企业在利用AI时的三个建议

作者：Ben MacKenzie，Teradata加拿大

从无人驾驶汽车到图像识别技术，AI越来越多地从新闻头条走到了我们的生活里。但因为业务问题和涉及数据的不同，在企业背景中应用AI技术依然存在挑战。

企业AI的博弈是一场不一样的比赛、需要遵守不一样的规则。一些区别来自于企业内部可用数据类型的不同，而另一些则受到应用AI的领域的操作复杂程度所影响，这一点我将会在接下来的文章里展开来说。要在企业的环境中利用AI技术，以下是我总结出的三条值得考虑的建议。

01

考虑那些AI技术已经得到认可的领域

AI在广泛的领域内都获得了惊人的成就，例如：图像识别、目标检测、诊断影像学、自动无人驾驶、机器翻译、语义分析、语音识别、机器人控制等领域，其中自然包括围棋和象棋。但特别的是，这些取得了重大突破的领域都是人类所擅长的。这就意味着：深度学习的网络是由人脑内的架构所激发的；而在计算机视觉领域，深度学习就是由视觉皮质的特定结构所激发的。这些例子都展示了本身具有层级结构的问题，能够经得起越来越多的抽象化表达和对这个领域的多种理解。这些领域中还有着大量的公开研究、代码、并且在很多情况下都存在预先训练好的模型。

而另一方面，在上述领域之外对于AI技术的应用程度依然较低。试想一下推荐人系统、欺诈监测或者预防性维修模型。AI已经被成功地应用在了这些领域里，但它带来的成果往往是锦上添花的，而相关的研究成果也较少对公众公开。在某种程度上，这意味着这些领域牵涉到了受到更严密保管的企业数据，数据本身的特性要求它不能被轻易地共享给更多的人。

而现在，好消息是很多的企业现在已经开始着手解决涉及到视觉、语言和机器人控制等方面的问题。不管是在工厂厂房应用计算机视觉技术，还是用于库存管理系统，还是将自然语言处理（NPL）技术用于合规报告或者语义分析，现在企业们能够直接利用起无数的研究成果和前人积累的经验。而在其他领域，因为缺乏完善的研究、没有经过预先训练的模型、没有出版论文或著名的公开成功案例，AI就应该被统一划分到其他的机器学习和分析技术中。

02

AI并不是魔术

把AI看作是基于未检验的跟踪记录所进行的传统分析和机器学习的延续，这将有助于企业避免将AI神化：只要投入足够的数据，我们就能得到满意的结果。如果你对AI有这样神化的想法，那么你可以试试把一只橡皮鸭子丢到水里，试着让AI预测一下它最终会漂到哪里去。你当然可以在接下来的一千年里不断地训练你的模型，但却依然无法得到最终的结果。因为没有针对组成这段溪流的每一个分子进行建模，整个流程就是完全随机的，AI什么也干不了。

对于企业希望利用AI解决的所有问题，AI技术并不总是能成为那个整体的解决方案。具备了区分图像的能力，并不意味着我们就能完全准确地预测出11月份美国西北部地区整体的苏打水消耗量。

在为您的企业评估AI的最佳使用方案时，请密切关注于那些AI技术已经可用的问题领域。是否有哪个问题发生的领域中已经有了可用的研究成果？您是否已经在某些问题上利用起了机器学习技术？这些都是您开始使用AI技术的优选落脚点。

你可能还听说过，AI对于数据的需求是非常巨大的。我们在上面讨论的已经取得过重大突破的AI领域都牵涉到了真正称得上是海量的数据集：例如在计算机视觉模型中就包含了数百万的图像数据。要精确地预测做成一个AI项目需要多少数据，这是不可能完成的任务；但通常而言，数据集越小，那么传统的分析技术所能提供的结果就越有用。类似的，你还可能听说过AI和深度学习减少了人工手动作业的需要；在已经取得重大突破的领域，这一结论确实是正确的：计算机视觉模型只看像素、NLP模型只看单字（或者有时只看字母）。而对于企业数据而言，情况却是不清晰的。数据肯定需要经过清洗和整合，通过编码打标属类特征，而时间序列数据则需要进行相应处理（有时就需要人工手动操作）。总的来说，在未经检验的领域中，对于特殊操作和AI之间的关系应该持半信半疑态度，并为十分复杂的数据管道做好准备。

03

尝试不同的AI实验，找到速效方案

要评估AI技术是否适用于你的使用案例，其中牵涉了太多的未知数，所以更好的方案就是广撒网。把AI技术应用于处理大量的问题，比如说有10个问题，再观察AI在处理哪些问题上能够带来最好的结果。采取这样的方法意味着如果AI不是某个问题正确解决方案的话，你就不需要在那个问题上再白费力气，承担起不适合的工作。另外，采取这样的策略，你就可以确保以相对快的速度获得测试结果；接下来就可以耐心地搭建正确的以AI为基础的使用案例模型，这一过程需要花费相对更长的时间（在大范围内排除在非适用问题上套用AI技术的可能性）。

部署AI技术需要多方面的考虑。很多公司从来没有把机器学习模型投入用于生产，一开始就猛地扎进AI技术里，这样的人很快就会发现自己被弄得一头雾水。这并不是说AI技术比起机器学习要复杂多少，而是在于部署流程、监控流程、版本控制、模型的性能记录都是复杂的，如果企业从来没有相关的经验，那么AI的部署很难顺畅完成。所以采取一个经过深思熟虑的方案，逐渐将AI技术应用于更多的使用案例，是完成这一项转变的更好的方法。