文档章节

关于人工智能的七大常见误解

_夜枫
 _夜枫
发布于 2017/06/15 14:08
字数 3154
阅读 13
收藏 0
点赞 0
评论 0

原文链接

 

0?wx_fmt=jpeg

如果你是商界英才(而不是数据科学家或者机器学习专家),你也许对主流媒体宣传的人工智能(artificial intelligence,AI)已经耳熟能详了。你在《经济学人》和《名利场》杂志上读过相关文章,你看到过特斯拉自动驾驶的煽情文章,听到过史蒂芬•霍金讲述人工智能威胁人类的耸人听闻,甚至迪尔伯特关于人工智能和人类智能的玩笑你都知道。

此时,胸怀大志要把自己的生意做大做强的你,面对媒体关于人工智能的碎碎念,可能萌生了两个疑问——

 

第一,人工智能的商业潜力是真是假?

第二,这玩意怎么用到我的生意上?

 

对第一个问题,答案是:千真万确。今天的商业活动,可以开始应用人工智能来将要求人类智能的活动替换为自动处理以降低成本。人工智能可以允许你将一个需要人海战术的工作通量增加100倍而成本减少90%。

 

第二个问题的答案要长一些。首先得消除主流媒体鼓吹导致的误解。一旦误解消除,我们才能为你介绍如何应用人工智能到自己的生意中去。

 

◆ ◆ ◆

误解一:人工智能是魔术

 

多数主流媒体将人工智能描述为神奇而神秘的。我们只需为大魔术师般的公司,如Google,Facebook,Apple,Amazon和Microsoft等鼓掌欢呼即可。这样的描述只是在帮倒忙。如果我们想要人工智能应用到商业活动中,至少需要让公司的执行官们理解它。人工智能不是魔术。人工智能是数据、数学、模式和迭代。如果我们想要人工智能应用到商业活动中,我们必须更加透明,并解释清楚人工智能的3个互相连锁的关键概念。

 

1.训练数据(TrainingData,TD)——

训练数据是机器可以用来学习的起始数据集。训练数据有输入值和自带答案的输出值,这样机器学习模型可以从答案中寻找模式。比如,输入可以是客服单,带有客户和公司的客服代表之间的电子邮件。输出可以是基于公司某个分类定义的从1到5的分类标签。

 

2.机器学习(MachineLearning,ML)——

机器学习是软件从训练数据中学习到某种模式,并把它应用到新的输入数据中。比如,一个新的客服单,带有某位客户和某位公司客服代表的邮件来了,机器学习模型可以预测出一个分类,告诉你它对该分类的把握有多大。机器学习的关键特征是,它不是通过固定的规则来学习。因此,当它消化新的数据后,它会调整其规则。

 

3.人机回圈(Human-in-the-Loop,HITL)——

人机回圈是人工智能的第三个核心成分。我们不能指望机器学习万无一失。一个好的机器学习模型大概只有70%的准确性。因此你需要一个人机回圈流程,当模型的可信度低时,还可以依靠人。

因此,别被人工智能的神话愚弄了。现在,有了人工智能的公式,在此基础上,你可以对人工智能有一个基本的理解了。AI = TD + ML + HITL

 

0?wx_fmt=png

 

◆ ◆ ◆

误解2:人工智能是给科技精英用的

 

媒体报道似乎暗示,人工智能只是科技精英的菜——只有像Amazon,Apple,Facebook,Google,IBM,Microsoft,Salesforce,Tesla,Uber这些公司能斥上亿美金巨资组建庞大的机器学习专家团队。这个概念是错的。

 

今天,十万美元即可在商业过程中开始应用人工智能。因此,如果你的公司是全美营业额在5千万美元以上的26,000家公司之一,你就可以投入营业额的0.2%,来启动人工智能。

因此,人工智能不只属于高科技公司。它属于任何行业

 

0?wx_fmt=png

 

◆ ◆ ◆

误解3:人工智能只解决亿万美元级的大问题

 

主流媒体叙说的故事,通常是未来式的例子,比如无人驾驶汽车,无人机投递包裹。Google,Tesla和Uber这些公司投入了数亿美元争夺无人驾驶汽车领域的领先地位,因为“赢者通吃”的想法在作怪。这样的故事给人工智能打上了“花费亿万美元开拓创新领域”的烙印。但事实并非如此。

 

人工智能也可以用几百万美元来解决现有问题。让我解释一下。任何生意的一个核心任务都是了解客户。这在最早的市场——古希腊的阿格拉如此,在古罗马的竞技场里面对面做买卖时如此,在网购盛行的今天也如此。许多公司坐拥非结构化的客户数据宝库,有电子邮件,也有Twitter评论。人工智能可以用于解决客服单分类或者理解推文情感这样的难题。

 

因此人工智能不止是为了解决如无人驾驶汽车这样的亿万美元级“让人兴奋”的新问题,它也可以解决百万美元级的现有“无聊”问题,如通过客服单分类或者社交媒体情感分析来了解你的客户。

 

0?wx_fmt=png 

 

◆ ◆ ◆

误解4:算法比数据更重要

 

主流媒体对人工智能的报道偏重于关注机器学习算法,将其视为最重要的部分。主流媒体似乎把算法与人脑等同了。他们隐约传达着这样一个信息:复杂的算法最终会超越人类的大脑并创造奇迹。媒体拿机器在国际象棋和围棋比赛里击败人类的故事作为例子。而且他们主要关注“深度神经网络”和“深度学习”,以及机器是如何做出决策。

 

这种报道给人的印象是,一个公司要想应用人工智能就需要聘请机器学习专家来建立完美的算法。但如果一个企业没有思考如何获得高质量的算法,即使机器学习模型经过大量的特定训练数据学习之后,仍然会产生一个与期望(“我们有一个伟大的算法”)不匹配的结果(“我们的模型的准确率只有60%”)。

 

现如今,没有计划或训练数据的预算就从微软,亚马逊和谷歌购买商业机器学习的服务,就像买一辆无法接近加油站的车,只是买了一块昂贵的金属。汽车和汽油的类比有些不贴切,因为如果你给机器学习模型的训练数据越多,机器学习模型就会越准确。这就像不断给汽车加油,汽车的燃料利用率会不断提高。训练数据对于机器学习模型的重要性比汽油对汽车的重要性更高。如果想深入了解对这类误解性的报道的话,你可以阅读我们以前的帖子《更多的数据击败更好的算法》。

 

所以关键就是训练数据的质量和数量至少是和算法一样重要的,要确保你部署人工智能的计划和预算反映这一点

 

0?wx_fmt=png 

 

◆ ◆ ◆

误解5:机器>人类

 

在过去的30年里,无论是施瓦辛格在《终结者》里扮演的电子人杀手,还是艾丽西亚·维坎德在《机械姬》里扮演的智能机器人伊娃,媒体一直喜欢把人工智能描绘成比人类更强大的机器。媒体想编写一个机器对战人类谁会成为赢家的故事,这是可以理解的。但却歪曲了事实。

 

例如,最近谷歌DeepMind 的 alphago战胜韩国棋手李世石的报道被简单地描述成机器战胜人类。这样的表达不是对真实情况的准确描述。更准确的描述是机器加上一群人打败了一个人。

 

0?wx_fmt=png

 

消除这种误解的主要理由是机器和人的技能是互补的。从上面的图中我们可以看出机器在处理结构化计算方面有优势。机器擅长“找到特征向量”的任务,不太擅长“找到豹纹裙”任务。人类在识别意义和背景上具有得天独厚的优势。人类很容易“找到豹纹裙”,但在“找到特征向量”方面跟机器相比不具有优势。

 

因此,正确的框架是要意识到在商业情景下机器和人是互补的。人工智能是人和机器共同工作。

 

0?wx_fmt=png 

 

◆ ◆ ◆

错误6:人工智能是机器取代人类

 

主流媒体为了关注度喜欢描绘一个反乌托邦式的未来,这种情况可能会发生,但这种描述对正确理解人和机器如何共同工作产生了不利的影响。

 

0?wx_fmt=png

 

例如,让我们再思索下分类支持票据的业务流程。现如今大多数企业都还是百分百人工操作的。结果就是不仅进度缓慢而且成本线性增长,限制了工作量。现在想象一下用模型分类10,000张支持票的准确度是70%。30%的错误是不能接受的,就需要人机回圈的参与。你可以设置可接受的置信阈值为95%并且只接受模型在置信水平不低于95%时的输出。所以最初的机器学习模型可能只做了一小部分的工作,比如说5-10%。但是,随着新的人为标记的数据被创建,并且将其反馈到机器学习模型中,模型会不断学习并提高。随着时间的推移,该模型可以处理越来越多的客户支持票据分类工作,分类票据的业务量可以显著提高。

 

0?wx_fmt=png 

 

因此,人和机器共同协作可以增加业务量,保持质量,减少重要的业务流程的单位成本。

这就消除了人工智能是机器代替人类的误解。事实是,人工智能是关于机器增强人类的能力。

 

0?wx_fmt=png

 

◆ ◆ ◆

错误7:人工智能=机器学习

 

主流媒体带给人们的最后一条根深蒂固的误解就是人工智能和机器学习是等同的。这个误解就导致了不切实际的管理期望—从微软,亚马逊或谷歌公司购买商业机器学习的服务就能神奇地将人工智能运用到生产中。

 

而除了机器学习之外还需要训练数据和人机回圈才有可能找到可行的人工智能解决方案。

没有训练数据的机器学习就像一辆没有汽油的汽车。既昂贵又无用。

 

没有人机回圈的机器学习是不会有好的产出的。机器学习模型需要人的参与来去除低的置信度预测。

 

0?wx_fmt=png 

 

因此,如果你是一个想把人工智能应用到业务上的执行官,现在你应该对它有一个认识框架了。你应该用人工智能的7个真理来代替这7个误解。

 

真相1:人工智能=训练数据+机器学习+人机回圈

真相2:人工智能属于任何行业

真相3:人工智能可以用几百万美元来解决现有的商业问题

真相4:算法并没有比训练数据的数量和质量更重要

真相5机器和人是互补的

真相6人工智能是机器增强人的能力

真相7:人工智能=训练数据+机器学习+人机回圈

原文发布时间为:2016-10-06

 

原文链接

本文转载自:http://click.aliyun.com/m/23312/

共有 人打赏支持
_夜枫
粉丝 9
博文 506
码字总数 0
作品 0
朝阳
后端工程师
2017 年度人工智能报告:7 大行业应用,100 个初创企业

摘要 详解人工智能 7 大行业应用场景 本文转载自硅兔赛跑(ID:svrace),极客公园已获转载授权,转载请联系出处。 2017 年,中美两地人工智能投资大热。 中国出台《新一代人工智能发展规划》...

黑板报值日生 ⋅ 2017/12/12 ⋅ 0

美国人工智能投资分析报告2017

美国人工智能投资分析报告2017 2017年12月26日 智元 AI产业 一个普通的乐高拼装玩具,稍加改造,嵌入一枚薄薄的智能芯片,就可以和孩子们说话了。一辆普通的汽车,即使没有配备激光雷达和摄像...

智元 ⋅ 2017/12/26 ⋅ 0

2017年美国人工智能投资分析报告

2017 年,中美两地人工智能投资大热。 中国出台《新一代人工智能发展规划》, 首次将人工智能发展提高到国家战略层面; 美国发布《人工智能:自动化和经济》, 敦促政府确保美国 AI 领先地位...

d1j4robv ⋅ 2017/12/12 ⋅ 0

媒体背后的智能家居

今年智能家居还蛮热的,可以看到国外的科技巨头,国内BAT,传统家电厂商等等都有在布局智能家居行业,小公司也很多,产品参差不齐。同时感觉“智能”两个词和“共享”一样被用烂了,空调装个...

丶常超 ⋅ 2017/12/27 ⋅ 0

2017年度人工智能报告:7大行业应用,100个初创企业

  2017年,中美两地人工智能投资大热。   中国出台《新一代人工智能发展规划》,   首次将人工智能发展提高到国家战略层面;   美国发布《人工智能:自动化和经济》,   敦促政府确...

人工智能机器人联盟 ⋅ 2017/12/12 ⋅ 0

人工智能商业化的元年,七大产业谋求变革,你最看好哪家公司或应用?

(原标题:人工智能商业化的元年,七大产业谋求变革,你最看好哪家公司或应用?) 摘要: 钛媒体隆重推出中国最具权威性和敏锐挖掘力的年度创新大奖——「BTAwards 年度创新评选」,其中的「...

钛媒体 ⋅ 2017/12/01 ⋅ 0

信通院何宝宏:区块链、AI、云计算等正成为监管科技的核心技术丨数博会2018

雷锋网AI金融评论现场报道 5月27日下午,在贵阳举行的2018年中国国际大数据产业博览会(以下简称“数博会2018”)之国际金融科技产业高峰论坛上,中国信息通信研究院与大数据研究所所长何宝宏...

李秀琴 ⋅ 05/27 ⋅ 0

终结者里的"天网"会出现吗?AI对核战争有何影响

随着科学技术的不断进步,人类变得越来越强大,但是这种强大力量带来了巨大机遇,也面临着巨大挑战。当前人工智能的发展潜力不可小觑,美国“兰德智库(RAND corporation)”最新研究报告显示,...

网易科技 ⋅ 06/04 ⋅ 0

有了安全边界,人工智能才能有序发展

如果把对人工智能的态度分为乐观派和忧虑派,近日去世的著名理论物理学家霍金一定属于后者。最近几年,他频频提醒人们注意人工智能的威胁,批评人工智能的无节制发展。 九三学社中央科技委委...

软件达人 ⋅ 03/20 ⋅ 0

技术理想主义的应许之地:我们在京东AI全景图背后看到了什么

假如说这两天中国科技圈有什么情绪的话,那大概就是:焦虑。 中兴被美国制裁的消息一出,瞬间媒体们又回忆起了被基础科研支配的恐惧。当我们看到一个个风口,一股股热钱奔腾而过,或许会觉得...

脑极体 ⋅ 04/18 ⋅ 0

没有更多内容

加载失败,请刷新页面

加载更多

下一页

20.zip压缩 tar打包 打包并压缩

6月25日任务 6.5 zip压缩工具 6.6 tar打包 6.7 打包并压缩 6.5 zip压缩工具: zip支持压缩目录 zip压缩完之后原来的文件不删除 不同的文件内容其实压缩的效果不一样 文件内有很多重复的用xz压...

王鑫linux ⋅ 3分钟前 ⋅ 0

double类型数据保留四位小数的另一种思路

来源:透析公式处理,有时候数据有很长的小数位,有的时候由在四位以内,如果用一般的处理方法,那么不足四位的小树会补充0到第四位,这样子有点画蛇添足的感觉,不太好看。所以要根据小数的...

young_chen ⋅ 10分钟前 ⋅ 0

Python 优化 回溯下降算法

使用sympy构造表达式,实现回溯下降算法 画出函数图像,先使用暴力搜索,找到最小值约为2.5左右 然后选定初始点,开始进行回溯搜索,下降方向为负梯度方向 下降的误差与步数大致呈现下面的状...

阿豪boy ⋅ 15分钟前 ⋅ 0

Django配置163邮箱出现 authentication failed(535)错误解决方法

最近用Django写某网站,当配置163邮箱设置完成后,出现535错误即:smtplib.SMTPAuthenticationError: (535, b'Error: authentication failed') Django初始配置邮箱设置 EMAIL_HOST = "smtp.1...

陈墨轩_CJX ⋅ 16分钟前 ⋅ 0

用接口模拟可伸缩枚举(34)

1、枚举的可伸缩性最后证明都不是什么好点子 扩展类型的元素是基本类型实例,基本类型的实例却不是扩展类型的元素,很混乱 目前还没有很好的方法来枚举基本类型的所有元素,及其扩展 可伸缩性...

职业搬砖20年 ⋅ 20分钟前 ⋅ 0

Ubuntu18.04 IDEA快捷键无法使用

IDEA默认的回退到上一视图的快捷键是Ctrl + Alt + Left,在ubuntu中这个快捷键被占用了,在16.04中可以在界面中取消这个快捷键,但是18.04就看不到了,可以使用以下命令解决 gsettings set ...

Iceberg_XTY ⋅ 24分钟前 ⋅ 0

如何解决s权限位引发postfix及crontab异常

一、问题现象 业务反馈某台应用服务器,普通用户使用mutt程序发送邮件时,提示“postdrop warning: mail_queue_enter: create file maildrop/713410.6065: Permission denied”,而且普通用法...

问题终结者 ⋅ 36分钟前 ⋅ 0

Unable to load database on disk

由于磁盘空间满了以后,导致zookeeper异常退出,清理磁盘空间后,zk启动报错,信息如下: 2018-06-25 17:18:46,904 INFO org.apache.zookeeper.server.quorum.QuorumPeerConfig: Reading co...

刀锋 ⋅ 56分钟前 ⋅ 0

css3 box-sizing:border-box 实现div一行多列

<!DOCTYPE html><html><head><style> div.container{ background:green; padding:10px 10px;}div.box{box-sizing:border-box;-moz-box-sizing:border-box; /* Fir......

qimh ⋅ 今天 ⋅ 0

Homebrew简介和基本使用

一、Homebrew是什么 Homebrew是一款Mac OS平台下的软件包管理工具,拥有安装、卸载、更新、查看、搜索等很多实用的功能。简单的一条指令,就可以实现包管理,而不用你关心各种依赖和文件路径...

说回答 ⋅ 今天 ⋅ 0

没有更多内容

加载失败,请刷新页面

加载更多

下一页

返回顶部
顶部