随着 AI 技术的发展, 其定义也跟着发生变化 --AI 到底由哪些技术构成. 这里, AI 代指使用人工神经网络的深度学习技术.
具体来说, 报告分析了三类神经网络的应用和价值 --
. 前馈神经网络 (FFNN)
这是神经网络中最简单的一类. 在 FFNN 的结构里, 信息的流动是单向的, 无环的, 从输入层开始, 延伸到隐藏层, 最后到输出层.
第一个单神经元网络, 是 Frank Rosenblatt 在 1958 年提出的. 虽然, 方法听来有些老旧, 但计算能力, 训练算法以及可用数据的演变, 都让 FFNN 随着时间的推移变得更强大.
. 循环神经网络 (RNN)
神经元之间的连接是有环的, 适合处理序列化输入.
2016 年 11 月, 牛津大学发表的研究成果中提到, 有一种 RNN 读唇的准确率达到 95%, 远超人类的 52%.
. 卷积神经网络 (CNN)
层与层之间的连接方式受到了动物视觉皮层结构的启发, 那是动物大脑处理图像的地方, 适合执行感知任务.
另外, 本章节探讨了生成对抗网络 (GAN) 以及强化学习. 不过, 这两种技术并没有包含在 AI 的价值评估里面, 因为, 它们很年轻, 还没有成为广泛应用的技术.
这一环节, 也探讨了其他机器学习技术, 以及传统数据分析方法.
应用案例分析
在 19 个行业, 9 种业务功能的 400 个案例中, 可以看到的事情有很多 --
深度神经网络在哪些领域能够产生最大的价值; 与传统数据分析相比, 神经网络能够带来多少营收增长; 以及达到相应的目标, 对数据的数量 (volume) , 速度 (velocity) 以及多样性 (variety) 有怎样的需求.
报告使用的案例库虽然庞大, 但也并非应有尽有, 依然可能夸大或低估 AI 在某些领域的潜力.
以下是一些应用例子, 可以一窥 AI 的力量.
. 预测性维护 (predictive maintenance)
机器学习拥有检测异常的能力. 深度学习用来分析大量高维数据, 可以把现有预防性维护系统的性能提升到一个新的高度. 把许多传感器的数据层层叠起, 神经网络能够增强或者取代许多传统方法.
AI 可以预测故障, 让干预计划有了用武之地, 从而减少停机时间和运营成本, 提高产量.
比如, AI 可以通过整合飞机模型数据, 维护历史记录, IoT 传感器数据 (如用于故障检测的发动机数据) , 来延长货机的寿命.
. AI 驱动的物流优化
AI 可以通过实时预测和行为指导来降低物流成本. 算法能够优化配送路径, 从而提高能源利用效率, 减少配送时间.
欧洲一间货运公司, 利用传感器监测货车性能和驾驶员行为, 司机会收到实时指导, 何时加速或减速, 优化油耗并减少维护开销. 由此, 燃料成本降低了 15%.
. 客服管理和个性化服务
在呼叫中心, 语音识别和来电分流, 可以提升服务效率, 并为用户提供更加流畅的体验.
比如, 基于深度学习的音频分析系统, 可以估计当前用户的情绪状态, 并据此判断要不要切换到人工服务.
在销售和营销的其他方面, AI 也有所作为. 将用户个人信息和过往交易数据与社交媒体监测相结合, 便可以生成个性化产品推送.
在案例库 69% 的应用案例中, 深度神经网络都是用于替代传统分析方法, 提升系统表现. 有 16% 的案例, 神经网络的任务是传统方法无法完成的专属任务, 这些领域称为 green field. 余下 15% 的案例中, 神经网络带来的性能提升非常有限, 原因包括数据方面的局限性等等.
毕竟, 深度学习对数据的需求, 远远大于任何传统分析方法. 而如果要完全激发 AI 的潜力, 则需要多种多样的数据, 包括图像, 视频, 音频等.
估计 AI 的潜在价值
据估计, 报告探讨过的所有 AI 技术加在一起, 可能在 19 个行业的 9 种职能中, 产生每年 3.5-5.8 万亿美元的价值. 这在所有 (包括传统和 AI) 数据分析技术一年产生的价值中, 约占 40%.
报告中估计, 在每个行业的 2016 年营业额中, AI 的平均贡献约在 1-9%. 但在 19 个行业之间, AI 贡献的营业额百分比差异较大, 取决于具体应用案例, 获取大量复杂数据的能力, 以及规章制度等其他限制.
案例分析得到的结果是, AI 能够产生最大价值的领域, 既有顶线导向 (top-line-oriented) 的功能, 比如营销和销售, 也有底线导向 (bottom-line-oriented) 的功能, 如供应链管理和生产制造.
在零售和高科技等消费行业, AI 可能在营销和销售中拥有更大的潜力, 因为商家与用户之间频繁的, 数字化的互动会为 AI 技术提供庞大的数据集. 电子商务平台将会尤其受益, 点击数据与页面停留时间等用户信息都可以轻松获取, 并用于生成实时动态的产品推送.
以下又是一些例子.
. 在零售领域, 定价和促销可以成为 AI 的天地. 案例表示, 使以用户数据来定制个性化促销活动, 可以将实体零售商促销的增量销售额提升 1-2%.
. 在消费品的供应链中, AI 部署也能起到重要的作用. 基于潜在因果驱动因素 (而非先前结果) 的预测, 可以将预测准确度提升 10-20%, 从而带来 2-3% 的营业额增长.
. 在银行业, 特别是零售业务中, AI 依然可以在营销和销售中施展才能. 另外, 鉴于风险评估和管理的重要性, AI 在这一方面的产生价值可能会更大.
挑战在哪里
AI 正在吸引越来越多的企业投资, 但到目前为止, 拥有 AI 技术的公司里, 只有约 20% 将自己的技术应用于核心业务或者大规模使用.
如今, AI 技术的应用还面临着许多挑战 --
. 标注训练数据
这在监督学习中必不可少. 目前大多是手动标注, 但新的技术正在涌现, 比如强化学习和 in-stream supervision, 数据可以在自然使用过程中获得标注.
. 大量全面的数据获取
对许多行业案例来说, 获取大量数据非常困难, 比如用于预测治疗方案效果的临床数据.
. 解释输出结果
比如, 疾病诊断过程中, AI 可以利用患者信息来得出诊断结论, 但无法解释这一结论是如何一步步取得的.
. 学习的普遍性
AI 模型在将学习经验从一类情况向另外一类情况迁移时, 经常遇到困难. 这意味着, 企业需要投入大量资金训练新模型, 即便情况与之前的用例相似也很难避免.
这可能牵扯到一些社会性的问题. 比如, 训练数据无法代表一个更大的群体时, 人脸识别模型便可能在无意之间产生偏见.
或许, AI 是一个难以琢磨的商业案例, 许多因素都会减缓深度学习的行业落地.
来源: http://www.cioage.com/art/201804/571519.htm