福建快三今天|福建快三开奖走势图表跨度
您的位置 > 首页 > CDA专访 > 揭穿企业中的8个AI神话:消除人们对商业应用AI的错误观念

揭穿企业中的8个AI神话:消除人们对商业应用AI的错误观念

来源:CDA原创 | 2019-10-11 | 发布:经管之家





充足的浪漫机器人:让我们消除八个关于在商业世界中应用AI的常见错误观念



作者 | Kevin Casey

编译 | CDA数据分析师

AI in the enterprise: 8 myths, debunked

对任何新兴技术都存在误解,但在人工智能方面,误解似乎特别明显。也许这是因为人工智能潜在影响的范围已经产生了一定的神话地位。
“AI通常被误解,因为我们需要探索一个巨大的宇宙,探索未知可能会让人感到困惑和恐惧,” Very的工程副总裁Bill Brock说 。
对于试图在其组织中?#33539;ˋI实际应用程序规模的IT领导者来说,这成为一个特殊问题。
?#20843;?#28982;企业中的人工智能正变得越来越普遍,但对于其使用案例以及如何改进或更新过去的系统仍存在相当多的误解,”布洛克说。?#20843;?#28982;我们可?#36234;?#20851;于机器人成为我们同事的概念浪漫化,但有必要了解这些不同类型的技术如何有助于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通过人工智能实现的底线结果 。
并且实现了:哈佛商业评论分析服务的新报告“ 实际人工智能执行?#25913;稀?#35814;细介绍了技术高管如何在包括Adobe,7-Eleven,拜耳作物科学,凯撒娱乐在内的公司中记录人工智能获胜,Capital One,Discover,Equifax和Raytheon。
此外,浪漫化的现实往往会产生妨碍可行目标的各种神话和误解。因此,我们请Brock和其他专家?#33539;?#24403;今企业中关于人工智能的常见神话,?#22253;?#21161;IT领导者和其他商业人士将事实与虚构分开。

8个AI神话
1.“人工智能和机器学习是一回事。”
它们不是,并且理解两者之间的差异对于各种原因至关重要,例如避免蛇油解决方案,以及建立人工智能计划以取?#20204;?#23454;成功。更科学的说,机器学习被认为是AI的特定子学科。
“在许多对话中,我发现这些术语之间没有?#35009;?#21306;别,” SigOpt的研究科学家Michael McCourt说 。“这可能会有问题。如果一个公司的权力人员认为“建立?#19994;?#20998;类模型”等同于“使用我们的数据来巩固我们的决策过程?#20445;?#37027;么?#23454;?#35299;释模型的结构和含义的重要步骤是必要的。未能认识到这一神话将导致公司在人工智能团队中投资不足,或许还没有足够的人员在这些模型的开发和解释中涉?#26696;?#24378;大的业务环?#24120;?#36825;可能会让AI团队失败
2.“人工智能和自动化是一回事。”
人工智能和机器学习并不是引起困惑的唯一两个术语。与机器学习类似,人工智能和自动化往往会混淆,因为它们之间确实存在关系 - 这是一个重要的关系。
?#20843;?#30528;人们越来越熟悉人工智能,他们了解到人工智能是一种能够思考的机器 - 或者至少根据一系列预先定义的模型和算法做出明智的决策 - 而自动化只是在没有人为干预的情况下完成任务, “布罗克说。“自动化并不一定意味着AI,但人工智能最具影响力的一些用例会以戏剧性的方式增强自动化。”
3.?#26696;?#22810;的培训数据可?#28304;?#26469;更好的人工智能结果。”
越来越常见(并且越来越成问题)的误解是人工智能成功的唯一真正先决条件是大量数据。
现在AI和机器学习团队的工作几乎完全集中在策划和清理数据上。
“重要的不是培训数据的数量,而是质量,” LexisNexis Legal and Professional首席数据办公?#19994;腞ick McFarland说 。“大量不良或不一致标记的训练数据并不能让您更接近准确的结果。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?#21462;?#31616;而言之,你会得到精确的不准确的结果。“
我们将在这里采取适度的措施并预测,简而言之,从早期AI故障中学到的最常见的经验之一将是:我们只是在其上投入了大量数据并假设它可行。在早期阶段,更大的未必更好。
“这不能说得太多 - 质量数据是有效算法不可或缺的一部分,”来自Very的Brock说。“人们经常会误认为人工智能的能力以及如何为成功做好准备。无论你想要解决?#35009;?#38382;题,不良数据都会产生糟糕的结果。“
Brock补充说,人工智能和机器学习团队现在的工作几乎完全集中在策划和清理数据上。即使您还没有达到这一点,也要始终优先考虑质量而不是数量。
“今天的最佳实践专注于使用结构化方法和偏差测?#28304;?#24314;更好的训练数据集 ,”McFarland说。“结果是建模人员实际上可以使用?#36234;系?#25104;本获得的较小数据集。”

4.“人工智能将从部署的那一刻起传递价值。”
这并不是说?#26696;?#22810;数据”本质上是一件坏事; 事实上,随着时间的推移它变得越来越必要。但时间是关键词:你需要它来使数量和质量同步。?#35805;?#26469;说,没有人会期望他们的人工智能计划立即获得投资回报率,但有时候这种技术的描述方式如下:只需打开它,观察魔术的发生。
“AI和ML引擎需要经过培训,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AI / ML系统从第1天开始提出建议和见解是不合理的。需要建立流程,并且需要在各种环境中分配资源,以便逐步实现这种学习。只有那时才会发生魔力。“
5.“人工智能和机器学习基本上只是软件开发。”
Algorithmia首席执行官迭戈·奥本海默(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项目都失败了,一个很大的原因是ML工作负载与传统软件的行为非常不同,需要一套不同的工具,基础架构和流程才能大规模部署和管理。”
奥本海默指出了以下问题:
异质性:有一个庞大的,不?#26174;?#38271;的语?#38498;?#26694;架?#35828;?#21487;供浏览。奥本海默说:“数据科学就是选择,它会在变小之前变大。”
可组合性: AI和ML通常涉及多个组件的同步管道,每个组件可能由不同的团队和不同的语言构建。Oppenheimer举例说明了一个系?#24120;?#38656;要一个模型来选择目标图像,另一个需要从这些图像中提取文本,第三个是根据这些图像进行情感分析,第四个是根据?#20204;?#32490;推荐一个动作。Oppenheimer表示,虽然传统的应用程序开发可能会像微服务这样朝着这个方向发展,但与AI和ML的需求相比,它仍然是相对单一的。这需要对某些团队进行调整。
开发过程: “在传统的软件开发中,输出是在受控环境中执行的代码,”Oppenheimer说。“在机器学习中,输出是一个不断发展的生态系统 - 通过代码与实时数据的交互进?#22411;评懟?#36825;需要一个非常不同的,更加迭代的循环。“
?#24067;?基础设施: “[它]仍在不断发展:CPU,TPU,GPU,边?#23548;?#31639;以及任何数量的新选择 - 每个都有不同的优势和挑战。
性能指标: “基于ML的性能指标是多维的,并且对上下文非常敏?#26657;監ppenheimer指出。这意味着没有适用于每个人甚至许多人的标准指标集。“如果零售欺诈检测模型在误报方面出错,只要它能够足够快地返回结果,不
本文已经过优化显示,查看原文请点击以下链接:
查看原文:https://www.cda.cn/view/27186.html

看图学经济more

京ICP备11001960号  京ICP证090565号 京公网安备1101084107号 论坛法律顾问?#21644;?#36827;律师知识产权保护声明免责及隐私声明   主办单位:人大经济论坛 版权所有
联系QQ:2881989700  邮箱:[email protected]
合作咨询电话:(010)62719935 广告合作电话:13661292478(刘老师)

投诉电话:(010)68466864 不良信息处理电话:(010)68466864
福建快三今天 2018世界杯在哪投注 云南时时开奖今天 压森林舞会怎么保赢 AG海底漫游开奖软件 手游魔龙世界职业推荐 三公平台 重庆时时在线预测网 围骰是什么意思 财神捕鱼电玩下分版 老快3规则