如何讓人工智慧項目儘可能獲得成功
關鍵詞： 人工智慧，TensorFlow、數據
德勤最新的一項調查顯示，對認知技術的激進採用者的調查發現，76%的人認為，他們將在未來3年內對其公司進行實質性的改造。自上世紀90年代末互聯網繁榮時期以來，人們對一項新技術的關注度可能並不高。這種可能性似乎會成為炒作的理由。人工智慧不僅僅是一項技術，而是一系列廣泛的工具，包括一些不同的演算法方法、豐富的新數據來源以及硬體的進步。今後，我們將看到新的計算架構，比如量子計算和神經形態晶元，推動能力更進一步。不過，願望與現實之間仍然存在很大的差距。Gartner估計，85%的大數據項目失敗。也有項目讓人尷尬，比如當道瓊斯公司報道谷歌斥資90億美元收購蘋果，而機器人因為此而下跌或微軟 Tay 聊天機器人在Twitter上變得暴躁。
那麼，您如何確保您的組織將從其人工智慧的努力中獲得更多的成功成果？
首先，你需要明確目標。人工智慧不存在於真空地帶，而是在你的商業模式、過程和文化的背景下。就像你不會僱用一名員工，而不了解他或她會如何融入你的組織，你需要清楚地思考一個人工智慧應用將如何推動實際的業務成果。
企業在經營業務中如何利用人工智慧
你要問的第一個問題是你試圖推動的是什麼商業成果，GoodDationCEO羅曼斯坦克告訴我。通常情況下，人工智慧項目首先要嘗試實施一種特殊的技術方法，而不令人意外的是，一線經理和員工沒有發現它有用，所以沒有真正的採用，也沒有ROI。雖然變化往往是由組織的高層驅動的，但執行總是由下到底層。所以，很重要的是要清晰地傳達一種使命感。如果一線經理和員工認為人工智慧會幫助他們更好地完成工作，他們將會更加熱情地參與其中，並且更有效地使項目取得成功。
Agorai.ai的CEOJoshSutton告訴我，那些能夠專註於商業成果的人，發現人工智慧是以幾個人所預料的速度推動見底的結果。他指出，最近麥肯錫的一項研究表明，認知工具的潛在經濟價值在3.5萬億至5.8萬億美元之間，只是可能影響的一個跡象。
其次，要慎重選擇自己自動化的任務。雖然很多人擔心認知技術會帶走人類的工作，但麻省理工學院的經濟學家大衛·Autor認為，首要的轉變是在日常工作和非常規工作之間。換句話說，人工智慧正在快速自動化常規認知過程，就像工業時代機器自動化的體力勞動一樣。
要明白這怎麼能管用，就去一家蘋果店吧。顯然，蘋果是一個完全懂得如何自動化流程的公司，但你在走進蘋果店時首先看到的是一些等待幫助你的員工。這是因為它選擇了自動化後台任務，而不是客戶交互。
然而，人工智慧可以大大擴展人類員工的有效性。例如，在奧巴馬政府的一份白宮報告中引用的一項研究發現，雖然機器在閱讀放射學圖像時的誤讀率為7.5%，但人類也有3.5%的錯誤率，當人類將其與機器的工作結合起來時，錯誤率下降到0.5%。
或許最重要的是，這種方法實際上能提高士氣。例如，一些工廠工人積極與他們編程的機器人合作做低級任務。在某些情況下，士兵與機器人建立了如此牢固的聯繫，他們在死亡時為他們舉行葬禮。
第三，明智地選擇你的數據。長期以來，更多的數據被認為比較好。公司會儘可能地挖掘出儘可能多的東西，然後將其反饋到複雜的演算法中，以創造出高精度的預測模型。然而，顯然，這並不是一個很好的方法。正如CathyOleeNeil在Math銷毀的武器中所解釋的那樣，我們常常不理解我們為系統提供的數據，數據偏差正在成為一個巨大的問題。一個相關的問題就是過度裝修的問題。可能聽起來讓人印象深刻的是，有一款能做到99%準確的車型，但如果不是穩健的變化條件，你可能會更好地選擇一個70%準確、更簡單的車型。
最後，隨著歐洲GDPR的實施以及類似立法將在其他地方獲得通過的可能性，數據也正成為一種負債，也是一種資產。因此，你應該思考你正在使用哪些數據來源，並創建人類能夠理解和驗證的模型。
最後，將人類轉移到價值較高的社會任務中。自動化的一個經常被忽略的事實是，一旦你自動化了一個任務，它就會在很大程度上被商品化，價值轉移到別的地方。所以，如果你僅僅是想用認知技術來代替人力勞動和削減成本，那麼你最可能是在錯誤的軌道上。
這一原理的一個令人驚訝的例子來自材料科學的高技術領域。一年前，我與《材料基因組倡議》的吉姆·沃倫談到了將機器學習演算法應用於材料研究的令人興奮的可能性。最近，他告訴我，這種方法越來越成為材料研究的重點。
那是一年來非同尋常的轉變。那麼，我們應該期待在失業辦公室看到大量的材料科學家嗎？幾乎沒有。事實上，由於研究的大量繁重工作正在外包給演算法，因此科學家自己能夠更有效地進行合作。正如美國能源存儲研究聯合中心主任喬治·克拉伯樹所說，在自動化材料研究方面的先驅把它放到了我身上，我們曾經在出版的速度上有所進步。現在我們推進下一個咖啡休息的速度。
而這正是理解如何有效實施認知技術的關鍵。機器人不是承擔我們的工作，而是接管任務。這意味著我們將越來越看到從認知技能到社交技能的轉變。看來，人工智慧的未來也都太人性化了。
成功的「人工智慧」技術實施案例
AXA法國安盛是全球大型保險公司，在「概念驗證POC」中使用機器學習來通過預測78%的準確度來預測「大損失」交通事故來優化定價。
理解用例
大約有7%-10%的AXA客戶每年都會發生車禍。其中大部分是涉及保險金的數百或數千美元的小事故，但大約1%是所謂的大損失案件，要求支付超過10000美元。正如您所期望的，AXA調整者了解哪些客戶在這種情況下面臨更高的風險，以便優化其策略的定價是很重要的。
為了實現這一目標，AXA在日本的研發團隊一直在研究使用機器學習來預測司機是否會在保險期間造成大的損失。最初，該小組一直專註於一種傳統的機器學習技術，稱為隨機森林。隨機森林是一種流行的演算法，使用多個決策樹（如可能的原因，為什麼司機會造成大的損失事故）的預測建模。雖然隨機森林對某些應用是有效的，但在AXA的情況下，其預測精度低於40%是不夠的。
比之下，在使用雲計算引擎學習引擎開發TensorFlow的實驗性深度學習（神經網路）模型之後，團隊在預測中達到了78%的準確度。這種改進可以使AXA在優化保險成本和定價方面具有顯著優勢，除了在銷售點建立新的保險服務（例如實時定價）的可能性之外。AXA仍處於早期階段，採用這種方法-構建神經網路，使它們透明和易於調試將得到進一步的發展-但這是一個偉大的示範承諾利用這些突破。
相比之下，在使用雲計算引擎學習引擎開發TensorFlow的實驗性深度學習（神經網路）模型之後，團隊在預測中達到了78%的準確度。除了在銷售點建立新的保險服務（例如實時定價）的可能性之外，這種改進可以使AXA在優化保險成本和定價方面具有顯著優勢。AXA仍處於早期階段，採用這種方法-構建神經網路，使它們透明和易於調試將得到進一步的發展-但這是一個利用這些突破性技術的偉大示範。
AI 的跨行業應用
MP4 視頻鏈接： https://pan.baidu.com/s/13JOgPTR0sNueWCPRR_N1wg
TAG:DAKOTASYSTEMS |