选择正确的人工智能用例的5个技巧

作者: David Petersson 2019-11-11 16:08:36

 很多企业可能对采用人工智能还没有做好准备,因此从单个项目开始可能是一个很好的开始。首席信息官在早期人工智能项目中应该有什么收获?

谷歌公司是使用人工智能的先驱之一,在短短的时间内,该公司的净收入同比翻了一番,投资回报丰厚。如今,许多公司都在采用人工智能。调研机构Genesys公司预测,到2022年,60%的美国公司将使用人工智能技术,其原因很简单:这些公司不仅看到了结果,而且担心在市场竞争中输给人工智能驱动的竞争对手。

然而,很多企业并不善于处理人工智能用例。正如提供自动化机器学习工具的Aible公司首席执行官兼创始人、Salesforce Einstein公司创始人之一Arijit Sengupta所解释说:“由于绝大多数人工智能项目都失败了,因此很难提供统计数据来证明人工智能在商业中的有效性。2018年,研究机构Gartner公司估计,85%的人工智能项目没有成功。虽然人工智能技术具有着巨大的潜力,但如今大多数人工智能用例在商业运营方面都失败了。”

以下将讨论首席信息官应该如何处理他们的人工智能使用案例和策略,以取得成功。行业媒体采访了数十位人工智能专家,并分享了他们多年来的实践经验。

1.主要依靠数据的人工智能

众所周知,人工智能依靠数据为生,但是数据的重要性常常被低估了。

聊天机器人开发商Verint公司副总裁Jen Snell解释说:“人工智能中的数据问题的范围和规模远远超出了大多数人的认识。由于数据的原因,很多企业的项目都会遇到问题——从数据质量到管理和整理数据以获得有意义的见解,再到标记和模型构建。一开始似乎很容易,但当企业着眼于规模增长、改变模型、管理和确保对系统的控制时,就会变得棘手。”

Snell的统计数据令人痛苦:虽然59%的高管认为人工智能可以改善对大数据的使用,但85%的大数据项目或人工智能项目却失败了。她说,“我们在15年前就已经意识到了这一点,花费了几年的时间与客户和现实数据一起了解问题的广泛性和系统性。”

因此,拥有可靠和干净的数据对于人工智能转换是必不可少的——甚至比人工智能算法还要重要。人工智能技术和解决方案提供商Veritone公司应用人工智能主管Aaron Edell说,“我了解到,调整算法和给定模型的数学只会带来很少的改进。对准确性的最大提升来自良好、干净的培训数据。尽早制定数据获取策略是机器学习成功的关键——我希望从一开始就知道这一点。”

如何获取数据对于人工智能用例也是至关重要的。虽然从外部来源购买数据可以让企业脱离实际,但这还不足以让其业务继续运行,因为人工智能不了解它的功能,而且它只会像提供的数据一样好。Edell在研究经过一般训练的模型时发现了这一点。他说:“一个由100万‘名人’训练的名人识别模型,在现实生活中的用例中表现很差,因为它没有按照它要运行的数据进行训练。如果试图了解詹妮弗·安妮斯顿在《老友记》每一集中出现的频率和时间,那么采用她在奥斯卡颁奖典礼上的照片训练的模型,其表现将不如从《老友记》的片段中进行屏幕抓取图片的模型。”

每一家公司都可能需要针对其业务的精心调整的人工智能。从长远来看,这将导致更高效的算法,从而带来更高的收入、更低的成本和更快乐的客户。

2.选择正确的起点

成功的人工智能转型是无所不包的变革。这不仅与技术变革有关,还与文化变革和企业面对来自员工的阻力有关。因此,首席信息官必须从头开始规划成功。

企业在实施人工智能用例时,最好从易到难。正如工作区自动化Avii公司首席执行官Lyle Ball所描述的那样,找到涉及人员的重复性很高的任务,让人工智能系统来完成这些功能。

人工智能驱动的聊天机器人解决方案提供商Senseforth公司首席执行官Shridhar Marri解释说,“不过从流程上讲,最好首先从面向消费者的角度出发。客户期望在他们选择的渠道上获得场景和个性化的服务。获取、吸引和支持客户的整个范围是人工智能技术正在转变的一个关键方面。”

通过改善客户服务获得的利润和满意度也有助于企业展示人工智能转型的价值,尤其是在面临同事和员工的抵制时。Ball总结说,“这有助于打开其他用途的大门。”

在获得客户体验之后,Marri的建议是追求提高运营效率和降低成本。

必须注意不要将人工智能转换与数字转换混淆。有时,即使非基于人工智能的自动化工具也足以胜任这项工作。在企业采用人工智能技术之前,必须进行适当的研究,以查看人工智能项目是否是前进的最佳方法。为富国银行等公司构建了基于人工智能的聊天机器人的厂商的首席执行官Jonathan Duarte分享了他的经验。他说,“在我领导开发的一个项目中,项目计划已经制定,但是在项目启动之前很少进行客户研究。在这种情况下,当设计聊天机器人时,用户已经找到了一种解决方法,该解决方法虽然没有无限的可扩展性,但与人工智能工具一样强大。”

3.为文化变革做准备

仅仅关注人工智能改造的技术方面是不够的。具有讽刺意味的是,虽然人工智能似乎是要取代人类,但近年来,人们才开始了解人类劳动力的价值。

Skymind公司首席执行官兼联合创始人Chris Nicholson提供了支持大规模机器学习的人工智能基础设施,他强调了获得同事支持和合作的重要性。他说,“企业的团队可能会使用其计划引入的人工智能解决方案,如果他们不接受,那将不会有什么好处。”

此外,企业团队可能会参与产生或审核人工智能解决方案所需的数据,如果他们不支持转向自动化,将不会获得良好的数据。Nicholson总结说:“人工智能项目很难起步,所以没有理由再制造更多的困难。”

4.建立人工智能是一个旅程

首席信息官在选择人工智能用例时犯的一个错误是忘记了人工智能的独特功能。人工智能之所以伟大,是因为它可以学习,但只知道人类所教的知识。建立人工智能用例是一个旅程,而不是目的地。Marri解释说,“必须不断地重新训练人工智能,以保持它的最新和可用性。例如,聊天机器人需要了解企业的新产品或了解新的或意外的消费者请求,以证明自己的有用性。”

许多人工智能和劳动力相结合的企业都采用这种策略:人工智能遇到麻烦时,人们会处理各种情况,不仅提高用户体验,还会为人工智能创造新的数据供其学习。同时,人工智能有助于实施大量重复性工作以及替代人工工作。

5.了解极限

虽然在此讨论了如何开始使用人工智能用例以及如何正确地使用它,但也需要注意一些陷阱,以确保项目成功并保持成功。由资深独立分析师组成的分析组织的首席执行官兼创始人Tom Austin指出了一个致命的例子。他说:“不要像波音737 Max 8上的MCAS(机动特性增强系统)系统的设计者那样,自动消除人类的判断。人工智能并不是无所不能的,它是机器人,虽然能做人们做不到的事情,但却无法思考。”

Austin说,“虽然这样的例子看起来有些极端,但有一个重要的教训值得学习:不要将错误归咎于技术,而人类在现在和将来都继续处在责任链的末端。”

人工智能 机器学习 数据
上一篇:长相不讨AI喜欢面试就会挂?全球百万求职者经历AI“看脸”面试 下一篇:未来已来,如何减少人工智能带来的风险?
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

面部识别的利与弊:是福还是祸?

虽然现代技术使面部识别更加精确和安全,但与面部识别隐私问题和监控有关的担忧也在增加。因此,让我们在这篇文章中探讨一下这该技术的利与弊。

Naveen Joshi ·  2021-06-01 16:36:22
人工智能和5G如何结合以实现物联网收入最大化

网络系统通过信令和使用软件以及分析来检测和分类设备非常棘手,并且对有限且日益紧张的网络资源提出了巨大的需求。然而,解决这些问题有一个主要解决方案:采用人工智能、自动化和5G技术。

Jordi Castellvi ·  2021-06-01 13:49:15
MIT团队最新研究,仅靠LiDAR和2D地图实现端到端自动驾驶

最近, MIT 计算机科学与人工智能实验室(CSAIL)团队成功展示了一种基于机器学习的自动驾驶系统,该端到端框架仅使用 LiDAR获取的原始 3D 点云数据和类似于手机上的低分辨率 GPS 地图就能进行自主导航,并且大大提升了鲁棒性。

文龙 ·  2021-06-01 12:47:51
自然语言处理(NLP)的历史及其发展方向

自然语言处理的历史是一个充满曲折的故事。它从徒劳的研究开始,经过多年卓有成效的工作,最后结束于一个我们仍在试图找出该领域极限的时代。今天,让我们来一起探索这一AI科学分支的发展。

佚名 ·  2021-06-01 12:46:26
是福还是祸?人脸识别技术的利与弊

面部识别并不是一项全新的技术,但人工智能和机器学习不断使面部识别变得更好。苹果通过引入具有 3D 扫描功能的面部生物识别系统和 iPhone 的 Face ID,提高了面部识别的标准。

Naveen Joshi ·  2021-06-01 11:11:01
人工智能能否使机器具有流体智力?

麻省理工学院和奥地利研究人员为灵活的人工智能创造了“液体”机器学习。

千家网 ·  2021-06-01 10:38:55
高真实感、全局一致、外观精细,面向模糊目标的NeRF方案出炉

自 NeRF 被提出后,有多项研究对其加以改进。在本篇论文中,上海科技大学的研究者提出了首个将显式不透明监督和卷积机制结合到神经辐射场框架中以实现高质量外观的方案。

Haimin Luo等 ·  2021-06-01 09:57:39
大脑模拟NLP,高德纳奖得主:神经元集合演算用于句子解析

一个简单的大脑模型为人工智能研究提供了新的方向。世界顶尖计算机科学理论学家、哥德尔奖和高德纳奖获得者、哥伦比亚大学计算机科学教授 Christos Papadimitriou 关于「大脑中单词表征」的演讲。

Ben Dickson ·  2021-06-01 09:39:24
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载