Gartner：多維度優(yōu)化人工智能應(yīng)用

齊健

在過去很長一段時(shí)間里，人工智能（AI）在大眾的印象中都是蒙著一層科幻色彩的未來技術(shù)。近年來，隨著機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，以及GPU在人工智能研發(fā)中的應(yīng)用，人工智能走入實(shí)際生產(chǎn)與生活的大趨勢已經(jīng)逐步形成，人工智能的發(fā)展與應(yīng)用在各行各業(yè)掀起了熱潮。

信息技術(shù)研究和顧問公司Gartner認(rèn)為，到2023年，用于人工智能的計(jì)算資源將在2018年的基礎(chǔ)上增加5倍，因此人工智能技術(shù)正在成為驅(qū)動(dòng)基礎(chǔ)設(shè)施架構(gòu)決策的最重要的工作項(xiàng)目。換句話說，在未來的企業(yè)生產(chǎn)與社會(huì)生活中，會(huì)有越來越多的平臺(tái)基礎(chǔ)架構(gòu)支持AI的基礎(chǔ)運(yùn)算。

人工智能模型需要持續(xù)優(yōu)化

人工智能不是標(biāo)準(zhǔn)化產(chǎn)品，它需要根據(jù)場景、環(huán)境和數(shù)據(jù)不斷變化，其中的模型和輸入、輸出的數(shù)據(jù)也需要不斷優(yōu)化，從而保證人工智能的正確率。Gartner研究副總裁蔡惠芬（Tracy Tsai）認(rèn)為企業(yè)在應(yīng)用人工智能解決方案時(shí)，廠商所提供的邏輯和模型都是可以快速完成實(shí)施部署的，但最花時(shí)間的是模型背后的數(shù)據(jù)。

蔡惠芬解釋說，在人工智能系統(tǒng)的邏輯和模型背后，需要大量的數(shù)據(jù)收集和判別工作。人工智能并不能自己完成學(xué)習(xí)，它需要根據(jù)人類輸入的數(shù)據(jù)積累運(yùn)算結(jié)果從而達(dá)到學(xué)習(xí)的目的。這就需要在應(yīng)用過程中，持續(xù)優(yōu)化數(shù)據(jù)輸入、判別數(shù)據(jù)有效性，并對數(shù)據(jù)進(jìn)行解釋、利用和標(biāo)注。同時(shí)，人在“輸入”的時(shí)候難免帶有個(gè)人的主觀看法，使人工智能的模型很難實(shí)現(xiàn)100%的客觀，因此，在運(yùn)行過程中還需要在數(shù)據(jù)之間建立知識圖譜，深入了解數(shù)據(jù)的關(guān)系結(jié)構(gòu)以及數(shù)據(jù)關(guān)聯(lián)性。

人工智能解決方案需要精準(zhǔn)研發(fā)

在人工智能供應(yīng)商方面，從汽車、安全、金融、服務(wù)到制造，今天的人工智能應(yīng)用已經(jīng)觸達(dá)了大量的已知商業(yè)領(lǐng)域，未來的人工智能將更加無孔不入。因此很難有一家供應(yīng)商實(shí)現(xiàn)針對各個(gè)領(lǐng)域及其中細(xì)分環(huán)節(jié)的全面人工智能服務(wù)。蔡惠芬介紹說，Gartner將人工智能技術(shù)的主要研發(fā)力量分為四大類。

第一類是傳統(tǒng)的IT技術(shù)提供商，例如，IBM和Microsoft，這些既有的、大型企業(yè)應(yīng)用軟件及平臺(tái)供應(yīng)商。第二類是傳統(tǒng)的企業(yè)應(yīng)用開發(fā)商，會(huì)在自己已有的應(yīng)用中整合、開發(fā)升級版的人工智能功能。第三類是初創(chuàng)的人工智能公司，這類企業(yè)主要提供有針對性的人工智能產(chǎn)品，例如，客服機(jī)器人、金融風(fēng)險(xiǎn)預(yù)測或制造業(yè)品質(zhì)鑒定。第四類則是對人工智能有需求的大型企業(yè)自建的研發(fā)部門，如三一重工和平安集團(tuán)這樣的大型制造企業(yè)秈金融企業(yè)等，這些企業(yè)的人工智能技術(shù)需求精確且復(fù)雜，很難直接找到完全符合需求的供應(yīng)商，這時(shí)企業(yè)將內(nèi)部強(qiáng)大的IT部門分出一部分力量，自主研發(fā)人工智能解決方案，經(jīng)過長期的實(shí)踐與研究，形成了更貼合細(xì)分領(lǐng)域的實(shí)用解決方案，并逐步向市場推出可供銷售的人工智能產(chǎn)品。

人工智能的投資目標(biāo)是創(chuàng)造價(jià)值

依托大量數(shù)據(jù)和訓(xùn)練，人工智能可以在降低人員成本的同時(shí)提升工作效率。蔡惠芬舉例說，目前，人工智能已經(jīng)可以在品質(zhì)檢測過程中幫助企業(yè)優(yōu)化業(yè)務(wù)。在產(chǎn)品質(zhì)檢過程中，由于產(chǎn)品瑕疵種類很多，無法通過一次性統(tǒng)計(jì)滿足所有問題的檢測。而人工智能在完成檢測的同時(shí)還可以根據(jù)不斷生成的“瑕疵”類型對運(yùn)算模型進(jìn)行“再優(yōu)化”，在完成檢測工作的同時(shí)不斷提高檢測能力。

當(dāng)然，降低人員成本、節(jié)約運(yùn)營開支只是人工智能可以實(shí)現(xiàn)的最短期目標(biāo)。人工智能可以通過分析運(yùn)算，幫助人做出高價(jià)值的決定，從而產(chǎn)生新的營運(yùn)收入。蔡惠芬強(qiáng)調(diào)：“人工智能最終的目的，是要協(xié)助人完成復(fù)雜的判斷、產(chǎn)生高價(jià)值的決定，從而優(yōu)化業(yè)務(wù)、創(chuàng)造價(jià)值?！?/p>

調(diào)查顯示，多數(shù)消費(fèi)者希望AI在生活中充當(dāng)“助手”而非“代理人。在工作中也是一樣，在Garmer對2708名企業(yè)雇員的調(diào)查中，50%的受訪者希望人工智能能夠根據(jù)人的需求提供協(xié)助，32%的人希望人工智能可以更積極地去提供協(xié)助。例如，在競爭對手推出新產(chǎn)品或者市場中出現(xiàn)銷量爆款或者新的競爭對手時(shí)，人工智能助手可以進(jìn)行預(yù)警和分析，使用戶實(shí)時(shí)掌握最新的市場動(dòng)態(tài)，并制定相應(yīng)的策略。Gartner認(rèn)為，未來的人工智能發(fā)展方向應(yīng)該是協(xié)助員工完成工作而不是取代員工。

人工智能對企業(yè)的反向要求

Gartner針對首席數(shù)據(jù)宮的調(diào)研顯示，在企業(yè)內(nèi)部制約人工智能發(fā)展的前兩大因素分別是企業(yè)文化對人工智能的適應(yīng)能力和員工的數(shù)據(jù)素養(yǎng)。

蔡惠芬解釋說，推動(dòng)人工智能發(fā)展的相關(guān)人員分別來自業(yè)務(wù)部門、IT部門和數(shù)據(jù)部門，如果數(shù)據(jù)專家不懂人工智能模型、IT專家不了解業(yè)務(wù)需求或者業(yè)務(wù)人員不會(huì)使用人工智能，那么人工智能在企業(yè)中的發(fā)展將舉步維艱。因此，利用人工智能實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)決策的關(guān)鍵，在于統(tǒng)一部門間的數(shù)據(jù)語言，構(gòu)建有效的內(nèi)部溝通與合作機(jī)制，整體提高企業(yè)文化對人工智能的適應(yīng)能力。

整體提升來源于企業(yè)對每個(gè)員工數(shù)據(jù)素質(zhì)，加深員工對數(shù)據(jù)本身的理解，從每個(gè)點(diǎn)提升理解、溝通和應(yīng)用數(shù)據(jù)的能力。Gartner預(yù)計(jì)到2020年，80%的企業(yè)將開始推行內(nèi)部數(shù)據(jù)素質(zhì)計(jì)劃，以提高其員工的數(shù)據(jù)能力。

“分級優(yōu)先”助推制造業(yè)人工智能應(yīng)用發(fā)展

蔡惠芬介紹，目前，在人工智能觸及的眾多領(lǐng)域中，制造業(yè)的發(fā)展相對緩慢，其原因主要有三點(diǎn)。首先，制造業(yè)的數(shù)據(jù)基礎(chǔ)復(fù)雜。金融和零售行業(yè)是人工智能較早觸達(dá)的領(lǐng)域，其主要原因是這些行業(yè)的數(shù)據(jù)豐富、直觀且容易獲取。而制造業(yè)的人工智能應(yīng)用對數(shù)據(jù)的數(shù)量、質(zhì)量和直觀性要求都比其他行業(yè)要高很多。

其次，制造業(yè)對人工智能模型的要求更高。在零售或服務(wù)行業(yè)中的人工智能對精確度要求并不高，因?yàn)榇蠖鄶?shù)的錯(cuò)誤不會(huì)直接給企業(yè)造成損失。但制造業(yè)的人工智能則可能直接影響運(yùn)營、生產(chǎn)和銷售，這就需要人工智能模型更加嚴(yán)謹(jǐn)和可解釋。

最后，由于制造業(yè)的核心價(jià)值建立在復(fù)雜的設(shè)計(jì)、生產(chǎn)系統(tǒng)中，相對于金融模型、消費(fèi)者行為分析來講，這類人工智能模型在建立和訓(xùn)練方面都具有一定難度。針對制造業(yè)的人工智能目前還停留在提升效率和優(yōu)化流程的“自動(dòng)化升級”，例如，用于品質(zhì)檢測和規(guī)范操作的機(jī)器視覺。

對此，Gartner建議制造企業(yè)在部署人工智能的過程中可以采用“分級優(yōu)先”的方法，逐步地實(shí)施人工智能，優(yōu)化業(yè)務(wù)和創(chuàng)造價(jià)值。

第一步，企業(yè)要排列業(yè)務(wù)場景的價(jià)值，從價(jià)值最高的場景開始評估。第二步，要找到數(shù)據(jù)，在價(jià)值較高的業(yè)務(wù)場景中選擇數(shù)據(jù)基礎(chǔ)好的部分推進(jìn)。第三步，需要認(rèn)清真正的業(yè)務(wù)需求。例如，企業(yè)要做客服品質(zhì)提升。那么，客服品質(zhì)提升的定義是什么？是滿意度提升，還是訂單增加？企業(yè)需要由此制定具體的衡量指標(biāo)。第四步，要評估市場上的解決方案，優(yōu)先選擇有可靠供應(yīng)商和成熟解決方案的業(yè)務(wù)場景實(shí)施。

“基于這四個(gè)關(guān)鍵點(diǎn)的優(yōu)先順序很重要。有價(jià)值、有數(shù)據(jù)、企業(yè)明確自己的需求和有解決方案。如果這四個(gè)都沒有的話，就再找、再看，否則花費(fèi)很多時(shí)間卻很難達(dá)成期望的效果。”蔡惠芬說。

未來人工智能將更加“可解釋化”和“可定制化”

人工智能的運(yùn)算精度需要隨著數(shù)據(jù)輸入和不斷訓(xùn)練提升，而當(dāng)模型建立之后，數(shù)據(jù)標(biāo)注資料越來越多。同時(shí)，隨著數(shù)據(jù)量和邏輯的不斷增大，傳統(tǒng)的機(jī)器學(xué)習(xí)對可解釋的運(yùn)算結(jié)果處理速度將越來越隕，企業(yè)需要通過深度神經(jīng)網(wǎng)絡(luò)挖掘、進(jìn)一步提升精準(zhǔn)度。Gartner認(rèn)為，到2022年，在原本采用機(jī)器學(xué)習(xí)（ML）技術(shù)的應(yīng)用中，將有75%以上的企業(yè)使用深度神經(jīng)網(wǎng)絡(luò)（DNN）完成傳統(tǒng)的機(jī)器學(xué)習(xí)。

蔡惠芬表示，人工智能技術(shù)本身發(fā)展的趨勢，會(huì)越來越“可解釋化”。機(jī)器可以告訴我們什么樣的數(shù)據(jù)產(chǎn)生了什么樣的結(jié)果，并讓管理者理解，為什么會(huì)產(chǎn)生這樣的結(jié)果。同時(shí)，人工智能也會(huì)越來越“可定制化”，在不同的行業(yè)、不同的企業(yè)中，利用相似的模型，以定制化的框架在企業(yè)中陜速實(shí)現(xiàn)人工智能應(yīng)用的價(jià)值。