之所以还囫囵吞枣翻译(有精简)、转来,是因看到前两天×××院士徐匡迪先生提的一个问题:“中国有多少科学家投入到人工智能的基础算法研究中?”东南大学教授万遂人强调:“我们人工智能领域真正搞算法的科学家凤毛麟角。”最近几年,AI炒翻天。有太多商业泡沫遮蔽了我们的认知。即便有些虽然看上去合理的讨论,也容易被扭曲。比如,前年下半年、去年上半年,几个行业大人物围绕中美AI核心竞争力做着比较,最后我们大都在强调自己的数据优势、场景优势,而美国强调了自己的算法与底层的综合技术。夸克君应该是最早提出“互联网沙文主义”概念的一个。对于AI的认知,也持有同样的观点。当然我们绝不是否定它的价值。

  我们对任何新技术都容易产生误解。AI方面似乎特别明显。这跟它的潜在影响范围已产生一定神话性有关。

  “AI通常被误解。因为,我们需要探索一个巨大的宇宙,探索未知会让人感到困惑和恐惧,” Very的工程副总裁Bill Brock说。

  对于试图在企业中构建AI实际应用的IT领导者来说,这已成一个特殊问题。

  “AI在企业中变得越来越普遍,但应用场景、如何改进或更新过往系统仍有很多误解,”布洛克说,虽然可将“机器人成为同事”的说法“浪漫化”,仍有必要了解不同类型的技术如何增强我们的系统并创造更有效的环境。

  事实上,“浪漫化技术”是天空销售推销的主要内容,而非战略CIO通过AI实现的底线结果。

  此外,浪漫化的现实往往会产生妨碍可行目标的各种神话。因此,这里请Brock和其他专家确定当今企业中关于AI的常见神话,以帮助IT领导者和其他商业人士将事实与虚构分开。

  神话1:AI等于机器学习

  不是。理解两者之间的差异,至关重要。机器学习更像是AI的子学科。

  “我发现,许多交流中,这些术语之间没什么区别,” SigOpt的研究科学家Michael McCourt说 ,这很有问题。

  比如,如果一个公司领导层认为建立分类模型等于使用数据巩固决策过程,就会忽视建立模型的结构和含义的重要步骤。这将导致公司对AI投入不足,没有足够的人力深入更大场景,最后导致失败。

  神话2:AI与自动化是一回事

  AI和自动化也常常混淆。它们之间确实存在重要的关联。

  “随着人们越来越熟悉AI,会了解到它是一种能思考的机器 ,至少能根据一系列预先定义的模型、算法做出明智决策。而‘自动化’只是在没有人为干预的情况下完成任务而已。 ”布罗克说说,“自动化并不一定意味着AI,但AI最具影响力的一些案例,会以戏剧性的方式增强自动化。”

  神话3:数据多就能带来更好的AI结果

  这误解已深。好像AI成功的唯一真正先决条件是“数据”。

  眼下,AI和机器学习团队的工作,几乎完全集中在数据挖掘与清理上。

  “重要的不是数据的数量,而是质量,” LexisNexis Legal and Professional首席数据官Rick McFarland认为,“大量不良或标记不统一标的数据,并不能让您更接近结果。它们实际上可以通过创建‘精确’结果来欺骗建模器,因为方差公式与样本大小成反比。”

  他说,从早期AI故障中学到的常见经验之一是:我们只是在其中投入大量数据并假设它可行。早期阶段,海量数据未必更好。

  “质量数据是有效算法不可或缺的一部分,”Very公司的Brock表示,无论解决什么问题,不良数据都会产生糟糕的结果。

  “最佳实践是,使用结构化方法和偏差测试,来创建更好的训练数据集 。”McFarland说,建模人员实际上可使用以较低成本获得的较小数据集。

  神话4:AI将从部署一刻起传递价值

  不是说数据多反而不好。 事实上,随着时间推移,它会变得越来越必要,只是数量和质量必须同步。一般来说,没有人期望AI计划立马获得投资回报,但有时,很多人还是不断描述,只需打开,就能看到魔术。

  “AI和ML引擎需要培训,需要大量数据才能学习。一些数据可以播种,“”NetEnrich首席技术官Javed Sikander说 ,但是,大部分数据来自部署的域,以及AI / ML系统集中学习的地方。因此,期望系统第1天就提出建议和见解并不合理。我们需要建立流程,并在各种环境中分配资源,逐步学习,只有那时才会产生魔力。

  神话5:AI和机器学习基本上只是“软件开发”

  Algorithmia首席执行官Diego Oppenheimer认为,组织与其他任何软件开发的方式相同,都在接近AI和ML。

  “AI / ML开发只是软件开发的一个神话,”奥本海默说,事实上,大多数ML项目失败的很大原因,在于ML工作负载与传统软件行为非常不同,它们需要一套不同的工具、基础架构、流程,才能大规模部署与管理。

  奥本海默指出了以下问题:

  1、异质性:有一个庞大且不断增长的语言和框架菜单。2、可组合性: AI和ML涉及多组件协同,每个组件可能用不同语言、由不同团队构建。3、开发过程: 传统软件开发中,输出是“受控环境中执行的代码”。机器学习中,输出是“一个不断发展的生态系统”。这需要一个更具迭代的循环。4、硬件/基础设施: CPU、TPU、GPU、边缘计算以及任何新选择, 每个都有不同优势、挑战。5、性能指标: 没有适用于每个人甚至许多人的标准指标集。

  神话6:AI只是另一种需要考虑的“技术”郑州妇科:http://mobile.tjyy120.com/

  有时,我们通过新旧比较,来让一些令人生畏的东西看起来更容易管理一些。好像往事重现一样。

  AllCloud数据与AI副总裁Guy Ernest说 ,这可能会导致IT团队只是将AI视为另一个技术周期。事实上并非如此。

  “AI更像人类的大脑或身体:你用得越多,它变得越强大,越聪明。”他说。

  他同时强调,大多数技术都很“脆弱”。使用它们越多,它们也会变得越复杂,也就越容易破碎。