企业的AI层和物联网

魔法少女伊莉雅

发布于 2018-05-02 02:37:46

8190

根据德勤去年的预测，截至2016年底，按收入划分全球100家最大的企业软件公司中有80多家将认知技术融入其产品中。“Gartner还预测，新投资的40％企业将在2020年前进行预测分析。人工智能正迅速进入企业，人工智能的发展可以创造价值。

通过考虑“企业AI层”可以看到该价值所在。这个AI层专注于解决领域特定的相对普通的问题。虽然这不像AI最初的愿景那样“性感”，但它为公司带来了实实在在的好处。

在这篇简短的文章中，我们提出了一个逻辑概念，称为企业AI层。我们可以将这个层看作是对数据仓库或ERP系统的扩展。这对于具有明确商业模式的企业具有切实的好处。AI层还可以结合物联网数据并统一不同的生态系统。

企业级AI：智能数据仓库/ ERP系统？

人工智能使计算机能够做得比人类更好，尤其是在从大量非结构化或半结构化数据中发现规律。诸如机器学习，自然语言处理（NLP），语音识别和计算机视觉等技术。更具体地说，AI使用一种自我学习的算法。

为了理解这一点，我们必须问：我们如何训练大数据算法？

有两种方法：

从规则开始，将它们应用于数据（自上而下）。
从数据开始，从数据中找到规则（自下而上）

自上而下的方法需要为所有可能的情况编写足够的规则。但是这种方法显然受到规则数量和有限的限制。自下而上的方法适用于两种情况。首先，规则可以从数据（垃圾邮件/无垃圾邮件）中提取得到。即当算法可以被训练时，这是传统的机器学习。但更极端的情况是没有例子来训练算法。

“没有例子”是什么意思？

没有模式。
线性（序列）和层次结构未知。
输出未知（非确定性）。
问题区域不是有限的。

因此，这不是一个容易解决的问题。然而，如果可以创建AI算法来学习和自我训练手动重复性的任务，那么企业就会获得收益 - 特别是当任务涉及结构化和非结构化数据时。

我们如何可视化AI层？

一种简单的方法是将其视为“智能数据仓库”，即对数据仓库或ERP系统的扩展。

例如，一个组织将转录呼叫中心代理与客户的交互数据，应用于深度学习算法创建更智能的工作流程，机器人等。

企业AI层：对企业意味着什么

所以，如果我们为企业设想这样一个概念性的AI层，那么对于它可以提供的新服务来说它意味着什么？这里有些例子

机器人：机器人是使用人工智能来自动执行重复性任务的一个很好的例子，例如安排会议。机器人往往是AI参与的起点，特别是在零售和金融服务领域
从文本/语音叙述中推断的应用：用于检测可疑行为的安全应用程序，可以辨别患者描述的症状的算法等。
从海量数据中检测模式：使用日志文件预测未来的故障，预测网络攻击等。
从大型数据集创建知识库：例如，一个可以读取所有维基百科或GitHub的AI程序。
按比例创建内容：使用机器人替换作家，甚至可以创作流行歌曲。
预测未来的工作流程：使用现有模式预测未来的工作流程
大众个性化：在广告中。
视频和图像分析：无人驾驶飞机的碰撞避免，自动驾驶车辆，农作物健康分析等。

这些应用程序为企业的服务提供了竞争优势：差异性，专一性和个性化。他们拥有简单的商业模式（例如被部署为高级功能/新产品/降低成本）。

企业AI层和物联网

所以，最后一个问题是：企业层对于物联网意味着什么？

物联网具有巨大的潜力，但面临着固有的问题。目前，物联网是以垂直的方式实现的，而这些设备间并不相互交流。为了充分发挥物联网的潜力，在各个孤立点之上的覆盖“连接层”。从电信行业来看，这些想法并不新鲜，移动/电信行业生态系统的赢家iPhone和Android--成功实现了这一点。

首先，AI层可以帮助从数十亿数据点获得可行的见解，这些数据点来自孤立的物联网设备。好处是显而易见的，因为来自各个方向的物联网数据可用作AI层的输入。深度学习算法在物联网分析中发挥着重要作用，因为机器数据具有时间因素。设备在不同条件下可能会有不同的表现。因此，捕获算法的数据预处理/训练阶段的在面对所有场景时是有困难的。深度学习算法可以通过使算法自我学习来帮助减轻这些风险。

我们可以在企业范围内扩大“机器教学其他机器”的概念。企业中的任何实体都可以培训企业中的其他“同行”实体。这可能是一个建筑学习其他建筑 - 例如学习飞机或石油钻井平台。我们在Salesforce.com和Einstein看到了这种方法的早期例子。从长远来看，强化学习是驱动企业物联网和AI层的关键技术 - 但在最初，任何自我学习算法的技术都可以帮助完成这些任务