每天都充斥着这么多炒作，你怎么知道一个像人工智能这样的新兴技术是否值得投入时间?我们都着迷于一些惊人的成果，比如AlphaGo击败了围棋冠军，自动驾驶车辆的进步，Alexa和小娜执行的语音识别，以及由Google Photos、Amazon Rekognition和其它公司执行的图像识别，以及其它照片分享应用程序。
当像谷歌、亚马逊、微软、IBM和苹果这样的大型的，技术强悍的公司在新技术上取得成功并且媒体称赞它们的时候，企业往往相信这些技术可以为其所用。但是这是真的吗?如果是真的，又体现在什么地方呢?
每当有新技术开始成为主流时，下面这类问题是首席信息官们要思考的：
• 对于首席信息官来说，这是一种需要投资，研究，关注还是忽略的技术?我们如何向业务领导者解释技术是否适用于业务，以及它是否具有竞争机会或潜在的威胁?
• 对于更多好奇的员工，我们如何用通俗易懂的话来简化技术所做的工作，并将炒作、当今的现实和未来的潜力区分开来?
• 当一部分员工表现出对探索这些技术的兴趣时，我们是否应该给予支持，我们应该把他们引向什么问题，以及他们应该在技术的什么方面投入学习时间?
• 当供应商展示这样的营销事实时——他们的能力是由新兴技术驱动，而且他们的员工拥有专家博士帮助支持产品的开发，那么我们如何在真正具有商业潜力的服务、炒作和实质之间做出评估?
人工智能究竟是什么，以及它是如何获得成就的
人工智能技术已经出现有段时间了，但是对于我来说，在1968 - 1969年，当SHRDLU自然语言处理(NLP)系统问世时，发布了感知器和反向传播的研究论文，全世界通过《2001太空漫游》里的HAL开始意识到人工智能的存在。接下来的重大突破可以锁定在20世纪80年代后期，在学习算法中使用反向传播，然后应用于手写识别等问题。人工智能在20世纪90年代后期以第一个聊天机器人(ALICE)以及打败了国际象棋世界冠军Garry Kasparov的深蓝应对了大规模的挑战。
在20世纪90年代，我获得了第一次人工智能的实践经验。在亚利桑那大学的研究生院，我们中有些人用C语言编神经网络来解决医学、天文学和其它研究领域的图像识别问题。我们尝试了各种学习算法，解决优化问题的技巧以及针对不精确的数据做决策的方法。
如果我们研究神经网络的话，我们会手工编程感知器的数学运算，然后遍历网络层来产生输出，然后反向遍历来应用反向传播算法来调整网络。然后，我们将漫长地等待系统稳定其输出。
当早期的成果失败的时候，我们无法确定是否应用了错误的学习算法，没有针对我们试图解决的问题优化网络，或者只是在感知器或反向传播算法中有编程错误。
提前叙述今天的话，很容易看出为什么在过去几年人工智能成果有一个指数级的飞跃，这要归功于几个进步。
首先是云计算，它可以在一组机器上运行大型神经网络。计算分布在大量的计算节点，而不是逐个遍历感知器且只使用一个或两个网络层。这使深度学习算法成为可能，这种算法本质上是具有大量节点和层次的神经网络，能够在合理的时间内处理大规模问题。
其次，TensorFlow、Caffe、Apache MXNet等商业和开源库和服务的出现为数据科学家和软件开发人员提供了将机器学习和深度学习算法应用于其数据集的工具，而无需编程底层数学或启用并行计算。未来的人工智能应用将由英伟达、英特尔、超微半导体(AMD)等公司的创新和竞争推动的芯载或板载人工智能驱动。
不要将人工智能炒作与人工智能现实混为一谈
一旦了解了历史和技术，通过评估新兴技术在其生命周期中的所处位置往往是很有用的。
Gartner在将机器学习和深度学习推向了其炒作周期的巅峰，并预测2020年之后将出现“通用人工智能”(人工智能应用于任何智能问题)。Venture Scanner显示，人工智能中约三分之二的启动资金将流向早期的几轮融资(种子资本、A轮和B轮)，这表明很多销售或推广人工智能解决方案的公司处在产品开发和销售周期的早期阶段。麦肯锡指出，只有20%的意识到人工智能的重要性的公司正在采用人工智能，超过50%的人工智能投资来自科技巨头、初创公司，与碰巧使用该技术的企业相对。
这些统计数据应该让任何首席信息官或业务主管们在大力投资人工智能投资之前犹豫一下。虽然人工智能肯定前途无量，但对这些算法进行大规模地商用还为时尚早。
早期的胜利者是大型科技公司和拥有人才、资金和有耐心试验新技术的初创公司。大多数企业和中型企业很难享受这样的机会，他们只是刚刚开始他们的人工智能之旅。
人工智能是一个具有高度颠覆性的技术，所以你不应该忽视它。要明智地进行这项事业，避免被人工智能炒作催眠。
例如，当某些应用程序的语音成为比屏幕和键盘更好的人机界面时，或者当聊天机器人变得比人类客户服务代理更智能、更快时，很多企业将不得不利用这些技术来升级他们的用户体验。
同样，当深度学习算法在检测欺诈、风险交易或安全威胁方面越来越好时，企业将不得不使用这些方法。
而且，当我们开始能够用更多的非结构化数据尽可能高效地从口语、音频和视频提取出智能时，使用这些功能将为大量业务提供显著的竞争优势。
“何时”才是关键词。
大多数企业应该瞄准快速模仿者，而不是早期采用者。这意味着在早期关注甚至尝试人工智能，但要一直等到人工智能足够成熟、经受足够考验且能够大规模地交付时才能依靠它。
当你了解人工智能功能时，请寻找工具和实例来帮助评估人工智能及其成熟度的应用程序。例子包括：
• Forrester定义了九个基本的人工智能技术，并提出了一个以假设和研究开始并以三个层面的实用化应用结束的构建模型。
• Workday发布了成熟度模型，将人工智能应用于自动化，并在发现和转变应用程序之前通知用户。这是有道理的，因为当把它应用于人们已经解决的问题时，更容易评估人工智能成果。
• 保险、医疗、银行、农业、法律、广告、建筑、慈善和媒体等行业都有很多例子。
以基本的商业目标开始你的人工智能程序
人工智能和机器学习的炒作正在推动一些技术和商业领导者开始采用技术优先战略。如果你正在试验机器学习库或者追求正在大肆渲染人工智能的厂商，那么你就错过了一些关键的开始步骤。
恰恰相反，首先从研究有明显优势来抵消研发成本的业务问题和机遇开始。这些机会应该由你已经拥有的超大数据集来支持，或者你可以轻松获取并进行整合数据的数据集。从其它非技术公司在其它行业所展示的成功中获得启发。
从明确的商业机会开始的一个原因是，你可能会找到不需要最新的人工智能技术的解决方案。如果你需要某种形式的人工智能，这种明确商业机会的方法可以让你对解决方案的类型进行分类，并评估人工智能所需的整体成熟度。
例如，如果你正试图将一个高度手动的业务流程自动化，包括从流水线上下来的零件的视觉检查，那么你可以将图像识别和机器人流程自动化结合起来，以此作为解决方案集的一部分。这两个领域都是比较成熟的人工智能领域，该领域的各种成功案例和供应商解决方案就证实了这一点。
另一方面，如果解决方案需要大量的认知评估和思考，那么你正在进入一个不成熟的人工智能空间。
评估人工智能成熟度的一种方法是查看人工智能初创公司发布的各种供应商概况，例如来自Venture Scanner的供应商概况、机器智能的当前状态、O'Reilly的机器人概况以及人工智能金融技术概况。回顾一下这些清单，你会发现很多初创公司都把注意力集中在离散的问题集而不是广义的认知解决方案上。
当供应商说“只要把你的数据放在我们的人工智能上”，就能期待专家智能的返回，不要被忽悠了。这是不可能发生的。
要真正发挥作用，你的人工智能需要大量的数据
这为成功启动人工智能带来了第二个先决条件：你需要大量相对干净的数据来训练人工智能解决方案并评估输出的数据。
自动驾驶汽车能够实现的一个原因是，从这些汽车在每小时的驾驶中由激光雷达(lidar)和其它传感器产生的4000GB容量的数据。对于只是少数几个关于汽车是否应该转向、加速、减速或完全停止的基本决定，这数据真的是很多。
很多成功的人工智能解决方案都属于这种将大量数据转化为有限决策的类别。例如，在图像识别中，我在看一张里面有你的照片吗?在协作过滤中，根据你过去的阅读体验与其它阅读选项，最近发表的文章是否与你更相关?在评估交易时，它是否与欺诈交易有类似的模式?
神经元可以逼近高度复杂的曲线来区分结果。要开发这个网络，你需要一个大型的标记的数据集，以便网络就可以通过比较计算结果和标记结果来得到想要的结果。然后使用反向传播或其它学习算法对错误进行调整，并在所有标记数据中重复多次练习，直到网络稳定为最佳曲线。这些都是用培训集开发的监督学习解决方案。
如果数据未被标记，则网络可以使用无监督学习方法，这些方法依赖于评估结果的熵表达式。例如，当谷歌的DeepMind被用来学习玩Atari游戏Breakout时，它使用得分来评估结果。
除了数据集之外，贵组织还需要数据集成和自动化功能，因此你可以将数据移入和移出任何人工智能处理引擎。如果你的组织习惯于让人们手动运行脚本来推送数据，我强烈建议你在投资人工智能解决方案前先投资自动化。
你可以使用人工智能进行实验
一旦你发现了商机和大量可用的清理过的数据，你已经准备好考虑人工智能的旅程。这两个步骤是为你的组织准备人工智能的先决条件。接下来的主要步骤是考虑人工智能解决方案的类型和实施办法。如果你有天赋，你可以试用TensorFlow或者其它的人工智能引擎。如果你没有这方面的专业知识，慎重考虑一下招人吧。科技巨头正在为稀有的人工智能人才付出巨额薪水，所以说进入这个行业的成本是巨大的。
第二个选择是使用在解决方案中嵌入了人工智能的供应商。Salesforce Einstein就是一个例子，它是可以在Salesforce中存储的CRM数据之上执行预测和其他功能一个人工智能平台。同样，你可以看看行业特有的解决方案，如Synechron的金融科技(fintech)的Neo。
一旦你已经选定了一两种方法，重要的是与利益相关者建立切合实际的期望。投资人工智能需要对敏捷实验的投入，因为在你优化它们之前很可能会陷入很多僵局并遇到需要反复进行的实验。预先建立对预算，计划表和人才的预期。
Isaac Sacolick是《数字化驱动：通过技术进行业务转型的领导者指南》一书的作者，该书涵盖了很多实践，如敏捷、开发运维和数据科学，这些都是成功实施数字转型计划的关键。Sacolick是公认的顶级社交领域的首席信息官，是社交、敏捷和转型方面以及CIO.com的长期博主，兼StarCIO的总裁。
版权声明：本文为企业网D1Net编译，转载需注明出处为：企业网D1Net，如果不注明出处，企业网D1Net将保留追究其法律责任的权利。
京公网安备 11010502049343号