天易2-百度分享

—–天易2主管【44644】百度分享—–人工智能具有宏大的商业前景，但显然大多数组织并没有充沛应用这一优势。以下是早期采用者如何从人工智能项目中发掘商业价值的一些倡议。

各个范畴的商业首领都看到了人工智能的价值，但运用好人工智能才干真正表现其价值所在。
在这里，我们总结了一些探路者们的经历经验，希望能给后来者一些有意义的参考。依据德勤最近的一项调查显现，82%的人工智能早期采用者从认知技术投资中看到了积极的财务成果，投资报答率的中位数为17%。
一个胜利的人工智能项目和一个不胜利的人工智能项目之间最大的区别是什么?德勤咨询公司的剖析与认知部门主管NitinMittal表示，无论是技术驱动的还是商业需求驱动的，都有迹可循。
希望充沛应用人工智能的组织要留意了：“关注可能合适人工智能的特定用例。专注于需求完成的业务目的，证明其价值，并扩展范围。这就是我们看到的很多案例可以胜利的缘由。”Mittal说。
下面是将人工智能项目转化为商业价值的8个技巧，这些技巧来自于那些从人工智能中取得实践利益的人的总结。
专注于详细问题
通用电气担任软件研讨的副总裁ColinParris说，在通用电气，商业价值是每个人工智能项目的中心。
“我们从一系列最小可行的产品开端，它真的能预测什么吗?假如我们能做到，它是更廉价、更快，还是能带来更多收入?最后，我们能够如何扩展它，如何部署它来取得商业价值?”他说。
这一系列的后续行动是至关重要的。
例如，假如人工智能系统正在预测需求维护的设备，那么这些预测需求集成到工作流中。这可能意味着需求派遣适宜的现场工程师在适宜的时间停止适宜的维护。
它还可能需求集成到库存系统中。
或者可能需求与实践机器停止集成。“假如我的人工智能让我可以真正了解何时需求进步温度或压力，我就必需集成到控制系统中，”他说。
理解AI的局限性
当人类试图做出预测时，他们有时会成为被称为Dunning-Kruger效应的心理圈套的牺牲品。当一个人认识不到本人对某个话题知之甚少，错误地以为本人是专家时，就会呈现这种状况。其结果可能既诙谐又凄惨。
人工智能系统也可能落入同样的圈套。例如，一个承受过特定数据集锻炼的人工智能被请求依据完整不同的数据集停止预测，天易2平台这会给出完整错误的答案——但是关于曾经学会依赖人工智能预测的用户来说，这可能是令人信服的。
理想状况是，这需求一位数据科学家来理解剖析模型何时合适于特定数据集。“我必需了解基于数据的假定，”IBM的Parris说。“我如何测试模型?”我可能需求生成其他类型的数据，或者模仿数据，来判别它能否有效。然后我必需在数据运转时检查数据以确保这些假定是有效的。这是你作为人工智能专家经过多年培训后才干够做到的事情。”
新员工或非数据科学家可能没有承受过这种培训，从而使组织容易遭到误导性结论的影响。
为理解决这个问题，通用电气曾经开端研讨所谓的“humbleAI”，它是一种人工智能系统，可以晓得其算法适用于哪些状况，并且只在那些状况下运用机器学习模型。
“假如我不在这个范围内，我就不会运用这个模型。我想回去运用我们过去20年来运用的物理模型，”Parris说。“这种人工智能晓得它本人的才能范围。”
他说，“humbleAI”如今正在承受测试。“运用价值数百万美圆的机器时，你绝对不想做任何损伤机器寿命或性能的事情。退后一步，回到常规的套路去吧。”
倾听利益相关者和客户的意见
关于一些公司来说，确保人工智能系统产生有用的结果可能需求一些外部协助。
安康内华达项目的首席数据科学家JimMetcalf说:“理想状况下，你能够在白板会议上开端一个项目，一切主要利益相关者都曾经花了一下午的时间来理解细节并记载查询需求。”
例如，安康内华达团队正在研讨一种治疗心脏病患者的计划。这就需求搜集病人出院时开药的信息。但有些药物，如他汀类药物，通常是在病人第一次入院时开的，当病人分开时会继续开出。系统假定这些药物是患者曾经在服用的药物，而不是与心脏病发作相关的新药。只要当药物数量最终低于预期时，才会发现这个问题。
“假如我们从一开端就和一切感兴味的人停止更细致的讨论，团队可能会更早地处理这个问题，”Metcalf说。“我们的数据科学团队曾经学会了不做任何假定。我们会在任何人将手指放在键盘上之行进行彻底检查，讨论和记载查询请求。”
关于企业支出管理平台提供商Coupa，一个客户提示并指出了一种检测狡诈的新办法。
公司担任产品战略和创新的副总裁DonnaWilczek说:“在我们的行业中，我们不断在一个信息孤岛中对待支出狡诈。例如，有很多应用程序只关注费用报告狡诈，以及采购中的狡诈。”
但是事实证明，在一个范畴作弊的员工也有可能在其他范畴作弊，她说。经过与采购专家和财务审计人员的交谈，发现狡诈检测的机密其实是针对处于狡诈中心的个人。
“这就是AI的一种十分漂亮、适用的应用所在，”她说。“这些数据关于人类审计员来说太多了，无法辨认出其中的特定形式。”
人工智能还能够加快狡诈检测的过程，让企业在付款前就能发现狡诈行为。她说:“通常状况下，顾客在消费过程中不能这样做，由于这会让生意的买卖流程减速。”
Coupa如今正在搜集企业报告的狡诈行为的例子，然后将这些真实的例子添加到人工智能系统中。
拥抱范畴的专业学问
越来越多的公司开端认识到人工智能自身并不是灵丹妙药。
“很多时分，企业会说，我有大量的数据，这个宏大的数据湖，只需插入你的人工智能，就能通知我一些有趣的事情，”全球信息技术咨询公司人工智能和大数据技术总监JJLopezMurphy说道。“是的，人工智能会协助你发现躲藏的形式，但是假如你没有一个恰当的问题，它就不会给你答案。这是不会自动发作的。”
Cognoa的首席人工智能官HalimAbbas说，仅仅依托数据科学家和人工智能专家从数据中获取洞察力是一个宏大的错误，天易2注册该公司正在将人工智能应用于行为诊断范畴，协助辨认患有孤单症和其他行为安康问题的儿童。
在理想世界中，数据可能互相依赖，或者一些数据也可能不相关，需求专家来理解其中的差别。例如，假如一组在有蓝色墙壁的房间里诊断的病人和另一组在有白色墙壁的房间里诊断的病人产生了不同的结果，一个寻觅形式的剖析模型可能会推断出墙漆具有临床意义。
“随着数据集大小的增长，你会防止这些愚笨的结论，”他说。“但可能还会有一些奇妙的变化。”
他说，没有范畴专业学问的人工智能专家不会认识到这些问题。当数据集很小的时分，比方数据集很少或者人口统计数据很少的时分，这一点特别重要。
当然，范畴专家也有他们本人的成见，Abbas说。“他们可能对某些变量和某些条件之间的联络持有错误的见地。停止双重肯定的一个好办法是在承受范畴专家的输入的同时，在人工智能方面也这样做，并且只处置双重考证都经过的状况。”
内部的临床专业学问也有助于Cognoa肯定这些模型能否有效，并协助改良它们。
“每次你在理想世界中精心构建的实验中考证人工智能算法的时分，你都可能会发现理想与模仿的不匹配，”他说。“但经过剖析，您能够深化理解产品，并进一步停止优化。”
正如一家有111年历史的搜集和发布化学研讨数据的公司CAS所发现的那样，将范畴内的专业学问与人工智能相分离在数据管理中也是必不可少的。
CTOVenkiRao说:“像空格、下标、破折号或化学构造中一个字母的变化，都可能招致平安反响和爆炸反响的不同。所以我们需求有超越350名博士在我们的工厂中停止管理数据。”
最近，该公司开端运用人工智能来协助对数据停止分类和整理，从而腾出一些博士来从事更复杂的工作。但即便是树立一个简单的光学字符辨认系统，也需求范畴专家的专业学问。例如，“nm”是nanomolar的缩写，而“mm”是millimolar的缩写——相差6个数量级。假如系统转换不当，这可能意味着平安化学反响和风险化学反响之间的区别。
他说:“假如你是一个地道的技术专家，你不可能在第一天就可以为我们停止工作。假如你在不理解化学原理的状况下，用技术粗暴地强迫AI系统，它永远不会得到最佳的结果。”
Rao说，这的确使招聘变得更具应战性，有时也使得外包变得不可能。“但是投资曾经显现其在处理计划质量上的报答。”
认识到对真实世界停止测试的价值
没有一个作战方案能在与敌人的接触中幸存——也没有一个人工智能系统能在与理想世界的接触中幸存。假如你的公司没有准备好面对这个事实，你的人工智能项目以至在开端之前就必定要失败。
瑞士信贷集团的认知和数字效劳主管JenniferHewit正面应对了这一应战。
当公司决议发布其新的客户支持聊天机器人Amelia时，Hewit晓得聊天机器人很可能经常会被放弃并将客户发送给人工代理，而不是可以本人答复一切的或大局部的问题。
她说：“我很早就决议要上线了。”她留意到，当这个聊天机器人第一次上线时，它了解用户企图的才能只要23%。
但是经过置身于理想世界中，聊天机器人可以察看到多文化、多言语和多代人的对话——并从中学习。
“快速上线，向组织展现我们的才能，这意味着我们可以在5个月内将她了解企图的才能从23%进步到86%。”
当心人工智能的“黑箱问题”
可信度是人工智能在进入理想世界时面临的另一个问题，由于人工智能系统简直无法看到它们是如何得出本人的见解的，这个问题被称为“黑箱问题”。
总部位于波士顿的BeaconHealthOptions公司的执行副总裁兼首席增长官ChristinaMainelli说：“我们的阅历让我们永远无法克制这个问题。”BeaconHealthOptions公司正为全美4000多万人提供行为安康治疗。
最终，该公司决议树立一个人工智能系统，在病人病情晋级到需求住院治疗的水平之前，及早发现病人。为了确保该系统可以被实践运用，BeaconHealth将运用该系统的人汇集在一同，不只就工作流程，还就算法如何工作对他们停止培训。
因而，在系统投入运用之前，就对现有患者的旧数据停止了一次模仿运转。
她说:“那些被以为是高危人群的人实践上就是高危人群——由于他们被送进了医院。我们的临床医生能够看到它是如何工作的，这协助我们减少了黑箱问题。”
然后，当人工智能系统被用于当前的病人时，在项目的前12周，它辨认出了近300名高危人群，其中57%的人没有被之前的传统办法检测到。
“这十分引人瞩目。在此之前我们并不晓得他们是高风险的，”Mainelli说。“如今团队正在努力影响他们。”
这包括打电话给他们，让他们联络供给商，确保他们得到他们需求的药物。
在一到两个月后，BeaconHealth公司将看到这些干预措施的结果，由于在索赔经过之前还有一段时间，这将是另一个重要的理想世界测试。
“我们需求看到最后的数据才干真正晓得结果如何，”她说。
树立明晰的权衡规范
具有明白的业务指标来权衡人工智能项目的结果，关于证明它是有效的十分重要，并且应该得到持续的支持。
许多公司对AI项目的这方面没有给予足够的注重。依据德勤的调查，不到50%的受访企业权衡的是精确权衡财务报答所必需的关键绩效指标，如本钱节约、收入和客户留存等指标。
报告作者、德勤技术、媒体和电信中心的执行董事JeffLoucks表示，这是像人工智能这样的新兴技术的一个通病。
“他们通常不会像公司运用更成熟的技术一样停止严厉管理，”他写道。
结果是人工智能项目可能“无处可去”，最终成为了无法扩展的试点项目或没有商业利益的项目，他说。
从内部锻炼人才
你能够在哪里找到既懂人工智能技术又懂业务需求的人?这可不是件容易的事。目前，全球人工智能人才短缺，再加上专业学问的请求，意味着潜在候选人的数量只能是更少。
依据德勤的人工智能调查，69%的公司表示，他们的员工中存在中等、严重或极端的技艺缺口。
在通用电气，该公司也努力寻觅着具备人工智能所需的编程和剖析技艺，以及商业方面所需的物理和工程学问的人。
通用电气的Parris说:“我们会在大学停止投资，在领英(LinkedIn)上搜索，在媒体上看文章，在会议上认识所需求的人。”
但该公司也在内部寻觅具有资料科学背景的人，比方在人工智能课程中学习过的人，或者在控制系统和资料科学课程中学习过的人工智能开发者。
Parris说，找到兼具范畴专业学问和人工智能技艺的人只是旅程的开端。他说，通用电气需求可以将这些学问转化为可以实践应用的人才。“我如何对待业务问题并将其合成为数据问题?”
为了完成这一目的，通用电气提供跨职能培训，将人工智能和工程学分离起来。到目前为止，曾经有10到15名科学家和工程师阅历了这一过程——约占公司一切科学家和工程师的三分之一。
Parris补充道:“可能会有更多的人阅历这一过程。”
这只是改动企业文化、组织系统、权衡规范以至是鼓励机制的开端。
“关于像通用电气这样的公司来说，这是一项艰巨的任务，我们如今正处于起步阶段，”他说。“但是一旦我们做对了——我们一切人的将来都会改动。”