人工智慧的進展

對於每家企業的公司來說，實施人工智慧變得越來越簡單，快捷和便宜，這是一種以數據為燃料的人工智慧技術，用於檢測模式和異常情況並進行預測。

儘管行業發現它的能力強大，但大多數公司還沒有利用這種變革性技術。正如「戰略家信號：人工智慧和五大進步向量」中所解釋的，德勤認為，五個關鍵領域的進展可以幫助克服採用障礙，並最終使人工智慧技術成為主流。

人工智慧的障礙

根據2017年對17個國家中3100家不同規模公司的高管進行的一項調查顯示，儘管公司認為人工智慧是「當今最強大，最通用的信息技術之一」，但其中只有不到10％的公司投資於人工智慧[i]。[ II]

德勤指出阻礙採用人工智慧的一些主要因素：合格從業人員的短缺[iii];不成熟和不斷發展的人工智慧工具和框架[iv];需要足夠數據集以用於人工智慧模型訓練相關的時間消耗和成本。[v]

新興技術的實施過於昂貴並不典型，但另一個阻礙人工智慧採用的問題是高管不願意部署一種他們無法理解或明確解釋的工具，儘管它的採用對其公司來說是有價值的。

五個領域的進展

德勤認為，採用的障礙正在開始下降，並確定了五個關鍵進度，這將有助於增加人工智慧的部署。前三項使人工智慧變得更容易，更便宜和/或更快實施—幫助提高現有領域的使用率，而後兩項將幫助將人工智慧應用擴展到新的領域。

Automatingdata science.自動化數據科學。數據科學是開發人工智慧解決方案的先決條件，可以部分或全部實現自動化，從而使數據科學家（需求量大但供應短缺）在其他地方具有生產力。與其原先需要花費數月時間來執行人工智慧概念證明相比，自動化數據科學可以將這種長度縮短到幾天。[vi]

Reducingneed for training data.減少對訓練數據的需求。為人工智慧所需的大量數據（可能是數百萬個元素）的獲取和標記已被證明是昂貴和耗時的，這使得可以減少所需數量的培訓數據的技術是無價的。一種這樣的技術涉及使用由演算法生成的合成數據來模模擬實數據[7]。德勤團隊測試了一種工具，該工具構建了一個僅需要20％典型數據量的精確模型，讓演算法自己製造了剩餘的80%。用一個數據集預先訓練人工智慧模型，這個數據集可用於學習類似領域的其他數據集（認為語言翻譯或圖像識別）被稱為轉移學習，並且是另一種可以減少訓練數據需求的技術。

Acceleratingtraining加速培訓。半導體和計算機製造商通過開發諸如圖形處理單元（GPU）之類的特殊處理器來加速計算並加快晶元內數據傳輸，大大縮短了訓練人工智慧模型所需的時間。隨著所需的培訓時間縮短，相關成本也會降低。採用這些專用晶元正在蔓延，而且隨著每個主要雲提供商都提供GPU雲計算，通過加速培訓提高生產力變得越來越有可能。

Explainingresults解釋結果。某些行業不能使用人工智慧模型，因為無法解釋模型如何做出決策。如果沒有支持預測結果的理由，在醫療診斷或金融交易領域通常不會接受這種模型。但是，用於在黑匣子內部看到的技術正在變得可用，並且隨著構建可解釋的人工智慧模型成為可能，受到高度監管的行業現在將能夠利用和使用人工智慧。

Deployinglocally本地部署。隨著將技術部署到新的領域成為可能，人工智慧的採用將會增長。硬體和軟體方面的最新進展使其可用於移動設備和智能感測器[viii]，顯著擴大了在智能家居，自動駕駛汽車，可穿戴技術和物聯網等領域的使用可能性。

[i] SAP，「數字化轉型執行研究」，2017。

[ii] David Schatsky，Craig Muraskin和Ragu Gurumurthy，「解密人工智慧」，德勤大學出版社，2014年11月4日。

[iii] Will Markow，Soumya Braganza，Steven Miller和Debbie Hughes，「量化危機：數據科學技能需求如何破壞就業市場」，IBM，Burning Glass和BHEF，2017。

[iv] Catherine Dong，「機器學習的發展」，TechCrunch，2017年8月8日。

[v] Alex Ratner，Stephen Bach，Paroma Varma和ChrisRé，「弱監督：機器學習的新編程範例」，斯坦福大學黎明，2017年7月16日。

[vi] Gregory Piatetsky，「自動化數據科學和數據挖掘」，KDnuggets，2016年3月。

[vii] Sergey Nikolenko，「Neuromation平台深度學習的新資源」，Neuromation.io，2017年10月9日。

[viii] David Schatsky，機器學習即將開展，德勤大學出版社，2016年4月1日。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！