關(guān)于人工智能的七大常見(jiàn)誤解與七個(gè)真相！

　　如果你是商界英才(而不是數據科學(xué)家或者機器學(xué)習專(zhuān)家)，你也許對主流媒體宣傳的人工智能(artificial intelligence，AI)已經(jīng)耳熟能詳了。你在《經(jīng)濟學(xué)人》和《名利場(chǎng)》雜志上讀過(guò)相關(guān)文章，你看到過(guò)特斯拉自動(dòng)駕駛的煽情文章，聽(tīng)到過(guò)史蒂芬?霍金講述人工智能威脅人類(lèi)的聳人聽(tīng)聞，甚至迪爾伯特關(guān)于人工智能和人類(lèi)智能的玩笑你都知道。

　　此時(shí)，胸懷大志要把自己的生意做大做強的你，面對媒體關(guān)于人工智能的碎碎念，可能萌生了兩個(gè)疑問(wèn)——

　　第一，人工智能的商業(yè)潛力是真是假?

　　第二，這玩意怎么用到我的生意上?

　　對第一個(gè)問(wèn)題，答案是：千真萬(wàn)確。今天的商業(yè)活動(dòng)，可以開(kāi)始應用人工智能來(lái)將要求人類(lèi)智能的活動(dòng)替換為自動(dòng)處理以降低成本。人工智能可以允許你將一個(gè)需要人海戰術(shù)的工作通量增加100倍而成本減少90%。

　　第二個(gè)問(wèn)題的答案要長(cháng)一些。首先得消除主流媒體鼓吹導致的誤解。一旦誤解消除，我們才能為你介紹如何應用人工智能到自己的生意中去。

　　誤解一：人工智能是魔術(shù)

　　我們只需為大魔術(shù)師般的公司，如Google，Facebook，Apple，Amazon和Microsoft等鼓掌歡呼即可。這樣的描述只是在幫倒忙。如果我們想要人工智能應用到商業(yè)活動(dòng)中，至少需要讓公司的執行官們理解它。人工智能不是魔術(shù)。人工智能是數據、數學(xué)、模式和迭代。如果我們想要人工智能應用到商業(yè)活動(dòng)中，我們必須更加透明，并解釋清楚人工智能的3個(gè)互相連鎖的關(guān)鍵概念。

　　1.訓練數據(TrainingData，TD)——

　　訓練數據是機器可以用來(lái)學(xué)習的起始數據集。訓練數據有輸入值和自帶答案的輸出值，這樣機器學(xué)習模型可以從答案中尋找模式。比如，輸入可以是客服單，帶有客戶(hù)和公司的客服代表之間的電子郵件。輸出可以是基于公司某個(gè)分類(lèi)定義的從1到5的分類(lèi)標簽。

　　2.機器學(xué)習(MachineLearning，ML)——

　　機器學(xué)習是軟件從訓練數據中學(xué)習到某種模式，并把它應用到新的輸入數據中。比如，一個(gè)新的客服單，帶有某位客戶(hù)和某位公司客服代表的郵件來(lái)了，機器學(xué)習模型可以預測出一個(gè)分類(lèi)，告訴你它對該分類(lèi)的把握有多大。機器學(xué)習的關(guān)鍵特征是，它不是通過(guò)固定的規則來(lái)學(xué)習。因此，當它消化新的數據后，它會(huì )調整其規則。

　　3.人機回圈(Human-in-the-Loop，HITL)——

　　人機回圈是人工智能的第三個(gè)核心成分。我們不能指望機器學(xué)習萬(wàn)無(wú)一失。一個(gè)好的機器學(xué)習模型大概只有70%的準確性。因此你需要一個(gè)人機回圈流程，當模型的可信度低時(shí)，還可以依靠人。

　　因此，別被人工智能的神話(huà)愚弄了?，F在，有了人工智能的公式，在此基礎上，你可以對人工智能有一個(gè)基本的理解了。AI = TD + ML + HITL

　　誤解2：人工智能是給科技精英用的

　　媒體報道似乎暗示，人工智能只是科技精英的菜——只有像Amazon，Apple，Facebook，Google，IBM，Microsoft，Salesforce，Tesla，Uber這些公司能斥上億美金巨資組建龐大的機器學(xué)習專(zhuān)家團隊。這個(gè)概念是錯的。

　　今天，十萬(wàn)美元即可在商業(yè)過(guò)程中開(kāi)始應用人工智能。因此，如果你的公司是全美營(yíng)業(yè)額在5千萬(wàn)美元以上的26，000家公司之一，你就可以投入營(yíng)業(yè)額的0.2%，來(lái)啟動(dòng)人工智能。

　　因此，人工智能不只屬于高科技公司。它屬于任何行業(yè)。

　　誤解3：人工智能只解決億萬(wàn)美元級的大問(wèn)題

　　主流媒體敘說(shuō)的故事，通常是未來(lái)式的例子，比如無(wú)人駕駛汽車(chē)，無(wú)人機投遞包裹。Google，Tesla和Uber這些公司投入了數億美元爭奪無(wú)人駕駛汽車(chē)領(lǐng)域的領(lǐng)先地位，因為“贏(yíng)者通吃”的想法在作怪。這樣的故事給人工智能打上了“花費億萬(wàn)美元開(kāi)拓創(chuàng )新領(lǐng)域”的烙印。但事實(shí)并非如此。

　　人工智能也可以用幾百萬(wàn)美元來(lái)解決現有問(wèn)題。讓我解釋一下。任何生意的一個(gè)核心任務(wù)都是了解客戶(hù)。這在最早的市場(chǎng)——古希臘的阿格拉如此，在古羅馬的競技場(chǎng)里面對面做買(mǎi)賣(mài)時(shí)如此，在網(wǎng)購盛行的今天也如此。許多公司坐擁非結構化的客戶(hù)數據寶庫，有電子郵件，也有Twitter評論。人工智能可以用于解決客服單分類(lèi)或者理解推文情感這樣的難題。

　　因此人工智能不止是為了解決如無(wú)人駕駛汽車(chē)這樣的億萬(wàn)美元級“讓人興奮”的新問(wèn)題，它也可以解決百萬(wàn)美元級的現有“無(wú)聊”問(wèn)題，如通過(guò)客服單分類(lèi)或者社交媒體情感分析來(lái)了解你的客戶(hù)。

　　誤解4：算法比數據更重要

　　主流媒體對人工智能的報道偏重于關(guān)注機器學(xué)習算法，將其視為最重要的部分。主流媒體似乎把算法與人腦等同了。他們隱約傳達著(zhù)這樣一個(gè)信息：復雜的算法最終會(huì )超越人類(lèi)的大腦并創(chuàng )造奇跡。媒體拿機器在國際象棋和圍棋比賽里擊敗人類(lèi)的故事作為例子。而且他們主要關(guān)注“深度神經(jīng)網(wǎng)絡(luò )”和“深度學(xué)習”，以及機器是如何做出決策。

　　這種報道給人的印象是，一個(gè)公司要想應用人工智能就需要聘請機器學(xué)習專(zhuān)家來(lái)建立完美的算法。但如果一個(gè)企業(yè)沒(méi)有思考如何獲得高質(zhì)量的算法，即使機器學(xué)習模型經(jīng)過(guò)大量的特定訓練數據學(xué)習之后，仍然會(huì )產(chǎn)生一個(gè)與期望(“我們有一個(gè)偉大的算法”)不匹配的結果(“我們的模型的準確率只有60%”)。

　　現如今，沒(méi)有計劃或訓練數據的預算就從微軟，亞馬遜和谷歌購買(mǎi)商業(yè)機器學(xué)習的服務(wù)，就像買(mǎi)一輛無(wú)法接近加油站的車(chē)，只是買(mǎi)了一塊昂貴的金屬。汽車(chē)和汽油的類(lèi)比有些不貼切，因為如果你給機器學(xué)習模型的訓練數據越多，機器學(xué)習模型就會(huì )越準確。這就像不斷給汽車(chē)加油，汽車(chē)的燃料利用率會(huì )不斷提高。訓練數據對于機器學(xué)習模型的重要性比汽油對汽車(chē)的重要性更高。如果想深入了解對這類(lèi)誤解性的報道的話(huà)，你可以閱讀我們以前的帖子《更多的數據擊敗更好的算法》。

　　所以關(guān)鍵就是訓練數據的質(zhì)量和數量至少是和算法一樣重要的，要確保你部署人工智能的計劃和預算反映這一點(diǎn)。