人工智能正在進(jìn)入更多的行業(yè)，越來(lái)越多的公司已經(jīng)體驗(yàn)到了實(shí)施人工智能的好處。盡管人工智能正在發(fā)展并越來(lái)越受歡迎，但許多企業(yè)仍然無(wú)法采用這種新技術(shù)改進(jìn)業(yè)務(wù)。這是為什么?

 

企業(yè)可能擔(dān)心人工智能實(shí)施的原因有很多。在2019年，O'Reilly公司出版了一本電子書，總結(jié)了對(duì)企業(yè)采用人工智能的調(diào)查結(jié)果，并列出了阻礙進(jìn)一步實(shí)施人工智能的一些最常見(jiàn)因素。

 

23%的受訪者表示，他們沒(méi)有進(jìn)一步采用人工智能的主要原因是他們的公司文化不認(rèn)可對(duì)人工智能的需求。其他原因包括缺乏數(shù)據(jù)和缺乏技術(shù)人員，以及難以確定適當(dāng)?shù)纳虡I(yè)案例等。

 

 

正如人們所見(jiàn)，一些常見(jiàn)問(wèn)題主要包括與人員、數(shù)據(jù)或業(yè)務(wù)一致性相關(guān)的問(wèn)題。雖然每家公司都不同，并且也會(huì)以不同的方式體驗(yàn)人工智能的采用過(guò)程，但也應(yīng)該注意一些障礙。在本文中，將介紹人工智能實(shí)現(xiàn)中最常見(jiàn)的一些挑戰(zhàn)，并嘗試建議如何做好應(yīng)對(duì)這些挑戰(zhàn)的準(zhǔn)備。

 

與數(shù)據(jù)相關(guān)的問(wèn)題可能是大多數(shù)企業(yè)所面臨的問(wèn)題。眾所周知，企業(yè)構(gòu)建的系統(tǒng)只能與它給出的數(shù)據(jù)一樣好。由于數(shù)據(jù)是人工智能解決方案的關(guān)鍵要素，因此在此過(guò)程中可能會(huì)出現(xiàn)許多問(wèn)題。

 

 

如上所述，人工智能系統(tǒng)的質(zhì)量在很大程度上依賴于輸入的數(shù)據(jù)。人工智能系統(tǒng)需要大量的訓(xùn)練數(shù)據(jù)集，以類似于人類的方式從可用信息中學(xué)習(xí)，但為了識(shí)別模式，它需要更多的數(shù)據(jù)。

 

在任務(wù)上做得更好，執(zhí)行任務(wù)的經(jīng)驗(yàn)越多，這是有道理的。不同的是，人工智能能夠以人類想像不到的速度分析數(shù)據(jù)，因此其學(xué)習(xí)速度很快。企業(yè)給它的數(shù)據(jù)越好，它將提供更好的結(jié)果。

 

那么企業(yè)怎么解決數(shù)據(jù)問(wèn)題?首先，需要知道已有的數(shù)據(jù)，并將其與模型所需的數(shù)據(jù)進(jìn)行比較。為此，企業(yè)需要知道其將要使用的模型，否則，將無(wú)法指定所需的數(shù)據(jù)。

 

列出企業(yè)擁有的數(shù)據(jù)的類型和類別問(wèn)題：數(shù)據(jù)是結(jié)構(gòu)化的還是非結(jié)構(gòu)化的?是否收集有關(guān)客戶人口統(tǒng)計(jì)數(shù)據(jù)，購(gòu)買歷史記錄，現(xiàn)場(chǎng)互動(dòng)等數(shù)據(jù)?當(dāng)企業(yè)知道其已經(jīng)擁有的東西時(shí)，會(huì)看到所缺少的東西。

 

缺少的部分可能是人工智能系統(tǒng)可以輕松訪問(wèn)的一些公開信息，或者企業(yè)可能必須從第三方購(gòu)買數(shù)據(jù)。某些類型的數(shù)據(jù)可能仍然難以獲得，例如臨床數(shù)據(jù)可以更準(zhǔn)確地預(yù)測(cè)治療結(jié)果。不幸的是，在這一點(diǎn)上，企業(yè)必須做好準(zhǔn)備，不是所有類型的數(shù)據(jù)都容易獲得。

 

在這種情況下，綜合數(shù)據(jù)得以拯救。綜合數(shù)據(jù)是基于實(shí)際數(shù)據(jù)或從頭開始人工創(chuàng)建的。當(dāng)沒(méi)有足夠的數(shù)據(jù)可用于訓(xùn)練模型時(shí)，可以使用它。獲取數(shù)據(jù)的另一種方法是使用開放數(shù)據(jù)作為數(shù)據(jù)集的補(bǔ)充，或使用谷歌數(shù)據(jù)集搜索獲取數(shù)據(jù)來(lái)訓(xùn)練模型。企業(yè)還可以使用RPA機(jī)器人來(lái)抓取公開可用的數(shù)據(jù)，例如維基百科網(wǎng)站上發(fā)布的信息。

 

當(dāng)企業(yè)知道自己擁有哪些數(shù)據(jù)以及需要哪些數(shù)據(jù)時(shí)，將能夠驗(yàn)證擴(kuò)展數(shù)據(jù)集的哪種方式最適合自己。

 

 

幾年前，大多數(shù)數(shù)據(jù)都是結(jié)構(gòu)化的或文本的格式。如今，隨著物聯(lián)網(wǎng)(IoT)的發(fā)展，大部分?jǐn)?shù)據(jù)都是由圖像和視頻組成的。這沒(méi)有什么不對(duì)，但問(wèn)題是許多利用機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的系統(tǒng)都是以監(jiān)督的方式進(jìn)行訓(xùn)練，所以他們需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)記。

 

事實(shí)上，人們每天產(chǎn)生大量數(shù)據(jù)的事實(shí)，已經(jīng)達(dá)到了沒(méi)有足夠人員來(lái)標(biāo)記正在創(chuàng)建的所有數(shù)據(jù)的程度。有些數(shù)據(jù)庫(kù)提供標(biāo)記數(shù)據(jù)，包括ImageNet，這是一個(gè)擁有1400多萬(wàn)張圖像的數(shù)據(jù)庫(kù)。所有這些都是由ImageNet人工注釋的。盡管在某些情況下其他地方可以獲得更合適的數(shù)據(jù)，但許多計(jì)算機(jī)視覺(jué)專家仍然只使用ImageNet，因?yàn)樗麄兊膱D像數(shù)據(jù)已被標(biāo)記。

 

企業(yè)可以采用一些數(shù)據(jù)標(biāo)注方法。可以在企業(yè)內(nèi)部或外包工作，也可以使用合成標(biāo)簽或數(shù)據(jù)編程。所有這些方法各有利弊。

 

 

對(duì)于許多“黑盒”模型，企業(yè)最終得出一個(gè)結(jié)論，例如預(yù)測(cè)但沒(méi)有解釋。如果人工智能系統(tǒng)提供的結(jié)論與企業(yè)已經(jīng)知道的結(jié)果重疊并認(rèn)為是正確的，那么就不會(huì)質(zhì)疑它。但是如果不認(rèn)同會(huì)發(fā)生什么?需要知道如何做出決定。在許多情況下，其決定本身是不夠的。醫(yī)生不能完全依賴系統(tǒng)提供的關(guān)于患者健康的建議。

 

LIME(本地可解釋的模型不可知解釋)等方法旨在提高模型的透明度。因此，如果人工智能判斷患者患有流感，它還會(huì)顯示導(dǎo)致此決定的數(shù)據(jù)：打噴嚏和頭痛，而沒(méi)有考慮患者的年齡或體重。

 

當(dāng)企業(yè)獲得決策背后的理由時(shí)，更容易評(píng)估人們可以信任模型的程度。

 

 

人們能夠利用從一個(gè)領(lǐng)域到另一個(gè)領(lǐng)域的經(jīng)驗(yàn)。這就是所謂的學(xué)習(xí)轉(zhuǎn)移，人類可以在一個(gè)環(huán)境中轉(zhuǎn)移學(xué)習(xí)到另一個(gè)類似的環(huán)境中。人工智能卻難以將其經(jīng)驗(yàn)從一種情況轉(zhuǎn)移到另一種情況。

 

一方面，人們知道人工智能是專業(yè)的，它意味著執(zhí)行嚴(yán)格指定的任務(wù)。它的目的只是回答一個(gè)問(wèn)題，為什么人們還希望它能回答另一個(gè)不同的問(wèn)題呢?

 

另一方面，人工智能在一項(xiàng)任務(wù)中獲得的“經(jīng)驗(yàn)”對(duì)另一項(xiàng)相關(guān)任務(wù)可能是有價(jià)值的。有沒(méi)有可能利用這種經(jīng)驗(yàn)而不是從頭開始開發(fā)新的模型?轉(zhuǎn)移學(xué)習(xí)是一種使之成為可能的方法——人工智能模型被訓(xùn)練來(lái)執(zhí)行某項(xiàng)任務(wù)，然后將該學(xué)習(xí)應(yīng)用到類似(但不同)的活動(dòng)中。這意味著為任務(wù)A開發(fā)的模型稍后將用作任務(wù)B的模型的起點(diǎn)。

 

 

偏見(jiàn)是許多人所擔(dān)心的事情：人工智能系統(tǒng)對(duì)女性或有色人種“有偏見(jiàn)”的故事不時(shí)成為頭條新聞。但這是怎么發(fā)生的呢?當(dāng)然，人工智能不能有惡意。

 

那么如果人工智能可能具有惡意呢?像這樣的假設(shè)也意味著人工智能有意識(shí)的并且可以做出自己的選擇，而實(shí)際上人工智能只能根據(jù)可用數(shù)據(jù)做出決策。它沒(méi)有意見(jiàn)，但它從別人的意見(jiàn)中學(xué)習(xí)。這就是偏見(jiàn)發(fā)生的地方。

 

偏差可能是由許多因素造成的，首先是收集數(shù)據(jù)的方式。如果數(shù)據(jù)是通過(guò)雜志上發(fā)表的一項(xiàng)調(diào)查收集的，人們必須意識(shí)到，其答案(數(shù)據(jù))只來(lái)自閱讀上述雜志的人群，這是一個(gè)有限的社會(huì)群體。在這種情況下，不能說(shuō)這個(gè)數(shù)據(jù)集代表了整體人群。

 

探測(cè)數(shù)據(jù)的方式是產(chǎn)生偏見(jiàn)的另一種方式：當(dāng)一群人使用某種系統(tǒng)時(shí)，他們可能擁有最喜歡的功能，而根本不使用(或很少使用)其他功能。在這種情況下，人工智能無(wú)法了解未使用的功能。

 

但是在偏見(jiàn)方面，人們還有另外一件事需要考慮：數(shù)據(jù)來(lái)自人類。人們?nèi)绻f(shuō)謊或者散布成見(jiàn)。這種情況發(fā)生在亞馬遜公司的招聘時(shí)，他們的人工智能招聘人員被證明具有性別偏見(jiàn)。由于技術(shù)部門的工作人員中男性占主導(dǎo)地位，人工智能系統(tǒng)了解到男性申請(qǐng)者是有利的，并對(duì)包含“女性”一詞的簡(jiǎn)歷進(jìn)行篩選。它還降低了女子學(xué)院畢業(yè)生的等級(jí)。人們可以在一些關(guān)于人工智能失敗的文章中了解關(guān)于這個(gè)案例的內(nèi)容。

 

 

人工智能并不是沒(méi)有錯(cuò)誤的。人類的偏見(jiàn)(或謊言)滲透到其算法中，有時(shí)結(jié)果是有偏見(jiàn)的。如上所述，數(shù)據(jù)集存在偏差的原因有很多。任何類似的問(wèn)題都可能導(dǎo)致人工智能產(chǎn)生不準(zhǔn)確的結(jié)果，例如預(yù)測(cè)。

 

“糟糕的推理”是人工智能錯(cuò)誤的另一個(gè)常見(jiàn)原因。隨著人工智能系統(tǒng)越來(lái)越先進(jìn)，人們也越來(lái)越難以理解網(wǎng)絡(luò)中的流程。因此，當(dāng)人工智能系統(tǒng)出錯(cuò)時(shí)，可能很難確定出問(wèn)題的確切位置。如果決定是自動(dòng)駕駛汽車急轉(zhuǎn)彎還是撞倒行人呢?幸運(yùn)的是，科學(xué)家為深度學(xué)習(xí)系統(tǒng)開發(fā)了白盒測(cè)試。它用大量的輸入來(lái)測(cè)試神經(jīng)網(wǎng)絡(luò)，并告訴它的響應(yīng)哪里是錯(cuò)誤的，這樣它們就可以被修正。

 

但是人工智能犯的錯(cuò)誤總是那么危險(xiǎn)嗎?當(dāng)然，不總是這樣。這完全取決于人工智能系統(tǒng)的使用。如果人工智能被用于網(wǎng)絡(luò)安全、軍事用途、駕駛車輛，那么更多的問(wèn)題就會(huì)更加危險(xiǎn)。如果人工智能系統(tǒng)選擇男性而不是同樣技術(shù)熟練的女性員工，這是一個(gè)道德問(wèn)題。但有時(shí)這些錯(cuò)誤只是愚蠢的——正如2015年《連線》雜志上的一篇文章所說(shuō)，他們描述的人工智能顯示了一個(gè)黑色和黃色條紋的圖像。人工智能卻判斷為是校車，但這是錯(cuò)誤的。

 

為了確保人工智能產(chǎn)生的錯(cuò)誤無(wú)關(guān)緊要，必須確保高質(zhì)量的輸入和適當(dāng)?shù)臏y(cè)試。

 

 

人工智能的實(shí)現(xiàn)需要企業(yè)管理層對(duì)當(dāng)前的人工智能技術(shù)、它們的可能性和局限性有更深入的了解。不幸的是，人們被一大堆關(guān)于人工智能的神話和誤解所包圍，從需要雇傭內(nèi)部數(shù)據(jù)科學(xué)團(tuán)隊(duì)(人們應(yīng)該知道，他們只為Facebook、亞馬遜、谷歌工作，以及如何工作)到科幻幻想中的機(jī)器人，以及機(jī)器人最終終結(jié)人類。

 

人工智能技術(shù)的缺乏阻礙了人工智能在許多領(lǐng)域的應(yīng)用。由于缺乏理解而導(dǎo)致的另一個(gè)常見(jiàn)錯(cuò)誤是努力實(shí)現(xiàn)不可能實(shí)現(xiàn)的目標(biāo)。

 

那么如何解決這個(gè)問(wèn)題?從教育開始。這可能聽(tīng)起來(lái)令人沮喪，但并不是說(shuō)技術(shù)人員必須成為一名數(shù)據(jù)科學(xué)家。只需瀏覽一下其行業(yè)，了解一些重要的參與者，看看他們部署了哪些用例，并了解人工智能的當(dāng)前可能性。技術(shù)人員可以自己解決，也可以請(qǐng)求專家?guī)椭Ｒ坏┱莆樟艘恍┲R(shí)，就可以更輕松地管理自己的期望，因?yàn)閷⒘私馊斯ぶ悄苣転槠髽I(yè)做些什么，不能做什么。

 

 

為了開發(fā)一個(gè)成功的人工智能解決方案，需要技術(shù)知識(shí)和業(yè)務(wù)理解。不幸的是，這往往是其中之一。首席執(zhí)行官和管理者缺乏采用人工智能所必需的技術(shù)知識(shí)，而許多數(shù)據(jù)科學(xué)家對(duì)他們開發(fā)的模型如何在現(xiàn)實(shí)生活中使用并不十分感興趣。

 

知道如何將這項(xiàng)技術(shù)應(yīng)用于某一特定業(yè)務(wù)問(wèn)題的人工智能專家數(shù)量非常有限。總的來(lái)說(shuō)，優(yōu)秀數(shù)據(jù)科學(xué)家的數(shù)量也是如此。

 

FAMGA(Facebook、蘋果、微軟、谷歌、亞馬遜)以外的公司正在努力吸引頂尖人才。即使他們?cè)噲D建立一支內(nèi)部團(tuán)隊(duì)，他們也不確定自己是否能找到合適的人才。如果缺乏技術(shù)知識(shí)，無(wú)法真正了解他們是否提供高質(zhì)量的解決方案。由于預(yù)算有限，中小型企業(yè)可能無(wú)法采用人工智能。但是，外包數(shù)據(jù)團(tuán)隊(duì)現(xiàn)在也是一種選擇。

 

 

正如O'Reilly公司在圖表中所示，企業(yè)文化不承認(rèn)人工智能的需求以及識(shí)別業(yè)務(wù)用例的困難是人工智能實(shí)施的最大障礙。識(shí)別人工智能業(yè)務(wù)案例需要管理人員深入了解人工智能技術(shù)、它們的可能性和局限性。缺乏人工智能技術(shù)可能會(huì)阻礙許多組織的采用。

 

但這里還有一個(gè)問(wèn)題。一些企業(yè)抱著過(guò)于樂(lè)觀的態(tài)度，沒(méi)有明確的戰(zhàn)略，進(jìn)入了人工智能的潮流。人工智能的實(shí)現(xiàn)需要一種戰(zhàn)略方法，設(shè)定目標(biāo)，確定關(guān)鍵績(jī)效指標(biāo)，跟蹤投資回報(bào)率。否則，企業(yè)將無(wú)法評(píng)估人工智能帶來(lái)的結(jié)果，并將其與企業(yè)的假設(shè)進(jìn)行比較，以衡量這項(xiàng)投資的成功(或失敗)。

 

 

正如招聘數(shù)據(jù)科學(xué)家的情況一樣，當(dāng)企業(yè)缺乏技術(shù)知識(shí)時(shí)，很容易被愚弄。人工智能是一個(gè)新興領(lǐng)域，它特別脆弱，因?yàn)楹芏嗥髽I(yè)夸大他們的經(jīng)驗(yàn)，而在現(xiàn)實(shí)中，他們可能不知道如何使用人工智能來(lái)解決實(shí)際的商業(yè)問(wèn)題。

 

這里的一個(gè)想法是使用像Clutch這樣的網(wǎng)站來(lái)識(shí)別人工智能開發(fā)中的領(lǐng)導(dǎo)者。看看正在考慮的企業(yè)在他們的投資組合中有什么好處。另一種方法是邁出一小步，例如與人們認(rèn)為具有前途的供應(yīng)商的研討會(huì)。通過(guò)這種方式，將了解他們是否了解業(yè)務(wù)，擁有合適的技能，以及是否解決問(wèn)題。

 

 

將人工智能集成到現(xiàn)有系統(tǒng)中是一個(gè)比在瀏覽器中添加插件更復(fù)雜的過(guò)程。必須設(shè)置滿足業(yè)務(wù)需求的接口和元素。有些規(guī)則是硬編碼的。人們需要考慮數(shù)據(jù)基礎(chǔ)設(shè)施需求、數(shù)據(jù)存儲(chǔ)、標(biāo)記，以及將數(shù)據(jù)輸入系統(tǒng)。

 

然后，進(jìn)行模型培訓(xùn)，測(cè)試開發(fā)的人工智能的有效性，創(chuàng)建一個(gè)反饋循環(huán)，根據(jù)人們的行為不斷改進(jìn)模型，并進(jìn)行數(shù)據(jù)采樣，以減少存儲(chǔ)的數(shù)據(jù)量，更快地運(yùn)行模型，同時(shí)仍能產(chǎn)生準(zhǔn)確的結(jié)果。怎么知道它有效?怎么知道具有價(jià)值?

 

為了克服可能的集成挑戰(zhàn)，企業(yè)必須與供應(yīng)商共同努力，以確保每個(gè)人都清楚地了解流程。它還要求供應(yīng)商擁有更廣泛的專業(yè)知識(shí)，而不僅限于建立模型。當(dāng)人工智能以戰(zhàn)略方式實(shí)施并逐步實(shí)施時(shí)，可以減輕失敗的風(fēng)險(xiǎn)。

 

在企業(yè)成功地將人工智能集成到其系統(tǒng)中之后，仍然需要訓(xùn)練人們使用這個(gè)模型。他們?nèi)绾谓邮苣Ｐ彤a(chǎn)生的結(jié)果?他們?nèi)绾谓忉尳Y(jié)果?企業(yè)的供應(yīng)商應(yīng)該建議每天使用其模型，并建議如何進(jìn)一步發(fā)展人工智能。

 

 

一些文章描述了企業(yè)實(shí)施人工智能之前需要考慮的一些法律問(wèn)題。法律規(guī)章跟不上技術(shù)的進(jìn)步，將會(huì)出現(xiàn)問(wèn)題。如果人工智能造成損害怎么辦?如果由于人工智能的原因，某些東西被損壞或有人受傷，誰(shuí)將對(duì)此承擔(dān)責(zé)任?訂購(gòu)方還是開發(fā)人工智能的公司?

 

目前沒(méi)有規(guī)則明確說(shuō)明在這種情況下必須采取的措施。另一個(gè)問(wèn)題是采用GDPR法規(guī)，數(shù)據(jù)已成為必須謹(jǐn)慎處理的商品，這可能是數(shù)據(jù)收集方面的挑戰(zhàn)：可以收集哪些數(shù)據(jù)以及以何種方式收集數(shù)據(jù)?如何以符合GDPR法規(guī)的方式處理大數(shù)據(jù)?

 

敏感數(shù)據(jù)也存在明顯不敏感的問(wèn)題。雖然它可能不會(huì)構(gòu)成法律問(wèn)題，但它仍然是一個(gè)可能會(huì)傷害企業(yè)的問(wèn)題。一般而言，任何泄漏威脅到企業(yè)的地位或其形象的信息都應(yīng)被視為敏感信息。

 

想象一下，當(dāng)企業(yè)員工培訓(xùn)和課程數(shù)據(jù)泄漏時(shí)，就會(huì)出現(xiàn)這種情況。這些信息可能被誤解并傳播，將會(huì)損害企業(yè)的業(yè)務(wù)。

 

 

人們必須記住，自己無(wú)法處理所有問(wèn)題。首先要做的是熟悉人工智能——這樣，就更容易理解這個(gè)過(guò)程。然后，當(dāng)企業(yè)創(chuàng)建人工智能策略時(shí)，就必須認(rèn)識(shí)到需要注意的問(wèn)題。

 

通過(guò)戰(zhàn)略性和循序漸進(jìn)的方法，企業(yè)將能夠更順利地完成人工智能實(shí)施過(guò)程。沒(méi)有錯(cuò)誤是否可以實(shí)現(xiàn)?沒(méi)有什么是百分之百完美的，但企業(yè)需要為今后可能發(fā)生的問(wèn)題做好準(zhǔn)備。