形式的重要性不及我们所追求结果的清晰度。
大多数合作从一个范围短而固定的发现阶段开始——通常是两到六周——它会产生一份书面可行性评估、推荐的架构、预估的成本和时间表，以及明确的开始/不开始建议。我们为此阶段收费，但承诺如果认为项目不值得进行，我们会如实告知。相当大一部分的发现恰好在此结束，这是模型的特点，而不是缺陷。
如果项目继续进行，我们将进入以短期、可演示的增量组织交付阶段。我们倾向于混合团队，我们的工程师与您的工程师共同工作；这可以防止知识集中，为您的团队提供可信的所有权路径，并往往能更早地发现集成现实。我们尽可能使用您的工具，在存在的情况下使用您的代码审查标准，并尽可能使用您的部署管道。
在项目启动后，我们提供轻量级的托管服务安排，涵盖监控、再训练和细微增强，并根据您的需求进行调整。许多客户更倾向于自行承担运营所有权；我们对这两种模式都感到满意，并设计系统以支持它们。
我们选择最简单的模型来超越基线——而不是最时髦的模型。
在负载下可靠运行的模型，内置可观测性。
使再训练成为例行而非项目的管道和仪表板。
审计跟踪、可解释性和偏见监控作为首要关注点。
目标、数据审计、成功指标。
快速、专注的价值验证在数周内完成。
为规模、安全性和可靠性进行工程设计。
监控、再训练和持续改进。
不需要。我们大多数的发现项目都从混乱、分散的数据开始。发现成果的一部分是针对数据工作和建模工作的现实计划。
是的——我们是供应商中立的，并经常在 AWS、Azure、GCP、本地和混合环境中使用您的团队已经操作的工具进行交付。
发现阶段是固定范围的固定价格。交付通常是基于时间和材料，并附有书面估算；对于明确定义的工作，我们乐意为特定里程碑固定价格。
当然。知识转移已融入我们的交付模型中，而且相当一部分客户在项目结束时会承担运营所有权。
Tell us your goals and we'll map the shortest path to value.
