获得更好的结果

在上一课中，我们讨论了数据隐私和安全——您绝对需要保护什么以及如何保护。那么现在，让我们来谈谈这个可能一开始就阻止您将AI用于数据分析的问题：我如何才能信任这些结果？

今天的课程是关于委托审慎循环（delegation diligence loop），具体来说，就是通过系统性地将AI与您已经了解的数据进行对照测试，来建立对AI在您特定工作中分析能力的信心。通过这样做，您可以更好地理解AI将如何支持您的具体情况。

这个过程从委托开始。它的运作方式如下。首先，确定一项您经常进行、并希望委托给AI的具体分析任务。找到您已经完成分析的过往数据，然后与AI合作重现您所做的工作，评估哪些有效、哪些无效。完善您的方法并再次测试。如果AI能够匹配您已知的结果，那么您就知道如何使用它，并可以在未来类似的任务中信任它。如果不能，您就了解到这项任务是不应该委托的。

那么让我向您展示这在实践中是什么样子，然后我们再谈谈如果您一开始对数据不那么精通该怎么办。

认识一下Rio，Valley Veterans Services的项目主管。每个季度，他都会分析项目出勤情况与就业结果，计算参与率，追踪月度变化，并确定出勤情况是否与就业安置成功相关。这项分析一直要花费他数小时的时间。

在考虑委托时，Rio知道他想继续使用这项分析的结果来改进他的项目。他想自己解读结果，但他希望摆脱通常在实际分析中遇到的数据清理和公式混乱的麻烦。因此，为了测试AI在这种情况下是否合适，他将使用上一季度的数据来评估它。他清楚地知道在没有AI的情况下分析这些数据后得出了什么结果，并且他手头有开始分析之前的原始杂乱数据。这就是他的测试案例。

Rio上传数据并开始与AI合作，使用描述和判断力来进行他的分析。只是每次AI做出回应时，Rio都会将结果与他所知道的事实进行核对，并记下AI推理中可能存在的差距。有时额外的描述有助于AI得出他想要的结果。在这些情况下，Rio知道他必须在未来的数据分析任务中包含这类信息。而在其他时候，Rio可能会发现真正的能力差距。这就是委托审慎循环的实际运作。Rio对模型能力的审慎评估可以改变他未来选择委托给AI的内容。

他的第一次尝试可能是这样的："我正在分享我们上个季度就业培训项目的出勤数据和就业结果数据。请分析这三个月的参与模式，并绘制出勤水平与就业成功之间的相关性图表。我特别想了解持续出勤是否能预测更好的就业安置结果。"

AI给出了一份摘要回应。但Rio并没有假设这就是事实，而是将其与自己的记录进行核对，并记下哪些是好的、哪些不是。AI正确识别出了项目出勤与就业安置之间的相关性，但它遗漏了一个关于住房援助与就业安置相结合项目的关键洞察。于是Rio完善了他的描述，要求AI再试一次，但要特别注意项目类型。这一次AI发现了自己的错误。于是Rio记下，在未来的季度中，他需要特别要求AI在进行分析时考虑项目类型。

然后他做了一件更难的事情："您能否也根据参与者的入学时间来分析一下？"AI做出了回应，Rio观察到，尽管不知道入学数据，AI也能帮助提取它。他记下笔记，以便稍后交叉核对这些结果。

通过这个过程，Rio系统性地验证了AI在他的季度报告中能做什么、不能做什么。他了解到，在正确的描述下，AI可以准确地重现他过去手动进行的分析。但他也发现了明确的局限性和需要跟进的领域。AI需要数据中的入学日期才能进行队列分析；否则它会尝试推断这些日期，而这是他不希望的。最重要的是，Rio现在有了一个经过测试的方法，可以自信地用于本季度的数据，并清楚地记录了他需要包含哪些信息，以及他自己仍需要添加哪些背景信息。

当Rio将这种经过验证的方法用于新数据时，他的审慎态度仍在继续。他会根据自己对项目的了解来检查数字是否合理。他会对最终报告负责，并且如果被问及，他会坦诚说明AI所起的作用。但现在他是基于经过验证的信心在工作，而不是靠猜测。

那么这就是这个框架。确定一项您想要委托的具体分析任务。明确您需要什么。然后找到您已经完成该分析的过往数据。您需要正确的答案，才能评估AI是否能够得出这些答案。与AI合作重现您过去的分析，并系统性地评估结果。AI产出了什么？它是如何处理这项任务的？它是如何传达发现的？找出差距，完善您的委托方式，然后再次测试。如果您能够验证AI能产出正确的结果，那么您就建立了一种可以自信地用于新数据的方法。但如果经过几次完善后仍无法做到，那么您就了解到这不是一项应该委托的任务。

那么这一切都很好，但如果您一开始对数据不太熟悉，无法自己发现这些流程上的差距怎么办？AI也可以成为一个有用的工具，帮助您集思广益并实施您自己可能没有想到的解决方案。因为AI模型在编程方面特别擅长，它们可以帮助完成诸如编写Excel公式、重新格式化杂乱数据等工作。在这些情况下，您可以直接向AI提出您的问题或想法，并专门请求帮助理解解决方案可能是什么样子，就像您与团队中的数据分析师合作一样。在与AI合作时，只需不断要求澄清和解释，以便您能够跟上这个过程并理解最终的输出。

请记住，验证能建立信心，但并不能消除责任。您仍然要对检查这些结果是否合理负责，并对AI在您分析过程中所起的作用保持透明。

这种测试方法适用于您正在考虑的任何分析任务：捐赠者分析、预算预测、调查综合、成果追踪。先测试，验证哪些有效，然后更有信心地应用，或者了解到哪些根本不应该委托。

在下一课中，我们将探讨工作流程增强，以及当AI代表您处理日常任务时，如何应用这些相同的原则。