每个 IT 问题都有学习曲线和临界点, 以及顿悟时刻 - 即当解决方案出现时. 在人工智能项目中, 我也经历过同样的事情; 例如我意识到 AI 与传统软件编程的逻辑有多么不同时. 随后我形成 AI 思维模式, 让我可以真正开始使用 AI.
随着 AI 成为各行各业的标准, 你的企业也需要这样做.
AI 有时被称为 "软件 2.0", 因为它的编程方式完全不同. 我们必须让计算机自己学习, 而不是告诉计算机做什么. 为了使其 "更加智能", 我们必须为其提供更多更好的培训数据. 然后通过检测数据集的模式, AI 可以 "编程自己".
基于此, 我们有时很难知道 AI 真正学到了什么. 有些情况下, AI 被训练为检测绵羊, 而实际上学会了检测草, 或者 AI 被训练为通过面部来检测罪犯, 而实际上只是微笑检测器. 当然, 这些都是极端的例子, 但是, 那些不太容易出错的情况其实更糟糕, 因为它们将我们的种族或性别偏见带入 AI 的决策算法, 而这更难被发现.
因此, 正确训练人工智能非常重要. 以下是有关如何开始使用 AI 的三条建议.
对于人工智能能为你的企业做什么以及不能做什么, 设置合理的期望
在开启 AI 之旅前, 首先需要设置合理的期望, 对于 AI 可以为你的企业做什么.
不幸的是, 媒体和厂商围绕人工智能的炒作使企业得很难设置合理的期望. 例如, 对于 AI 灾难的警告, 例如, AI 比人类更加智能, 会导致误导的期望, 而当未实现预期时, 会导致整个项目失败.
大多数项目都会根据人类在相同情况下的表现来衡量人工智能的准确性. 例如, 神经网络检测癌症的准确率高达 94%, 超越人体放射科医师. 当然, 医疗行业特别敏感并且需要超精确的人工智能, 这种案例并不适用于很多其他行业. 例如, 视频推荐引擎有 80% 的准确率已经很不错, 其他项目可能只需要准确率为 30% 至 40% 即可.
人工智能驱动的数字体验平台 Bloomreach 的首席技术官 Xun Wang 表示:"即使 AI 只提供 2% 的提升或只有 30% 的准确率, 可能已经足够好. 这里问题不在于它是否足够好; 而是如何在更大的系统中利用 AI 技术或组件来实现某种增量提升."
因此, 衡量标准不是人工智能的准确率百分比, 而是人工智能对你的业务有多大帮助. 你不应该期望 AI 完全取代你的员工, 真正的衡量标准应该是它如何增强他们的工作, 使他们的工作更容易, 提高他们的准确性并节省他们的时间.
发现企业数据中的价值
要开始使用 AI, 你需要数据 - 质量数据. 在 AI 中对良好数据 (以及大量良好数据) 的需求似乎显而易见, 因为这是一种需要数据的技术. 但令我惊讶的是, 通常会遗漏数据收集步骤.
我认为这是因为 IT 专业人员还没有 AI 思维模式. 要培养 AI 思维模式, CIO 需要研究他们的业务流程, 发现他们收集 (或需要收集) 的数据, 并找到相应地通过 AI 优化或改进业务的方法.
这些数据可能位于你的 CRM, 网站分析日志或支持服务单中. 通过 AI 思维模式, 你将开始以不同的方式思考这些数据. 重要的不是数据的内容, 而是你可以从中提取的模式和特性.
对于 "数据", 我们并不仅仅意味着人口统计或上网行为. AI 非常愚蠢, 因为它不知道它自己的作用, 但它在检测我们无法想到的模式方面却又非常聪明. 虽然 AI 缺乏人类理解, 但它的计算速度可以弥补这一点. 例如, 在自然语言理解领域, 研究人员已经为 AI 提供了数十亿字节的文本. 他们的目的是让 AI 找到单词之间的相似性和关系 - 例如,"女人" 和 "男人" 之间的关系, 与 "女王" 和 "国王" 之间的关系结构相似. 7 月初, 科学家利用这种机制研究了大量科学文摘, 以发现以前被忽视的化合物.
当你开始使用 AI, 你会看到每个 "数据湖" 都可作为 AI 优化机会: 你拥有构建块数据; 添加 AI 使你可以探索数据以挖掘其潜力. 例如, 我们可以开发支持系统, 在客户或用户向运营商报告问题前, 根据他们正在编写的内容, 而不仅仅是触发器关键字, 向客户或用户推荐解决方案. 或者通过情绪分析, 检测客户问题的严重性, 并相应地将高级员工分配到更紧急的案例中.
当然, 在某些情况下, 你会发现需要 AI, 但你没有必要的数据. 在这些情况下, 你可以开始在内部收集数据, 也可以从第三方来源获取或购买必要的数据, 以便更快地开始使用.
从简单算法开始并保持在正确的轨道
当你开始使用 AI 时, 重要的是从小处着手.
市场情报提供商 TeqAtlas 公司联合创始人兼总裁 Ruslan Gavrilyuk 表示:"从克服惯性方面障碍最少的流程以及允许跟踪最佳结果的流程开始. 从小处着手, 一次自动化一个流程, 并仅在出现可见结果后才继续."
从小处着手的原因之一是需要训练 AI. 没有什么比花费数小时训练 AI 而最终结果不尽人意更令人沮丧. 因此, 更简单的算法 (训练速度更快) 可更好展示你是否处于正确的轨道.
Gavrilyuk 继续道:"请记住, 获得可见结果需要时间, 更不用说投资回报率了." 第一次运行时不要尝试启动深度学习或卷积网络.
同样, 你的 AI 团队必须准备数据, 这说起来容易做起来难. 在 BI 领域中使用经常引用的格言:"无用输入, 无用输出". 在抓取网页时, 很容易从侧边栏获取广告或注释, 这与主页的内容完全无关. 同样, 数据的质量很重要. 当 Open AI 训练其 "怪异" 的 GPT-2 模型时, 它只依赖于 Reddit 上有高投票的文章.
即使在训练期间, 你的 AI 开发人员也应该了解 AI 模型如何理解数据. 例如, 垃圾邮件过滤引擎可以显示最有可能被它视为垃圾邮件的内容 - 快速查看幕后情况可显示 AI 是否在正确的轨道.
只有在数据干净, 并且 AI 模型和算法得到很好理解后, AI 开发人员才应该尝试优化它, 通过转向更高级的算法, 例如卷积神经网络或递归神经网络. 到那个时候, Gavrilyuk 建议你 "租用计算能力和存储, 而不是购买和维护它".
现在是时候开始 AI 之旅
根据 TeqAtlas 的研究显示, 人们对 AI 应用缺乏了解. 文化障碍阻碍着企业部署人工智能, 因为很多企业领导要么将技术视为消除其工作的竞争对手, 要么无法信任地将控制权移交给机器.
然而, 人工智能是非常棒的技术, 而且非常必要, 特别是随着竞争的加剧. 如果你知道开启 AI 之旅的要求是什么, 你应该设置怎样的合理期望以及如何实现这一目标, 你就会知道如何利用这项新技术的力量, 而届时这种兴奋将转化为业务成果.
来源: http://ai.51cto.com/art/201908/600759.htm