如何让人工智能项目尽可能获得成功

关键词： 人工智能，TensorFlow、数据

德勤最新的一项调查显示，对认知技术的激进采用者的调查发现，76%的人认为，他们将在未来3年内对其公司进行实质性的改造。自上世纪90年代末互联网繁荣时期以来，人们对一项新技术的关注度可能并不高。这种可能性似乎会成为炒作的理由。人工智能不仅仅是一项技术，而是一系列广泛的工具，包括一些不同的算法方法、丰富的新数据来源以及硬件的进步。今后，我们将看到新的计算架构，比如量子计算和神经形态芯片，推动能力更进一步。不过，愿望与现实之间仍然存在很大的差距。Gartner估计，85%的大数据项目失败。也有项目让人尴尬，比如当道琼斯公司报道谷歌斥资90亿美元收购苹果，而机器人因为此而下跌或微软 Tay 聊天机器人在Twitter上变得暴躁。

那么，您如何确保您的组织将从其人工智能的努力中获得更多的成功成果？

首先，你需要明确目标。人工智能不存在于真空地带，而是在你的商业模式、过程和文化的背景下。就像你不会雇用一名员工，而不了解他或她会如何融入你的组织，你需要清楚地思考一个人工智能应用将如何推动实际的业务成果。

企业在经营业务中如何利用人工智能

你要问的第一个问题是你试图推动的是什么商业成果，GoodDationCEO罗曼斯坦克告诉我。通常情况下，人工智能项目首先要尝试实施一种特殊的技术方法，而不令人意外的是，一线经理和员工没有发现它有用，所以没有真正的采用，也没有ROI。虽然变化往往是由组织的高层驱动的，但执行总是由下到底层。所以，很重要的是要清晰地传达一种使命感。如果一线经理和员工认为人工智能会帮助他们更好地完成工作，他们将会更加热情地参与其中，并且更有效地使项目取得成功。

Agorai.ai的CEOJoshSutton告诉我，那些能够专注于商业成果的人，发现人工智能是以几个人所预料的速度推动见底的结果。他指出，最近麦肯锡的一项研究表明，认知工具的潜在经济价值在3.5万亿至5.8万亿美元之间，只是可能影响的一个迹象。

其次，要慎重选择自己自动化的任务。虽然很多人担心认知技术会带走人类的工作，但麻省理工学院的经济学家大卫·Autor认为，首要的转变是在日常工作和非常规工作之间。换句话说，人工智能正在快速自动化常规认知过程，就像工业时代机器自动化的体力劳动一样。

要明白这怎么能管用，就去一家苹果店吧。显然，苹果是一个完全懂得如何自动化流程的公司，但你在走进苹果店时首先看到的是一些等待帮助你的员工。这是因为它选择了自动化后台任务，而不是客户交互。

然而，人工智能可以大大扩展人类员工的有效性。例如，在奥巴马政府的一份白宫报告中引用的一项研究发现，虽然机器在阅读放射学图像时的误读率为7.5%，但人类也有3.5%的错误率，当人类将其与机器的工作结合起来时，错误率下降到0.5%。

或许最重要的是，这种方法实际上能提高士气。例如，一些工厂工人积极与他们编程的机器人合作做低级任务。在某些情况下，士兵与机器人建立了如此牢固的联系，他们在死亡时为他们举行葬礼。

第三，明智地选择你的数据。长期以来，更多的数据被认为比较好。公司会尽可能地挖掘出尽可能多的东西，然后将其反馈到复杂的算法中，以创造出高精度的预测模型。然而，显然，这并不是一个很好的方法。正如CathyOleeNeil在Math销毁的武器中所解释的那样，我们常常不理解我们为系统提供的数据，数据偏差正在成为一个巨大的问题。一个相关的问题就是过度装修的问题。可能听起来让人印象深刻的是，有一款能做到99%准确的车型，但如果不是稳健的变化条件，你可能会更好地选择一个70%准确、更简单的车型。

最后，随着欧洲GDPR的实施以及类似立法将在其他地方获得通过的可能性，数据也正成为一种负债，也是一种资产。因此，你应该思考你正在使用哪些数据来源，并创建人类能够理解和验证的模型。

最后，将人类转移到价值较高的社会任务中。自动化的一个经常被忽略的事实是，一旦你自动化了一个任务，它就会在很大程度上被商品化，价值转移到别的地方。所以，如果你仅仅是想用认知技术来代替人力劳动和削减成本，那么你最可能是在错误的轨道上。

这一原理的一个令人惊讶的例子来自材料科学的高技术领域。一年前，我与《材料基因组倡议》的吉姆·沃伦谈到了将机器学习算法应用于材料研究的令人兴奋的可能性。最近，他告诉我，这种方法越来越成为材料研究的重点。

那是一年来非同寻常的转变。那么，我们应该期待在失业办公室看到大量的材料科学家吗？几乎没有。事实上，由于研究的大量繁重工作正在外包给算法，因此科学家自己能够更有效地进行合作。正如美国能源存储研究联合中心主任乔治·克拉伯树所说，在自动化材料研究方面的先驱把它放到了我身上，我们曾经在出版的速度上有所进步。现在我们推进下一个咖啡休息的速度。

而这正是理解如何有效实施认知技术的关键。机器人不是承担我们的工作，而是接管任务。这意味着我们将越来越看到从认知技能到社交技能的转变。看来，人工智能的未来也都太人性化了。

成功的“人工智能”技术实施案例

AXA法国安盛是全球大型保险公司，在“概念验证POC”中使用机器学习来通过预测78%的准确度来预测“大损失”交通事故来优化定价。

理解用例

大约有7%-10%的AXA客户每年都会发生车祸。其中大部分是涉及保险金的数百或数千美元的小事故，但大约1%是所谓的大损失案件，要求支付超过10000美元。正如您所期望的，AXA调整者了解哪些客户在这种情况下面临更高的风险，以便优化其策略的定价是很重要的。

为了实现这一目标，AXA在日本的研发团队一直在研究使用机器学习来预测司机是否会在保险期间造成大的损失。最初，该小组一直专注于一种传统的机器学习技术，称为随机森林。随机森林是一种流行的算法，使用多个决策树（如可能的原因，为什么司机会造成大的损失事故）的预测建模。虽然随机森林对某些应用是有效的，但在AXA的情况下，其预测精度低于40%是不够的。

比之下，在使用云计算引擎学习引擎开发TensorFlow的实验性深度学习（神经网络）模型之后，团队在预测中达到了78%的准确度。这种改进可以使AXA在优化保险成本和定价方面具有显著优势，除了在销售点建立新的保险服务（例如实时定价）的可能性之外。AXA仍处于早期阶段，采用这种方法-构建神经网络，使它们透明和易于调试将得到进一步的发展-但这是一个伟大的示范承诺利用这些突破。

相比之下，在使用云计算引擎学习引擎开发TensorFlow的实验性深度学习（神经网络）模型之后，团队在预测中达到了78%的准确度。除了在销售点建立新的保险服务（例如实时定价）的可能性之外，这种改进可以使AXA在优化保险成本和定价方面具有显著优势。AXA仍处于早期阶段，采用这种方法-构建神经网络，使它们透明和易于调试将得到进一步的发展-但这是一个利用这些突破性技术的伟大示范。

AI 的跨行业应用

MP4 视频链接： https://pan.baidu.com/s/13JOgPTR0sNueWCPRR_N1wg