人工智能是近幾年的熱門話題，AI商業(yè)應(yīng)用也一直是各大企業(yè)的熱門關(guān)注。關(guān)于AI應(yīng)用，我們或多或少都聽(tīng)過(guò)關(guān)于它的一些“神話傳說(shuō)”，但是這些說(shuō)法的真實(shí)性可能存在問(wèn)題。

對(duì)任何新興技術(shù)都存在誤解，但在人工智能方面，誤解似乎特別明顯。也許這是因?yàn)槿斯ぶ悄軡撛谟绊懙姆秶呀?jīng)產(chǎn)生了一定的神話地位。

“AI通常被誤解，因?yàn)槲覀冃枰剿饕粋€(gè)巨大的宇宙，探索未知可能會(huì)讓人感到困惑和恐懼，” Very的工程副總裁Bill Brock說(shuō) 。

對(duì)于試圖在其組織中確定AI實(shí)際應(yīng)用程序規(guī)模的IT領(lǐng)導(dǎo)者來(lái)說(shuō)，這成為一個(gè)特殊問(wèn)題。

“雖然企業(yè)中的人工智能正變得越來(lái)越普遍，但對(duì)于其使用案例以及如何改進(jìn)或更新過(guò)去的系統(tǒng)仍存在相當(dāng)多的誤解，”布洛克說(shuō)?！半m然我們可以將關(guān)于機(jī)器人成為我們同事的概念浪漫化，但有必要了解這些不同類型的技術(shù)如何有助于增強(qiáng)我們的系統(tǒng)并創(chuàng)造更有效的環(huán)境?！?/p>

事實(shí)上，“浪漫化技術(shù)”是天空銷售推銷的主要內(nèi)容，而非戰(zhàn)略CIO通過(guò)人工智能實(shí)現(xiàn)的底線結(jié)果 。

并且實(shí)現(xiàn)了：哈佛商業(yè)評(píng)論分析服務(wù)的新報(bào)告“ 實(shí)際人工智能執(zhí)行指南”詳細(xì)介紹了技術(shù)高管如何在包括Adobe，7-Eleven，拜耳作物科學(xué)，凱撒娛樂(lè)在內(nèi)的公司中記錄人工智能獲勝，Capital One，Discover，Equifax和Raytheon。

此外，浪漫化的現(xiàn)實(shí)往往會(huì)產(chǎn)生妨礙可行目標(biāo)的各種神話和誤解。因此，我們請(qǐng)Brock和其他專家確定當(dāng)今企業(yè)中關(guān)于人工智能的常見(jiàn)神話，以幫助IT領(lǐng)導(dǎo)者和其他商業(yè)人士將事實(shí)與虛構(gòu)分開(kāi)。

8個(gè)AI神話

1. “人工智能和機(jī)器學(xué)習(xí)是一回事?！?/h3>

它們不是，并且理解兩者之間的差異對(duì)于各種原因至關(guān)重要，例如避免蛇油解決方案，以及建立人工智能計(jì)劃以取得切實(shí)成功。更科學(xué)的說(shuō),機(jī)器學(xué)習(xí)被認(rèn)為是AI的特定子學(xué)科。

“在許多對(duì)話中，我發(fā)現(xiàn)這些術(shù)語(yǔ)之間沒(méi)有什么區(qū)別，” SigOpt的研究科學(xué)家Michael McCourt說(shuō) 。

“這可能會(huì)有問(wèn)題。如果一個(gè)公司的權(quán)力人員認(rèn)為‘建立我的分類模型’等同于‘使用我們的數(shù)據(jù)來(lái)鞏固我們的決策過(guò)程’，那么適當(dāng)解釋模型的結(jié)構(gòu)和含義的重要步驟是必要的。”

未能認(rèn)識(shí)到這一神話將導(dǎo)致公司在人工智能團(tuán)隊(duì)中投資不足，或許還沒(méi)有足夠的人員在這些模型的開(kāi)發(fā)和解釋中涉及更強(qiáng)大的業(yè)務(wù)環(huán)境，這可能會(huì)讓AI團(tuán)隊(duì)失敗。

2. “人工智能和自動(dòng)化是一回事。”

人工智能和機(jī)器學(xué)習(xí)并不是引起困惑的唯一兩個(gè)術(shù)語(yǔ)。與機(jī)器學(xué)習(xí)類似，人工智能和自動(dòng)化往往會(huì)混淆，因?yàn)樗鼈冎g確實(shí)存在關(guān)系 – 這是一個(gè)重要的關(guān)系。

“隨著人們?cè)絹?lái)越熟悉人工智能，他們了解到人工智能是一種能夠思考的機(jī)器 – 或者至少根據(jù)一系列預(yù)先定義的模型和算法做出明智的決策 – 而自動(dòng)化只是在沒(méi)有人為干預(yù)的情況下完成任務(wù)， “布羅克說(shuō)。

“自動(dòng)化并不一定意味著AI，但人工智能最具影響力的一些用例會(huì)以戲劇性的方式增強(qiáng)自動(dòng)化。”

3. “更多的培訓(xùn)數(shù)據(jù)可以帶來(lái)更好的人工智能結(jié)果?！?/h3>

越來(lái)越常見(jiàn)（并且越來(lái)越成問(wèn)題）的誤解是人工智能成功的唯一真正先決條件是大量數(shù)據(jù)?，F(xiàn)在AI和機(jī)器學(xué)習(xí)團(tuán)隊(duì)的工作幾乎完全集中在策劃和清理數(shù)據(jù)上。

“重要的不是培訓(xùn)數(shù)據(jù)的數(shù)量，而是質(zhì)量，” LexisNexis Legal and Professional首席數(shù)據(jù)辦公室的Rick McFarland說(shuō) 。

“大量不良或不一致標(biāo)記的訓(xùn)練數(shù)據(jù)并不能讓您更接近準(zhǔn)確的結(jié)果。它們實(shí)際上可以通過(guò)創(chuàng)建“精確”結(jié)果來(lái)欺騙建模器，因?yàn)榉讲罟脚c樣本大小成反比。簡(jiǎn)而言之，你會(huì)得到精確的不準(zhǔn)確的結(jié)果。“

我們將在這里采取適度的措施并預(yù)測(cè)，簡(jiǎn)而言之，從早期AI故障中學(xué)到的最常見(jiàn)的經(jīng)驗(yàn)之一將是：我們只是在其上投入了大量數(shù)據(jù)并假設(shè)它可行。在早期階段，更大的未必更好。

“這不能說(shuō)得太多——質(zhì)量數(shù)據(jù)是有效算法不可或缺的一部分，”來(lái)自Very的Brock說(shuō)。

“人們經(jīng)常會(huì)誤認(rèn)為人工智能的能力以及如何為成功做好準(zhǔn)備。無(wú)論你想要解決什么問(wèn)題，不良數(shù)據(jù)都會(huì)產(chǎn)生糟糕的結(jié)果?！?/p>

Brock補(bǔ)充說(shuō)，人工智能和機(jī)器學(xué)習(xí)團(tuán)隊(duì)現(xiàn)在的工作幾乎完全集中在策劃和清理數(shù)據(jù)上。即使您還沒(méi)有達(dá)到這一點(diǎn)，也要始終優(yōu)先考慮質(zhì)量而不是數(shù)量。

“今天的最佳實(shí)踐專注于使用結(jié)構(gòu)化方法和偏差測(cè)試創(chuàng)建更好的訓(xùn)練數(shù)據(jù)集 ，”McFarland說(shuō)?！敖Y(jié)果是建模人員實(shí)際上可以使用以較低成本獲得的較小數(shù)據(jù)集?！?/p>

4. “人工智能將從部署的那一刻起傳遞價(jià)值?！?/h3>

這并不是說(shuō)“更多數(shù)據(jù)”本質(zhì)上是一件壞事; 事實(shí)上，隨著時(shí)間的推移它變得越來(lái)越必要。但時(shí)間是關(guān)鍵詞：你需要它來(lái)使數(shù)量和質(zhì)量同步。

一般來(lái)說(shuō)，沒(méi)有人會(huì)期望他們的人工智能計(jì)劃立即獲得投資回報(bào)率，但有時(shí)候這種技術(shù)的描述方式如下：只需打開(kāi)它，觀察魔術(shù)的發(fā)生。

“AI和ML引擎需要經(jīng)過(guò)培訓(xùn)，需要大量數(shù)據(jù)才能學(xué)習(xí)。一些數(shù)據(jù)可以播種”，NetEnrich首席技術(shù)官Javed Sikander說(shuō)。

“但是，大部分?jǐn)?shù)據(jù)來(lái)自部署的域，以及AI / ML系統(tǒng)集中學(xué)習(xí)的地方。因此，期望AI / ML系統(tǒng)從第1天開(kāi)始提出建議和見(jiàn)解是不合理的。需要建立流程，并且需要在各種環(huán)境中分配資源，以便逐步實(shí)現(xiàn)這種學(xué)習(xí)。只有那時(shí)才會(huì)發(fā)生魔力?！?/p>

5. “人工智能和機(jī)器學(xué)習(xí)基本上只是軟件開(kāi)發(fā)?！?/h3>

Algorithmia首席執(zhí)行官迭戈·奧本海默（Diego Oppenheimer）認(rèn)為，組織與其他任何軟件開(kāi)發(fā)的方式相同，都在接近AI和ML。

“AI / ML開(kāi)發(fā)只是軟件開(kāi)發(fā)的一個(gè)神話，”奧本海默說(shuō)?！笆聦?shí)上，大多數(shù)ML項(xiàng)目都失敗了，一個(gè)很大的原因是ML工作負(fù)載與傳統(tǒng)軟件的行為非常不同，需要一套不同的工具，基礎(chǔ)架構(gòu)和流程才能大規(guī)模部署和管理?！?/p>

奧本海默指出了以下問(wèn)題：

（1）異質(zhì)性

有一個(gè)龐大的，不斷增長(zhǎng)的語(yǔ)言和框架菜單可供瀏覽。奧本海默說(shuō)：“數(shù)據(jù)科學(xué)就是選擇，它會(huì)在變小之前變大?！?/p>

（2）可組合性

AI和ML通常涉及多個(gè)組件的同步管道，每個(gè)組件可能由不同的團(tuán)隊(duì)和不同的語(yǔ)言構(gòu)建。

Oppenheimer舉例說(shuō)明了一個(gè)系統(tǒng)，需要一個(gè)模型來(lái)選擇目標(biāo)圖像，另一個(gè)需要從這些圖像中提取文本，第三個(gè)是根據(jù)這些圖像進(jìn)行情感分析，第四個(gè)是根據(jù)該情緒推薦一個(gè)動(dòng)作。

Oppenheimer表示，雖然傳統(tǒng)的應(yīng)用程序開(kāi)發(fā)可能會(huì)像微服務(wù)這樣朝著這個(gè)方向發(fā)展，但與AI和ML的需求相比，它仍然是相對(duì)單一的。這需要對(duì)某些團(tuán)隊(duì)進(jìn)行調(diào)整。

（3）開(kāi)發(fā)過(guò)程

“在傳統(tǒng)的軟件開(kāi)發(fā)中，輸出是在受控環(huán)境中執(zhí)行的代碼，”O(jiān)ppenheimer說(shuō)。“在機(jī)器學(xué)習(xí)中，輸出是一個(gè)不斷發(fā)展的生態(tài)系統(tǒng)——通過(guò)代碼與實(shí)時(shí)數(shù)據(jù)的交互進(jìn)行推理。這需要一個(gè)非常不同的，更加迭代的循環(huán)。“

（4）硬件/基礎(chǔ)設(shè)施

“[它]仍在不斷發(fā)展：CPU，TPU，GPU，邊緣計(jì)算以及任何數(shù)量的新選擇 – 每個(gè)都有不同的優(yōu)勢(shì)和挑戰(zhàn)。

（5）性能指標(biāo)

“基于ML的性能指標(biāo)是多維的，并且對(duì)上下文非常敏感，”O(jiān)ppenheimer指出。這意味著沒(méi)有適用于每個(gè)人甚至許多人的標(biāo)準(zhǔn)指標(biāo)集。

“如果零售欺詐檢測(cè)模型在誤報(bào)方面出錯(cuò)，只要它能夠足夠快地返回結(jié)果，不會(huì)影響結(jié)賬流程，那么零售欺詐檢測(cè)模型的準(zhǔn)確度可能達(dá)到75％，”他表示。“法務(wù)會(huì)計(jì)師使用的欺詐檢測(cè)模型可能會(huì)以更高的準(zhǔn)確性交易業(yè)績(jī)?！?/p>

6. “人工智能只是另一種需要考慮的技術(shù)。”

有時(shí)，我們通過(guò)比較新舊來(lái)讓令人生畏的東西看起來(lái)更容易管理：就像在“我們以前來(lái)過(guò)這里 – 我們已經(jīng)有了這個(gè)?！?/p>

在這種情況下，這可能會(huì)導(dǎo)致IT團(tuán)隊(duì)將AI視為另一個(gè)技術(shù)采用周期。但事實(shí)并非如此，AllCloud的數(shù)據(jù)和人工智能副總裁Guy Ernest說(shuō) 。

“人工智能有可能更像人類的大腦或身體：你使用的越多，它變得越強(qiáng)大，越聰明。”

“大多數(shù)技術(shù)都很脆弱，”歐內(nèi)斯特說(shuō)?！澳闶褂盟鼈?cè)蕉啵鼈冏兊迷綇?fù)雜，就越容易破碎。人工智能有可能更像人腦或身體：你使用它越多，它變得越強(qiáng)大越聰明。”

7. “人工智能真的只適合科技公司?！?/h3>

不，AI不是每個(gè)業(yè)務(wù)問(wèn)題的解決方案——至少現(xiàn)在還沒(méi)有，SigOpt的McCourt指出。但他補(bǔ)充說(shuō)，那些認(rèn)為人工智能實(shí)際上只是技術(shù)行業(yè)范圍的企業(yè)面臨危險(xiǎn)的公司。

“最壞的情況是，一家公司可以選擇退出人工智能革命，如果目前的趨勢(shì)持續(xù)下去，可能會(huì)讓公司跟隨人群而不是領(lǐng)導(dǎo)它，”麥考特說(shuō)。

“這個(gè)神話開(kāi)始了，并且繼續(xù)滲透到商業(yè)世界，因?yàn)锳I的早期開(kāi)發(fā)者和采用者是技術(shù)最精明和最先進(jìn)的公司。但每天都會(huì)產(chǎn)生新的文獻(xiàn)和工具，這些文獻(xiàn)和工具可以擴(kuò)大公司的基礎(chǔ)，這些公司可以開(kāi)始制定人工智能決策?！?/p>

8. “AI取代了對(duì)人類智能的需求?！?/h3>

人工智能的神秘地位部分來(lái)自于看到人工智能超越人類智能的地方。但就在那時(shí)，“機(jī)器人霸主”的敘述開(kāi)始進(jìn)入高潮。

“機(jī)器可以像他們可以獲得的數(shù)據(jù)以及他們編程采取的行動(dòng)一樣聰明，”Sikander說(shuō)?！叭斯ぶ悄芎蜋C(jī)器學(xué)習(xí)可以幫助我們識(shí)別數(shù)據(jù)海洋中的模式，并自動(dòng)執(zhí)行所采取的操作，幾乎不需要人工干預(yù)。但是為構(gòu)建計(jì)算這些決策和行動(dòng)而構(gòu)建的算法和模型必須由人類提供?！?/p>

有一種相關(guān)的誤解，即人工智能學(xué)習(xí)“就像人類一樣。”今天的情況并非如此，LexisNexis Legal＆Professional首席數(shù)據(jù)官麥克法蘭說(shuō)。

“人類在學(xué)習(xí)或解決問(wèn)題方面具有內(nèi)在的優(yōu)勢(shì)——例如無(wú)聊，”麥克法蘭說(shuō)?！癆I模型永遠(yuǎn)不會(huì)感到無(wú)聊或看到他們的方式的愚蠢。他們從幾乎無(wú)限的可能性中尋求最佳答案。甚至將它深深地追逐到一個(gè)眾所周知的兔子洞——可能永遠(yuǎn)不會(huì)出來(lái)。相比之下，人類會(huì)厭倦追求無(wú)限的可能性，停止，重新考慮局面，并在不被告知的情況下追求不同的道路?！?/p>

 

作者：Kevin Casey；編譯：CDA數(shù)據(jù)分析師

本文由 @CDA數(shù)據(jù)分析師 翻譯發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自Unsplash，基于CC0協(xié)議