论文部分内容阅读
人工智能、机器学习和深度学习并非万能的。一位首席信息官就企业投资人工智能之前应知道什么给出了建议。
当你每天都会面对铺天盖地的广告宣传时，怎样判断人工智能这类新兴技术是否值得投入呢？我们着迷于一些惊人的成果——例如，AlphaGo击败了围棋冠军、自动驾驶汽车的进步、Alexa和Cortana实现的语音识别功能，以及Google Photos、Amazon Rekognition和其他照片共享应用程序实现的图像识别功能等。
当谷歌、亚马逊、微软、IBM和苹果这样技术强大的巨头在技术上取得成功并且媒体也大肆宣传的时候，企业往往会认为这些技术也可以为其所用。但真会这样吗？如果是真的，又体现在什么地方呢？
每当有新技术开始成为主流时，下面这类问题是首席信息官们要思考的：
● 对首席信息官而言，这项技术值得投入、研究和关注吗，或者应该将其忽略？我们怎样向企业领导们解释该技术对企业的适用性，它会带来竞争机会还是意味着潜在的威胁？
● 对于那些好奇的员工们，我们怎样通俗易懂给他们解释该技术能做什么，帮助他们分清楚炒作、当今的现实和未来的可能？
● 当一部分员工表现出有兴趣去探索这些技术时，我们是否应该给予支持，我们应该把他们引向什么问题，他们应该花时间学习技术的哪些方面？
● 当供应商在实际营销中表明他们所取得的成绩是由新兴技术推动的，而且他们的员工中有专家博士帮助支持产品的开发，那么，我们怎样评估哪些技术具有真正的商业潜力，哪些服务应用的还太早，而有的则纯粹是炒作，并没有实际价值？
人工智能到底是什么，它是怎样实现的？
人工智能技术已经出现一段时间了，但我认为，这一技术真正始于1968至1969年间，那时SHRDLU自然语言处理（NLP）系统问世，发表了感知器和反向傳播的研究论文，全世界通过《2001：太空漫游》里的HAL知道了人工智能的存在。接下来的重大突破可以追溯到上个世纪80年代后期，在学习算法中使用了反向传播技术，然后将其应用于手写识别等问题中。人工智能在上个世纪90年代后期掀起了大规模的挑战，出现了第一个聊天机器人（ALICE），而深蓝打败了国际象棋世界冠军卡斯帕罗夫。
上个世纪90年代，我第一次体验了人工智能。在亚利桑那大学的研究生院，我们几个人采用C语言编写神经网络，以解决医疗、天文学和其他研究领域中的图像识别问题。围绕一些不精确的数据，为解决优化问题，我们尝试了各种学习算法和技术，以及做出决策的方法。
当我们研究神经网络时，我们会手工编程感知器的数学运算，然后遍历网络的各个层以产生输出，再反向遍历来应用反向传播算法对网络进行调整。我们要等待很长的时间，系统才能稳定地输出。
当早期结果失败后，我们确定不了是不是因为应用了错误的学习算法，没有针对我们要解决的问题去优化调整网络，还是在感知器或者反向传播算法中出现了编程错误。
而发展到今天，很容易看到为什么人工智能在过去几年中有了指数级的飞跃，这要归功于几个方面的进步。
首先是云计算，它支持在一群机器上运行大型神经网络。计算是分布在大量的计算节点上，而不是逐个遍历感知器，只处理一个或者两个网络层。这就实现了深度学习算法，它本质上是具有大量节点和分层结构的神经网络，能够在合理的时间内处理大规模问题。
其次，商用和开源库以及TensorFlow、Caffe、Apache MXNet等其他服务的出现为数据科学家和软件开发人员提供了把机器学习和深度学习算法应用于其数据集的工具，这就不需要对底层数学进行编程，也不必采用并行计算。在英伟达、英特尔、AMD等企业创新和相互竞争的带动下，未来的人工智能应用是由芯片人工智能或者板载人工智能推动的。
不要把人工智能炒作和人工智能现实混为一谈
一旦你知道了历史，对技术有所理解，评估新兴技术在其生命周期中的所处位置往往是很有帮助的。
Gartner认为机器学习和深度学习仍然处于热炒时期，预测2020年之后将出现“通用人工智能”（能够解决任何智能问题的人工智能）。Venture Scanner调查表明，在人工智能领域，大约有三分之二的启动资金将用于早期的几轮融资（种子资金、A轮和B轮），这表明很多销售或者推广人工智能解决方案的公司仍然处在产品开发和销售周期的早期阶段。McKinsey指出，在认识到人工智能重要性的公司中，只有20%采用了人工智能，50%以上的人工智能投资来自于科技巨头和初创公司，而不是那些碰巧使用这一技术的企业。
看到这些统计数据后，任何首席信息官或者企业高管们在全面投入人工智能之前都应该静下来想一想。尽管人工智能肯定会大有前途，但这些算法的大规模商用还为时尚早。
早期的胜利者将属于那些大型科技公司和拥有人才、资金和耐心去试验新技术的初创公司。大多数企业和中型企业很难有这样的机会，还只是刚刚开始他们的人工智能之旅。
人工智能绝对是一种非常颠覆性的技术，所以你不应该忽视它。但是要谨慎行事，不能被人工智能炒作所迷惑。
例如，对于某些应用程序，语音成为比屏幕和键盘更好的人机界面时，或者聊天机器人变得比人类客服更聪明、更快时，很多企业将不得不利用这些技术来提升他们的用户体验。
同样，当深度学习算法能够更好地检测欺诈、风险交易和安全威胁时，企业将不得不准备去使用这些方法。
当我们能够越来越多地使用结构化数据，开始尽可能高效地从口语、音频和视频中提取出智能信息时，使用这些功能将为很多企业带来明显的竞争优势。
“时机”才是关键词。
大多数企业的目标应该是快速追随者，而不是早期采用者。这意味着应尽早关注甚至尝试人工智能，但要一直等到人工智能足够成熟、经受足够考验而且能大规模交付时，才能完全信赖人工智能。 當你知道了人工智能能够干什么后，应寻找工具和实例来帮助评估人工智能应用及其成熟度。实例包括：
● Forrester定义了9项基本的人工智能技术，并提出了一个构建模块模型，这一模型以假设和研究开始，以三个层面的规范化应用结束。
● Workday发布了其成熟度模型，将人工智能应用于自动化，并在发现和转换应用程序之前通知用户。这是有道理的，因为把人工智能应用于人们已经解决的问题时，就更容易评估人工智能的结果。
● 业界有很多这样的例子，包括保险、医疗、银行、农业、法律、广告、建筑、慈善和媒体等行业。
着眼于基本的业务目标，启动你的人工智能计划
人工智能和机器学习的大肆宣传促使一些技术和业务领导们开始采用技术优先战略。如果你是通过尝试机器学习库或是求助于那些大肆宣传人工智能的供应商来开始你的人工智能之旅，那么你就错过了一些关键的启动步骤。
相反，首先应关注能带来很大好处的业务问题和机会，以抵消研发成本。这些机会来自于你已经拥有的庞大的数据集，或者你很容易获得并进行数据整合的数据集。应该从其他非科技公司能够获得成功的其他行业中汲取灵感。
从明确的业务机会开始的一个原因是，你能够找到不需要最新人工智能技术的解决方案。如果需要某种形式的人工智能，这种明确业务机会的方法可以让你对解决方案进行分类，评估所需人工智能的整体成熟度。
例如，如果你想自动完成一个非常依靠人工操作的业务流程，这包括对流水线上下来的部件进行目视检查，那么你的解决方案中将同时包括图像识别和机器人流程自动化。这些都是比较成熟的人工智能领域，这方面的各种成功案例和供应商解决方案证实了这一点。
另一方面，如果解决方案需要大量的认知评估和思考，那么你将进入一个不太成熟的人工智能领域。
衡量人工智能成熟度的一种方法是查看人工智能初创公司发布的各种供应商概况，例如，来自Venture Scanner的供应商概况、机器智能的现状、O’Reilly的机器人概况，以及人工智能金融技术概况等。仔细看一下这些列表，你会发现很多初创公司都把注意力集中在离散问题集上，而不是更广义的认知解决方案上。
当一个供应商说什么“把你的数据扔给我们的人工智能”，然后等专家情报反馈就行了，那么不要被此愚弄了。这是不可能发生的。
要想真正的工作，你的人工智能需要大量的数据
这就带来了成功运行人工智能的第二个先决条件：你需要大量相对干净的数据来训练人工智能解决方案并评估输出。
自动驾驶汽车之所以能够实现，一个重要的原因是有大量的数据——这些汽车行驶一个小时，其激光雷达和其他传感器便会产生4000GB的数据。对于只是关于汽车是否应该转向、加速、减速或者完全停止的一些基本决定，这些数据的确是太多了。
很多成功的人工智能解决方案都属于这一类——把大量的数据转换成数量有限的决定。例如，在图像识别中，我正在观察的图片中是不是有你？在协作过滤中，根据你过去的阅读体验以及其他阅读选项，最近发表的文章是否更适合你？在评估一项交易时，它是否与欺诈交易有相似的模式？
在人工智能内部，则是通过逼近曲线来作出这些决定。例如，在深度学习中，网络中大量的分层结构和神经元能够逼近非常复杂的曲线来区分结果。为了开发这种网络，你需要一个带标签的大数据集，这样就可以通过把计算结果与你期望得到的经过标记的结果进行比较来训练网络。然后，使用反向传播或者其他学习算法，利用产生的误差来调整网络，并且在所有标记数据上重复多次这种练习，直到网络稳定至最优曲线为止。这些是采用训练集开发的有监督学习解决方案。
如果数据没有被标记，那么网络可以使用无监督学习方法，这些方法依赖于对结果进行评估的熵表达式。例如，当谷歌的DeepMind被用来学习玩Atari游戏“突围”时，它使用得分来评估结果。
除了数据集之外，企业还需要数据集成和自动化功能，这样数据就能够输入和输出任何人工智能处理引擎。如果你的企业习惯于让人工运行脚本来推送数据，那么我强烈建议你在开展人工智能解决方案之前先投入自动化。
尝试人工智能的几个选择
一旦你找到了业务机会，并且得到了大量经过清理的数据集，那就可以考虑人工智能之旅了。这两个步骤是为你的企业准备人工智能的先决条件。接下来的主要步骤是考虑人工智能解决方案的类型和实施方法。如果你有这方面的天赋，那么可以尝试TensorFlow或者其他的人工智能引擎。如果你没有专业知识，那就认真考虑一下招人吧；科技巨头们为稀缺的人工智能人才支付了巨额薪水，所以说进入这个行业的成本是非常高的。
还有一种选择是借助于在其解决方案中嵌入了人工智能的供应商。Salesforce Einstein就是一个这样的例子，这一人工智能平台能够采用Salesforce中存储的CRM数据进行预测，以及实现其他功能。同样的，你可以看看具体的行业解决方案，例如，Synechron为金融技术（FinTech）提供的Neo。
一旦你确定了一两种方法，最重要的是要与相关方一起设定切合实际的期望。投入人工智能应开展敏捷实验，因为你很可能会陷入僵局，需要反复试验才能对其进行优化。预先设定好对预算、时间和人才的预期。
Isaac Sacolick是《数字化驱动：通过技术进行业务转型的领导者指南》一书的作者，该书涵盖了很多实践，例如敏捷、开发运维和数据科学等，这些都是成功实施数字化转型计划的关键。Sacolick是公认的社交领域的最佳首席信息官，也是“社交、敏捷和转型”以及CIO.com的长期博主，还兼任StarCIO总裁。
原文网址：
http：//www.infoworld.com/article/3241904/artificial-intelligence/what-ai-can-really-do-for-your-business-and-what-it-cant.html
当你每天都会面对铺天盖地的广告宣传时，怎样判断人工智能这类新兴技术是否值得投入呢？我们着迷于一些惊人的成果——例如，AlphaGo击败了围棋冠军、自动驾驶汽车的进步、Alexa和Cortana实现的语音识别功能，以及Google Photos、Amazon Rekognition和其他照片共享应用程序实现的图像识别功能等。
当谷歌、亚马逊、微软、IBM和苹果这样技术强大的巨头在技术上取得成功并且媒体也大肆宣传的时候，企业往往会认为这些技术也可以为其所用。但真会这样吗？如果是真的，又体现在什么地方呢？
每当有新技术开始成为主流时，下面这类问题是首席信息官们要思考的：
● 对首席信息官而言，这项技术值得投入、研究和关注吗，或者应该将其忽略？我们怎样向企业领导们解释该技术对企业的适用性，它会带来竞争机会还是意味着潜在的威胁？
● 对于那些好奇的员工们，我们怎样通俗易懂给他们解释该技术能做什么，帮助他们分清楚炒作、当今的现实和未来的可能？
● 当一部分员工表现出有兴趣去探索这些技术时，我们是否应该给予支持，我们应该把他们引向什么问题，他们应该花时间学习技术的哪些方面？
● 当供应商在实际营销中表明他们所取得的成绩是由新兴技术推动的，而且他们的员工中有专家博士帮助支持产品的开发，那么，我们怎样评估哪些技术具有真正的商业潜力，哪些服务应用的还太早，而有的则纯粹是炒作，并没有实际价值？
人工智能到底是什么，它是怎样实现的？
人工智能技术已经出现一段时间了，但我认为，这一技术真正始于1968至1969年间，那时SHRDLU自然语言处理（NLP）系统问世，发表了感知器和反向傳播的研究论文，全世界通过《2001：太空漫游》里的HAL知道了人工智能的存在。接下来的重大突破可以追溯到上个世纪80年代后期，在学习算法中使用了反向传播技术，然后将其应用于手写识别等问题中。人工智能在上个世纪90年代后期掀起了大规模的挑战，出现了第一个聊天机器人（ALICE），而深蓝打败了国际象棋世界冠军卡斯帕罗夫。
上个世纪90年代，我第一次体验了人工智能。在亚利桑那大学的研究生院，我们几个人采用C语言编写神经网络，以解决医疗、天文学和其他研究领域中的图像识别问题。围绕一些不精确的数据，为解决优化问题，我们尝试了各种学习算法和技术，以及做出决策的方法。
当我们研究神经网络时，我们会手工编程感知器的数学运算，然后遍历网络的各个层以产生输出，再反向遍历来应用反向传播算法对网络进行调整。我们要等待很长的时间，系统才能稳定地输出。
当早期结果失败后，我们确定不了是不是因为应用了错误的学习算法，没有针对我们要解决的问题去优化调整网络，还是在感知器或者反向传播算法中出现了编程错误。
而发展到今天，很容易看到为什么人工智能在过去几年中有了指数级的飞跃，这要归功于几个方面的进步。
首先是云计算，它支持在一群机器上运行大型神经网络。计算是分布在大量的计算节点上，而不是逐个遍历感知器，只处理一个或者两个网络层。这就实现了深度学习算法，它本质上是具有大量节点和分层结构的神经网络，能够在合理的时间内处理大规模问题。
其次，商用和开源库以及TensorFlow、Caffe、Apache MXNet等其他服务的出现为数据科学家和软件开发人员提供了把机器学习和深度学习算法应用于其数据集的工具，这就不需要对底层数学进行编程，也不必采用并行计算。在英伟达、英特尔、AMD等企业创新和相互竞争的带动下，未来的人工智能应用是由芯片人工智能或者板载人工智能推动的。
不要把人工智能炒作和人工智能现实混为一谈
一旦你知道了历史，对技术有所理解，评估新兴技术在其生命周期中的所处位置往往是很有帮助的。
Gartner认为机器学习和深度学习仍然处于热炒时期，预测2020年之后将出现“通用人工智能”（能够解决任何智能问题的人工智能）。Venture Scanner调查表明，在人工智能领域，大约有三分之二的启动资金将用于早期的几轮融资（种子资金、A轮和B轮），这表明很多销售或者推广人工智能解决方案的公司仍然处在产品开发和销售周期的早期阶段。McKinsey指出，在认识到人工智能重要性的公司中，只有20%采用了人工智能，50%以上的人工智能投资来自于科技巨头和初创公司，而不是那些碰巧使用这一技术的企业。
看到这些统计数据后，任何首席信息官或者企业高管们在全面投入人工智能之前都应该静下来想一想。尽管人工智能肯定会大有前途，但这些算法的大规模商用还为时尚早。
早期的胜利者将属于那些大型科技公司和拥有人才、资金和耐心去试验新技术的初创公司。大多数企业和中型企业很难有这样的机会，还只是刚刚开始他们的人工智能之旅。
人工智能绝对是一种非常颠覆性的技术，所以你不应该忽视它。但是要谨慎行事，不能被人工智能炒作所迷惑。
例如，对于某些应用程序，语音成为比屏幕和键盘更好的人机界面时，或者聊天机器人变得比人类客服更聪明、更快时，很多企业将不得不利用这些技术来提升他们的用户体验。
同样，当深度学习算法能够更好地检测欺诈、风险交易和安全威胁时，企业将不得不准备去使用这些方法。
当我们能够越来越多地使用结构化数据，开始尽可能高效地从口语、音频和视频中提取出智能信息时，使用这些功能将为很多企业带来明显的竞争优势。
“时机”才是关键词。
大多数企业的目标应该是快速追随者，而不是早期采用者。这意味着应尽早关注甚至尝试人工智能，但要一直等到人工智能足够成熟、经受足够考验而且能大规模交付时，才能完全信赖人工智能。 當你知道了人工智能能够干什么后，应寻找工具和实例来帮助评估人工智能应用及其成熟度。实例包括：
● Forrester定义了9项基本的人工智能技术，并提出了一个构建模块模型，这一模型以假设和研究开始，以三个层面的规范化应用结束。
● Workday发布了其成熟度模型，将人工智能应用于自动化，并在发现和转换应用程序之前通知用户。这是有道理的，因为把人工智能应用于人们已经解决的问题时，就更容易评估人工智能的结果。
● 业界有很多这样的例子，包括保险、医疗、银行、农业、法律、广告、建筑、慈善和媒体等行业。
着眼于基本的业务目标，启动你的人工智能计划
人工智能和机器学习的大肆宣传促使一些技术和业务领导们开始采用技术优先战略。如果你是通过尝试机器学习库或是求助于那些大肆宣传人工智能的供应商来开始你的人工智能之旅，那么你就错过了一些关键的启动步骤。
相反，首先应关注能带来很大好处的业务问题和机会，以抵消研发成本。这些机会来自于你已经拥有的庞大的数据集，或者你很容易获得并进行数据整合的数据集。应该从其他非科技公司能够获得成功的其他行业中汲取灵感。
从明确的业务机会开始的一个原因是，你能够找到不需要最新人工智能技术的解决方案。如果需要某种形式的人工智能，这种明确业务机会的方法可以让你对解决方案进行分类，评估所需人工智能的整体成熟度。
例如，如果你想自动完成一个非常依靠人工操作的业务流程，这包括对流水线上下来的部件进行目视检查，那么你的解决方案中将同时包括图像识别和机器人流程自动化。这些都是比较成熟的人工智能领域，这方面的各种成功案例和供应商解决方案证实了这一点。
另一方面，如果解决方案需要大量的认知评估和思考，那么你将进入一个不太成熟的人工智能领域。
衡量人工智能成熟度的一种方法是查看人工智能初创公司发布的各种供应商概况，例如，来自Venture Scanner的供应商概况、机器智能的现状、O’Reilly的机器人概况，以及人工智能金融技术概况等。仔细看一下这些列表，你会发现很多初创公司都把注意力集中在离散问题集上，而不是更广义的认知解决方案上。
当一个供应商说什么“把你的数据扔给我们的人工智能”，然后等专家情报反馈就行了，那么不要被此愚弄了。这是不可能发生的。
要想真正的工作，你的人工智能需要大量的数据
这就带来了成功运行人工智能的第二个先决条件：你需要大量相对干净的数据来训练人工智能解决方案并评估输出。
自动驾驶汽车之所以能够实现，一个重要的原因是有大量的数据——这些汽车行驶一个小时，其激光雷达和其他传感器便会产生4000GB的数据。对于只是关于汽车是否应该转向、加速、减速或者完全停止的一些基本决定，这些数据的确是太多了。
很多成功的人工智能解决方案都属于这一类——把大量的数据转换成数量有限的决定。例如，在图像识别中，我正在观察的图片中是不是有你？在协作过滤中，根据你过去的阅读体验以及其他阅读选项，最近发表的文章是否更适合你？在评估一项交易时，它是否与欺诈交易有相似的模式？
在人工智能内部，则是通过逼近曲线来作出这些决定。例如，在深度学习中，网络中大量的分层结构和神经元能够逼近非常复杂的曲线来区分结果。为了开发这种网络，你需要一个带标签的大数据集，这样就可以通过把计算结果与你期望得到的经过标记的结果进行比较来训练网络。然后，使用反向传播或者其他学习算法，利用产生的误差来调整网络，并且在所有标记数据上重复多次这种练习，直到网络稳定至最优曲线为止。这些是采用训练集开发的有监督学习解决方案。
如果数据没有被标记，那么网络可以使用无监督学习方法，这些方法依赖于对结果进行评估的熵表达式。例如，当谷歌的DeepMind被用来学习玩Atari游戏“突围”时，它使用得分来评估结果。
除了数据集之外，企业还需要数据集成和自动化功能，这样数据就能够输入和输出任何人工智能处理引擎。如果你的企业习惯于让人工运行脚本来推送数据，那么我强烈建议你在开展人工智能解决方案之前先投入自动化。
尝试人工智能的几个选择
一旦你找到了业务机会，并且得到了大量经过清理的数据集，那就可以考虑人工智能之旅了。这两个步骤是为你的企业准备人工智能的先决条件。接下来的主要步骤是考虑人工智能解决方案的类型和实施方法。如果你有这方面的天赋，那么可以尝试TensorFlow或者其他的人工智能引擎。如果你没有专业知识，那就认真考虑一下招人吧；科技巨头们为稀缺的人工智能人才支付了巨额薪水，所以说进入这个行业的成本是非常高的。
还有一种选择是借助于在其解决方案中嵌入了人工智能的供应商。Salesforce Einstein就是一个这样的例子，这一人工智能平台能够采用Salesforce中存储的CRM数据进行预测，以及实现其他功能。同样的，你可以看看具体的行业解决方案，例如，Synechron为金融技术（FinTech）提供的Neo。
一旦你确定了一两种方法，最重要的是要与相关方一起设定切合实际的期望。投入人工智能应开展敏捷实验，因为你很可能会陷入僵局，需要反复试验才能对其进行优化。预先设定好对预算、时间和人才的预期。
Isaac Sacolick是《数字化驱动：通过技术进行业务转型的领导者指南》一书的作者，该书涵盖了很多实践，例如敏捷、开发运维和数据科学等，这些都是成功实施数字化转型计划的关键。Sacolick是公认的社交领域的最佳首席信息官，也是“社交、敏捷和转型”以及CIO.com的长期博主，还兼任StarCIO总裁。
原文网址：
http：//www.infoworld.com/article/3241904/artificial-intelligence/what-ai-can-really-do-for-your-business-and-what-it-cant.html