机器学习是如何改善企业生产力的?(内附机器智能版图)

授权转载自36Kr

作者 | boxi

编者按:人工智能最近很热,但是这里面有很多炒作的成分。对于旨在提高生产力的企业来说,选择合适的技术很重要。关于人工智能领域有两个容易被混淆的技术方向,一个叫做AI(artificial intelligence),一个叫IA(intelligence augmentation),这两个有什么区别呢?各自又适用于什么方面呢?harmon.ie联合创始人David Lavenda为我们解读。

如果说有一个词是企业希望跟自己沾边的话,那就是“生产力”。

这个指标影响了太多企业要衡量的其他东西——包括成功、效率、利润等等。而最近,人工智能(AI)被吹捧成了提高生产力的新手段,因为它可以用不知疲倦的机器来取代昂贵的人工。无人驾驶卡车就是最近受到媒体关注的一个例子,如果这种车普及,将会取代几百万卡车司机。

但AI一直以来都受到了很多不应得的关注。在机器取代我们人类之前,它们将帮助我们做出明智的决定,从而让我们变得更有生产力——而自动机器将受到诅咒。这种技术的使用叫做“智能增强”,而由于其即将到来的广泛影响,所以是值得加以密切观察的。

对于很多企业来说,人工智能(AI)与智能增强(IA)其实没有区别。当然,这种说法是有据可循的。IBM总裁、主席兼CEO Ginni Rometty曾经在《华尔街日报》的一篇专栏中指出,不管你把它叫AI还是IA,“这些认知系统既不是自动的也不是有知觉的,但它们形成了一种新型的一点也不人工的智能。它们增强了我们理解周围这个复杂的世界正在发生什么的能力。”

这绝对是对的。但在现代数据多样化的工作环境下,AI和IA在实现生产力最大化方面还是有所区别的。如果这两种技术应用到了错误的任务上,效果反而会事与愿违,不管应用有多先进也不行。

AI技术提供的“智能”利用了日益廉价的计算处理能力,可以比人更迅速地评估可选方案。所以AI驱动的计算机已经在跟人下国际象棋、下围棋甚至进行智力竞赛中获胜。这些任务的特点都是要在有限的选项集里面评估出最好的一步,不管这个选项的数量有多大。利用所谓的机器学习来评估许多选项并从过去的经验中学习,人工智能正是通过这样选出了最好的结果的。

但商业决策涉及到的并不只有对众多选项进行评估。商业决策还牵涉到伦理和无形的、计算机无法解释的东西。这时候就要有人的参与。也是IA之所以吸引人之所在。它让人可以引导计算机评估选项然后就下一步该做什么提出建议。正是因为有了人和机器的这类协作,所以人类才能把生产力提高到新的水平。

这是如何做到呢?

我们可以举一个在日常商业场景中利用机器智能增强人类的一个例子,那就是从广泛的app当中收集各种不同的信息,然后利用智能增强技术,比如自然语言处理技术和机器学习来自动匹配相关的信息。这意味着从Salesforce、Dropbox、email、Office 365、Workday等众多应用收集第一手信息,然后以类似拼图的方式将相关信息组合到一起,这样人就不会只见数据树木而不见信息森林了。这个认知过程对于人来说是极其费力的,但对于智能机器来说却是相当简单明了的事情。有了在相干上下文之下展现的所有相关信息,人就可以就下一步该做什么做出明智决策。

这并不意味着IA就能替代AI。每一种智能技术都有其用武之地。诸如利用聊天机器人替代人类操作员之类的情况将变得越来越常见。现在,你可以通过Slack向Taco Bell订购食品,或者利用机器人从Domino订购披萨。这些聊天机器人处理的都是AI比人管理得更高效的那种任务类型,因为上下文都是定义得很清晰,而且决策程度都是极其有限的。

当上下文和决策条件都比较模糊, 而且需要考虑道德伦理问题时,AI就不是很合适了。这时候智能增强就可以发挥作用了——通过以一致的方式展现信息和选项,然后让人来考虑剩下的事情。就近期和中期而言,机器智能正是这样来帮助组织和个人变得更有生产力的,所以也是企业应该关注的地方。

人工智能可以通过替代人完成聚焦型任务来改进效率,但真正提高企业生产力的是增强人决策的机器智能应用。理解机器学习可扮演的角色,是在企业充分发挥人工智能和人类智能的关键。

附:下图为机器智能版图3.0,共涉及288家相关企业。

原文地址:http://36kr.com/p/5074425.html

原文发布于微信公众号 - 大数据文摘(BigDataDigest)

原文发表时间:2017-05-11

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏SDNLAB

中国电信胡杰:边缘注智,运营商政企网关开启“万物智联”新时代”

中国电信北京研究院物联网和互联网+研发事业部总工程师胡杰为我们带来主题演讲“边缘注智,运营商政企网关开启“万物智联”新时代”。

11410
来自专栏CSDN技术头条

细说高级程序员的几个成长阶段

软件开发是一个奇怪的行业,市场远远供不应求。这是一个已经存在多年的问题,而且随着时间的流逝,愈演愈烈。 我们严重缺乏能够满足需求的人才。这个行业相当年轻。大多数...

2.6K90
来自专栏PPV课数据科学社区

数据分析师的经验分享

前段时间看微博话题讨论有些迷茫,有些已经被同行确认无疑的观点竟被反复强调,比如”数据挖掘/分析要懂业务”、”产品是数据价值变现的一条有效渠道”,观点没错,但听多...

38760
来自专栏大数据挖掘DT机器学习

梦想与前行——一名数据人的自白

前段时间看微博话题讨论有些迷茫,有些已经被同行确认无疑的观点竟被反复强调,比如”数据挖掘/分析要懂业务”、”产品是数据价值变现的一条有效渠道”,...

28050
来自专栏大数据挖掘DT机器学习

【总结】梦想与前行-一名数据人的自白

前段时间看微博话题讨论有些迷茫,有些已经被同行确认无疑的观点竟被反复强调,比如”数据挖掘/分析要懂业务”、”产品是数据价值变现的一条有效渠道”,观点没错,但听多...

29540
来自专栏PPV课数据科学社区

【推荐】如何玩数据?就这样玩数据

在网站运营、网络推广等方面都需要数据分析作为支撑,所谓兵马未动,数据先行,因此数据分析是我们做网络推广必须要掌握的技能。 1、没有明确分析数据的目的:...

29050
来自专栏SAP最佳业务实践

MBA管理:敏捷项目管理的关键

头脑敏捷的负责人会预见项目执行中的不确定性变化,并灵活应对,而不是固守原来的计划。实践中,他们深知预估性判断的局限性,因而更信赖自己的变通能力,即根据变化对项目...

36360
来自专栏华章科技

详解:大数据分析的学习之路

  大数据分析的使用者有大数据分析专家,同时还有普通用户,但是他们二者对于大数据分析最基本的要求就是可视化分析,因为可视化分析能够直观的呈现大数据特点,同时能够...

15430
来自专栏人工智能快报

学者称人类计算系统有助于避免人工智能威胁

2016年1月1日,一批支持“人类计算”(human computation)的学者在《科学》杂志发文呼吁人们“忘掉人工智能,因为解决世界难题的关键是人机协作”...

33580
来自专栏新智元

【深度】亚马逊Alexa称霸CES,语音计算平台仍面临这5大技术挑战

【新智元导读】亚马逊的Alexa在CES上的大获成功让关于智能语音的话题再次被业界广泛谈起。低调的亚马逊似乎已经在这一潜力巨大的市场上完成了布局。大家的共识是,...

42480

扫码关注云+社区

领取腾讯云代金券