随着持续的通货膨胀有可能使经济陷入衰退，许多公司采取了防御立场。虽然这并不意味着大数据分析和人工智能项目的结束，但这可能表明公司需要重新考虑他们的方法。

以下是大数据和人工智能团队在经济衰退期间可以适应的六种方式：

1.坚持不懈地关注客户满意度

研究表明，获得新客户的成本可能比留住现有客户的成本高出25倍，因此专注于现有客户而不是花钱寻找新客户是有意义的。根据贝恩公司的说法，将客户保留率提高5%可以将利润提高25%至95%。

（Iurii-Motov/Shutterstock）

如果您有数据仓库，您可能已经在跟踪客户满意度和相关指标，例如客户流失率和净发起人分数。有多种方法可以利用人工智能和高级分析来提高这些分数，从而提高客户满意度。

你可以找出你的客户不喜欢的东西，并修复它。或者另一方面，了解客户喜欢与您做生意，并找到扩展业务的方法。其他低调水果的领域包括产品推荐、更有针对性的营销活动以及更具分析能力的潜在客户生成等。

Near Intelligence表示，在经济衰退期间，消费者数据翻倍可能会带来红利，Near Intelligence最近发布了“全球消费者行为数据状况调查”。为Near进行调查的Hanover Research的首席研究官Steven Williams说：“如果没有源源不断的消费者行为最新数据，公司基本上就是盲目飞行。”

2.使用人工智能提高员工生产力

人力资源通常是公司预算中最大的成本，因此人工智能和分析的一个很好用是让每个员工都能完成更多的工作。

斯坦福大学和麻省理工学院最近发表了一项名为“工作中的生成人工智能”的研究，研究了聊天机器人和大型语言模型对呼叫中心工作人员的影响。Moveworks首席执行官兼联合创始人Bhavin Shah指出，他们的结论是，人工智能将工人生产率提高了13.8%，与过去两年的累计通胀率大致相同。

（Marko Aliaksandr/Shutterstock）

您将无法调整每个职位来利用人工智能。但是，有了一点创造力和尝试新事物的意愿，您将找到用人工智能能力增加现有员工队伍的方法。

新的研究表明，公司可能能够使用法学硕士来完全取代一些职位，包括数据分析师。阿里巴巴集团的研究部门DAMO Academy表示，GPT-4在业绩方面击败了入门级人类分析师，并表现出与高级分析师相当的表现。

根据《南华早报》（同样由阿里巴巴拥有）发表的一篇报道，实验表明，根据研究结果，GPT-4不仅比人类数据分析师便宜得多，而且完成任务的速度也快得多。

3.削减你的云支出

当你的预算收紧时，看看近年来增长最快的项目之一可能是有意义的。没错，我们说的是云支出。

（octocore/Shutterstock）

自疫情爆发以来，由于不再想托管物理数据中心的公司的健康需求，公共云平台已经大幅增长。2021年，分析公司Anodot发现，近三分之一的数据专业人士报告称，他们的每月云账单上涨了近50%，而其中五分之一的数据云账单翻了一番。Pepperdata最近的一项调查发现，57%的决策者有大量或意外的云支出。

没有人喜欢惊喜——至少是所有首席财务官——所以这种情况自然导致了帮助控制云支出的新工具。Capital One Software根据其从本地Teradata环境迁移到Snowflake的经验，开发了一套名为Slingshot的新工具。

您还可以通过在AWS上使用现货实例找到更便宜的计算。例如，存储提供商NetApp开展了一项业务，即帮助客户在AWS、Microsoft Azure和Google Cloud上采用这些现货实例，这可以节省90%以上的计算成本。

4.整合你的堆栈

当经济嗡嗡作响，货币便宜时，人们更愿意承担风险。无论是创始人还是使用初创公司的产品和服务，内部数据和人工智能项目也是如此，以及与初创公司一起冒险。

（optimarc/Shutterstock）

然而，当经济放缓时，对未经证实的公司或技术承担风险的意愿开始减弱。对于一些公司来说，这标志着削减技术支出，巩固你所拥有的，并为下一次推动而重新组合的好时机。

Alteryx高级副总裁兼Analytics Cloud（前身为Trifacta）总经理Adam Wilson建议：“在艰难的经济中，人们会回到为他们工作的事情上。”“许多科学实验被削减了，我认为这对许多初创企业产生了不成比例的影响。”

5.重新考虑对GPU的需求

您的数据科学家可能会关注一个闪闪发光的新Nvidia GPU。事实上，自疫情以来，很难获得各种高端处理器，包括GPU，这些处理器擅长机器学习工作负载和训练深度学习模型。

最近对LLM的兴趣激增，其中大部分是在Nvidia GPU上接受培训的，这被认为是加州圣克拉拉芯片公司的估值首次超过1万亿美元。唉，需求如此之大，您的数据科学家可能不得不学会不用它。

OctoML首席执行官、华盛顿大学计算机科学家Luis Ceze说：“每个人都希望Nvidia A100s运行他们的模型，但这些模型根本不够。”

虽然A100可能会以最快的速度训练您的新深度学习模型，但没有A100并不能破坏交易。有一些框架将深度学习运行时与底层硬件分开。Ceze帮助创建的Apache TVM就是一个例子。另一个是ONNX，由微软和Facebook牵头。

您不需要GPU来使用许多预训练的LLM；事实上，常规CPU可能足以运行推理。但也有一个更小、更容易训练语言模型的世界，人们不一定需要GPU来工作。

6.专注于培训和教育

应对疲软市场的一个历史悠久的传统是回到学校。对于高级人工智能工程师和数据科学家来说，这可能不是一个选择，但对年轻人来说，这可能是一个很好的举措。

在过去的十年里，大学一直在增加数据计划，以应对热需求。最新的是加州大学伯克利分校，它最近推出了半个世纪以来的第一所新学院：计算学院、数据科学和社会学院。

从数据科学返校搜索开始的好地方是学术数据科学联盟。在创始人兼执行董事Micaela Parker的领导下，这个非营利组织是Datanami 2023 Person to Watch，为学生和大学提供了出色的数据科学资源。