起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識消除8個關于AI在商業中應用的錯誤觀念
人工智能是近幾年的熱門話題，AI商業應用也一直是各大企業的熱門關注。關于AI應用，我們或多或少都聽過關于它的一些“神話傳說”，但是這些說法的真實性可能存在問題。
對任何新興技術都存在誤解，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產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實際應用程序規模的IT領導者來說，這成為一個特殊問題。
“雖然企業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仍存在相當多的誤解，”布洛克說?！半m然我們可以將關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如何有助于增強我們的系統并創造更有效的環境。”
事實上，“浪漫化技術”是天空銷售推銷的主要內容，而非戰略CIO通過人工智能實現的底線結果 。
并且實現了：哈佛商業評論分析服務的新報告“ 實際人工智能執行指南”詳細介紹了技術高管如何在包括Adobe，7-Eleven，拜耳作物科學，凱撒娛樂在內的公司中記錄人工智能獲勝，Capital One，Discover，Equifax和Raytheon。
此外，浪漫化的現實往往會產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中關于人工智能的常見神話，以幫助IT領導者和其他商業人士將事實與虛構分開。
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，我發現這些術語之間沒有什么區別，” SigOpt的研究科學家Michael McCourt說 。
“這可能會有問題。如果一個公司的權力人員認為‘建立我的分類模型’等同于‘使用我們的數據來鞏固我們的決策過程’，那么適當解釋模型的結構和含義的重要步驟是必要的?！?/p>
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和解釋中涉及更強大的業務環境，這可能會讓AI團隊失敗。
2. “人工智能和自動化是一回事?！?/h3>
人工智能和機器學習并不是引起困惑的唯一兩個術語。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系 – 這是一個重要的關系。
“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 – 或者至少根據一系列預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的情況下完成任務， “布羅克說。
“自動化并不一定意味著AI，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。”
3. “更多的培訓數據可以帶來更好的人工智能結果?！?/h3>
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據?，F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據上。
“重要的不是培訓數據的數量，而是質量，” LexisNexis Legal and Professional首席數據辦公室的Rick McFarland說 。
“大量不良或不一致標記的訓練數據并不能讓您更接近準確的結果。它們實際上可以通過創建“精確”結果來欺騙建模器，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果?！?/p>
我們將在這里采取適度的措施并預測，簡而言之，從早期AI故障中學到的最常見的經驗之一將是：我們只是在其上投入了大量數據并假設它可行。在早期階段，更大的未必更好。
“這不能說得太多——質量數據是有效算法不可或缺的一部分，”來自Very的Brock說。
“人們經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，不良數據都會產生糟糕的結果。“
Brock補充說，人工智能和機器學習團隊現在的工作幾乎完全集中在策劃和清理數據上。即使您還沒有達到這一點，也要始終優先考慮質量而不是數量。
“今天的最佳實踐專注于使用結構化方法和偏差測試創建更好的訓練數據集 ，”McFarland說?！敖Y果是建模人員實際上可以使用以較低成本獲得的較小數據集?！?/p>
4. “人工智能將從部署的那一刻起傳遞價值?！?/h3>
這并不是說“更多數據”本質上是一件壞事; 事實上，隨著時間的推移它變得越來越必要。但時間是關鍵詞：你需要它來使數量和質量同步。
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，但有時候這種技術的描述方式如下：只需打開它，觀察魔術的發生。
“AI和ML引擎需要經過培訓，需要大量數據才能學習。一些數據可以播種”，NetEnrich首席技術官Javed Sikander說。
“但是，大部分數據來自部署的域，以及AI / ML系統集中學習的地方。因此，期望AI / ML系統從第1天開始提出建議和見解是不合理的。需要建立流程，并且需要在各種環境中分配資源，以便逐步實現這種學習。只有那時才會發生魔力?！?/p>
5. “人工智能和機器學習基本上只是軟件開發?！?/h3>
Algorithmia首席執行官迭戈·奧本海默（Diego Oppenheimer）認為，組織與其他任何軟件開發的方式相同，都在接近AI和ML。
“AI / ML開發只是軟件開發的一個神話，”奧本海默說?！笆聦嵣?，大多數ML項目都失敗了，一個很大的原因是ML工作負載與傳統軟件的行為非常不同，需要一套不同的工具，基礎架構和流程才能大規模部署和管理?！?/p>
奧本海默指出了以下問題：
（1）異質性
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：“數據科學就是選擇，它會在變小之前變大?！?/p>
（2）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建。
Oppenheimer舉例說明了一個系統，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，第三個是根據這些圖像進行情感分析，第四個是根據該情緒推薦一個動作。
Oppenheimer表示，雖然傳統的應用程序開發可能會像微服務這樣朝著這個方向發展，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整。
（3）開發過程
“在傳統的軟件開發中，輸出是在受控環境中執行的代碼，”Oppenheimer說?！霸跈C器學習中，輸出是一個不斷發展的生態系統——通過代碼與實時數據的交互進行推理。這需要一個非常不同的，更加迭代的循環?！?/p>
（4）硬件/基礎設施
“[它]仍在不斷發展：CPU，TPU，GPU，邊緣計算以及任何數量的新選擇 – 每個都有不同的優勢和挑戰。
（5）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，”Oppenheimer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。
“如果零售欺詐檢測模型在誤報方面出錯，只要它能夠足夠快地返回結果，不會影響結賬流程，那么零售欺詐檢測模型的準確度可能達到75％，”他表示。“法務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績。”
6. “人工智能只是另一種需要考慮的技術。”
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 – 我們已經有了這個。”
在這種情況下，這可能會導致IT團隊將AI視為另一個技術采用周期。但事實并非如此，AllCloud的數據和人工智能副總裁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。”
“大多數技術都很脆弱，”歐內斯特說?！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。”
7. “人工智能真的只適合科技公司。”
不，AI不是每個業務問題的解決方案——至少現在還沒有，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行業范圍的企業面臨危險的公司。
“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下去，可能會讓公司跟隨人群而不是領導它，”麥考特說。
“這個神話開始了，并且繼續滲透到商業世界，因為AI的早期開發者和采用者是技術最精明和最先進的公司。但每天都會產生新的文獻和工具，這些文獻和工具可以擴大公司的基礎，這些公司可以開始制定人工智能決策?！?/p>
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據以及他們編程采取的行動一樣聰明，”Sikander說?！叭斯ぶ悄芎蜋C器學習可以幫助我們識別數據海洋中的模式，并自動執行所采取的操作，幾乎不需要人工干預。但是為構建計算這些決策和行動而構建的算法和模型必須由人類提供?！?/p>
有一種相關的誤解，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首席數據官麥克法蘭說。
“人類在學習或解決問題方面具有內在的優勢——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?！?/p>
作者：Kevin Casey；編譯：CDA數據分析師
本文由 @CDA數據分析師 翻譯發布于人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基于CC0協議
翻譯有點問題，例如“這不能說得太多——質量數據是有效算法不可或缺的一部分，”來自Very的Brock說。這里第一句話是再重復強調也不過分的意思，翻譯成不能說得太多，有偏差