充足的浪漫機器人：讓我們消除八個關(guān)于在商業(yè)世界中應(yīng)用AI的常見錯誤觀念

作者 | Kevin Casey

編譯 | CDA數(shù)據(jù)分析師

AI in the enterprise: 8 myths, debunked

對任何新興技術(shù)都存在誤解，但在人工智能方面，誤解似乎特別明顯。也許這是因為人工智能潛在影響的范圍已經(jīng)產(chǎn)生了一定的神話地位。

“AI通常被誤解，因為我們需要探索一個巨大的宇宙，探索未知可能會讓人感到困惑和恐懼，” Very的工程副總裁Bill Brock說 。

對于試圖在其組織中確定AI實際應(yīng)用程序規(guī)模的IT領(lǐng)導者來說，這成為一個特殊問題。

“雖然企業(yè)中的人工智能正變得越來越普遍，但對于其使用案例以及如何改進或更新過去的系統(tǒng)仍存在相當多的誤解，”布洛克說?！半m然我們可以將關(guān)于機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)如何有助于增強我們的系統(tǒng)并創(chuàng)造更有效的環(huán)境?！?/span>

事實上，“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通過人工智能實現(xiàn)的底線結(jié)果 。

并且實現(xiàn)了：哈佛商業(yè)評論分析服務(wù)的新報告“ 實際人工智能執(zhí)行指南”詳細介紹了技術(shù)高管如何在包括Adobe，7-Eleven，拜耳作物科學，凱撒娛樂在內(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)實往往會產(chǎn)生妨礙可行目標的各種神話和誤解。因此，我們請Brock和其他專家確定當今企業(yè)中關(guān)于人工智能的常見神話，以幫助IT領(lǐng)導者和其他商業(yè)人士將事實與虛構(gòu)分開。

8個AI神話

1.“人工智能和機器學習是一回事。”

它們不是，并且理解兩者之間的差異對于各種原因至關(guān)重要，例如避免蛇油解決方案，以及建立人工智能計劃以取得切實成功。更科學的說,機器學習被認為是AI的特定子學科。

“在許多對話中，我發(fā)現(xiàn)這些術(shù)語之間沒有什么區(qū)別，” SigOpt的研究科學家Michael McCourt說 。“這可能會有問題。如果一個公司的權(quán)力人員認為“建立我的分類模型”等同于“使用我們的數(shù)據(jù)來鞏固我們的決策過程”，那么適當解釋模型的結(jié)構(gòu)和含義的重要步驟是必要的。未能認識到這一神話將導致公司在人工智能團隊中投資不足，或許還沒有足夠的人員在這些模型的開發(fā)和解釋中涉及更強大的業(yè)務(wù)環(huán)境，這可能會讓AI團隊失敗

2.“人工智能和自動化是一回事。”

人工智能和機器學習并不是引起困惑的唯一兩個術(shù)語。與機器學習類似，人工智能和自動化往往會混淆，因為它們之間確實存在關(guān)系 - 這是一個重要的關(guān)系。

“隨著人們越來越熟悉人工智能，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 - 而自動化只是在沒有人為干預(yù)的情況下完成任務(wù)， “布羅克說?！白詣踊⒉灰欢ㄒ馕吨鳤I，但人工智能最具影響力的一些用例會以戲劇性的方式增強自動化?！?/span>

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

越來越常見（并且越來越成問題）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)。

現(xiàn)在AI和機器學習團隊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 ?！按罅坎涣蓟虿灰恢聵擞浀挠柧殧?shù)據(jù)并不能讓您更接近準確的結(jié)果。它們實際上可以通過創(chuàng)建“精確”結(jié)果來欺騙建模器，因為方差公式與樣本大小成反比。簡而言之，你會得到精確的不準確的結(jié)果?！?/span>

我們將在這里采取適度的措施并預(yù)測，簡而言之，從早期AI故障中學到的最常見的經(jīng)驗之一將是：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。

“這不能說得太多 - 質(zhì)量數(shù)據(jù)是有效算法不可或缺的一部分，”來自Very的Brock說?！叭藗兘?jīng)常會誤認為人工智能的能力以及如何為成功做好準備。無論你想要解決什么問題，不良數(shù)據(jù)都會產(chǎn)生糟糕的結(jié)果。“

Brock補充說，人工智能和機器學習團隊現(xiàn)在的工作幾乎完全集中在策劃和清理數(shù)據(jù)上。即使您還沒有達到這一點，也要始終優(yōu)先考慮質(zhì)量而不是數(shù)量。

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

4.“人工智能將從部署的那一刻起傳遞價值?！?/span>

這并不是說“更多數(shù)據(jù)”本質(zhì)上是一件壞事; 事實上，隨著時間的推移它變得越來越必要。但時間是關(guān)鍵詞：你需要它來使數(shù)量和質(zhì)量同步。一般來說，沒有人會期望他們的人工智能計劃立即獲得投資回報率，但有時候這種技術(shù)的描述方式如下：只需打開它，觀察魔術(shù)的發(fā)生。

“AI和ML引擎需要經(jīng)過培訓，需要大量數(shù)據(jù)才能學習。一些數(shù)據(jù)可以播種，“ NetEnrich首席技術(shù)官Javed Sikander說 ?！暗?，大部分數(shù)據(jù)來自部署的域，以及AI / ML系統(tǒng)集中學習的地方。因此，期望AI / ML系統(tǒng)從第1天開始提出建議和見解是不合理的。需要建立流程，并且需要在各種環(huán)境中分配資源，以便逐步實現(xiàn)這種學習。只有那時才會發(fā)生魔力?！?/span>

5.“人工智能和機器學習基本上只是軟件開發(fā)。”

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

“AI / ML開發(fā)只是軟件開發(fā)的一個神話，”奧本海默說。“事實上，大多數(shù)ML項目都失敗了，一個很大的原因是ML工作負載與傳統(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?！?/span>

奧本海默指出了以下問題：

?異質(zhì)性：有一個龐大的，不斷增長的語言和框架菜單可供瀏覽。奧本海默說：“數(shù)據(jù)科學就是選擇，它會在變小之前變大?！?/span>

?可組合性： AI和ML通常涉及多個組件的同步管道，每個組件可能由不同的團隊和不同的語言構(gòu)建。Oppenheimer舉例說明了一個系統(tǒng)，需要一個模型來選擇目標圖像，另一個需要從這些圖像中提取文本，第三個是根據(jù)這些圖像進行情感分析，第四個是根據(jù)該情緒推薦一個動作。Oppenheimer表示，雖然傳統(tǒng)的應(yīng)用程序開發(fā)可能會像微服務(wù)這樣朝著這個方向發(fā)展，但與AI和ML的需求相比，它仍然是相對單一的。這需要對某些團隊進行調(diào)整。

?開發(fā)過程： “在傳統(tǒng)的軟件開發(fā)中，輸出是在受控環(huán)境中執(zhí)行的代碼，”O(jiān)ppenheimer說。“在機器學習中，輸出是一個不斷發(fā)展的生態(tài)系統(tǒng) - 通過代碼與實時數(shù)據(jù)的交互進行推理。這需要一個非常不同的，更加迭代的循環(huán)?！?/span>

?硬件/基礎(chǔ)設(shè)施： “[它]仍在不斷發(fā)展：CPU，TPU，GPU，邊緣計算以及任何數(shù)量的新選擇 - 每個都有不同的優(yōu)勢和挑戰(zhàn)。

?性能指標： “基于ML的性能指標是多維的，并且對上下文非常敏感，”O(jiān)ppenheimer指出。這意味著沒有適用于每個人甚至許多人的標準指標集?！叭绻闶燮墼p檢測模型在誤報方面出錯，只要它能夠足夠快地返回結(jié)果，不會影響結(jié)賬流程，那么零售欺詐檢測模型的準確度可能達到75％，”他表示?！胺▌?wù)會計師使用的欺詐檢測模型可能會以更高的準確性交易業(yè)績。”

6.“人工智能只是另一種需要考慮的技術(shù)?！?/span> 有時，我們通過比較新舊來讓令人生畏的東西看起來更容易管理：就像在“我們以前來過這里 - 我們已經(jīng)有了這個?！?/span>

在這種情況下，這可能會導致IT團隊將AI視為另一個技術(shù)采用周期。但事實并非如此，AllCloud的數(shù)據(jù)和人工智能副總裁Guy Ernest說 。

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

“大多數(shù)技術(shù)都很脆弱，”歐內(nèi)斯特說?！澳闶褂盟鼈冊蕉?，它們變得越復雜，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，它變得越強大越聰明?！?/span>

7.“人工智能真的只適合科技公司。”

不，AI不是每個業(yè)務(wù)問題的解決方案 - 至少現(xiàn)在還沒有，SigOpt的McCourt指出。但他補充說，那些認為人工智能實際上只是技術(shù)行業(yè)范圍的企業(yè)面臨危險的公司。

“最壞的情況是，一家公司可以選擇退出人工智能革命，如果目前的趨勢持續(xù)下去，可能會讓公司跟隨人群而不是領(lǐng)導它，”麥考特說?！斑@個神話開始了，并且繼續(xù)滲透到商業(yè)世界，因為AI的早期開發(fā)者和采用者是技術(shù)最精明和最先進的公司。但每天都會產(chǎn)生新的文獻和工具，這些文獻和工具可以擴大公司的基礎(chǔ)，這些公司可以開始制定人工智能決策。“

8.“AI取代了對人類智能的需求。”

人工智能的神秘地位部分來自于看到人工智能超越人類智能的地方。但就在那時，“機器人霸主”的敘述開始進入高潮。

“機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一樣聰明，”Sikander說。“人工智能和機器學習可以幫助我們識別數(shù)據(jù)海洋中的模式，并自動執(zhí)行所采取的操作，幾乎不需要人工干預(yù)。但是為構(gòu)建計算這些決策和行動而構(gòu)建的算法和模型必須由人類提供?！?/span>

有一種相關(guān)的誤解，即人工智能學習“就像人類一樣?！苯裉斓那闆r并非如此，LexisNexis Legal＆Professional首席數(shù)據(jù)官麥克法蘭說。

“人類在學習或解決問題方面具有內(nèi)在的優(yōu)勢 - 例如無聊，”麥克法蘭說?！癆I模型永遠不會感到無聊或看到他們的方式的愚蠢。他們從幾乎無限的可能性中尋求最佳答案。甚至將它深深地追逐到一個眾所周知的兔子洞 - 可能永遠不會出來。相比之下，人類會厭倦追求無限的可能性，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。“