亚历克斯·皮什金（Alex Pyshkin）是ATMO（Atmotech Inc.）的研发总监，该公司是一家开发智能空气质量跟踪器的公司。亚历克斯专门从事消费电子、IoT和移动设备，拥有15年以上的移动设备行业经验，包括在多元文化环境中为跨国公司提供的国际工作经验。
每个 AI 功能在演示中看起来都很出色。个性化问候很准确，推荐感觉很神奇，房间里的人都点头表示同意。麻烦开始于几周后，当同一个功能告诉真正的用户一些自信但错误的信息，他们再也不会相信它了。2026 年，AI 个性化是每个产品团队计划的首要项目。然而，42% 的公司在生产之前放弃了他们的大多数 AI 计划，比前一年增加了 17%。大多数上市的产品都是晚期添加的，并以可以预见的方式破裂。以下是我们一直看到的四个错误，来源于构建一系列感知设备，但没有一个是关于传感器或硬件本身的。如果您正在任何东西上添加个性化层，这些错误都在等着您。谈到空气质量感知，一个快速的例子可以使其具体化。放置在新家中的设备一开始对该家的基线、烹饪模式、通风怪癖或季节性花粉周期一无所知。前几周出现的每个模式都是一个投影，而不是一个肖像。投影和肖像之间的差距就是这四个错误所在。错误 1：在数据存在问题时选择更大的模型当个性化表现不佳时，直觉是升级模型，但这很少有帮助。个性化依赖于每个用户的数据，但这些数据很薄且充满了空白。新用户没有历史记录，每个团队都以艰难的方式重新发现冷启动问题。活跃的用户给您几天的读数，这些读数看起来不像稳定的模式。将其输入到一个有能力的模型中，您不会得到洞察力。您经常会得到自信的胡言乱语，因为模型悄悄地用其他人的平均值填补了空白，并将其呈现为您的自己的。数据供应链是真正的约束。根据 2025 年对美国、英国、德国、奥地利和瑞士 200 名首席营销官的调查，只有 45% 的组织收集的数据实际上可用于 AI 驱动的决策。一项 RAND 分析发现，许多 AI 项目失败是因为组织缺乏训练有效 AI 模型所需的数据，以及组织和工作流程中的差距，而不是模型质量。MIT 的“GenAI 分裂”报告将企业生成性...
