关于企业的AI载体

[引子]：看了一星期关于AI的东西，才有了这篇文章！勿喷，给你一个星期你能憋出一个泡来都算你赢！本文禁止抄袭版权归无颜祖所有！

企业未来所有业务的运营，将从根本上依赖于利用人工智能和机器学习技术 ，大型科技公司已经意识到这一点，并且已经取得了独家技术拥有了最好的人才。

不仅那些看到机会的公司，许多国家已经认识到这一趋势已经在积极推进，韩国，新加坡，法国，日本都有这样的计划。

尽管取得了进步，但值得注意的是人工智能仍然是一个快速发展的领域，每天都有重要的新研究出现。这很像2000年代的互联网，非常重要，现在仍然在积极研发进步中。

什么是AI？

在继续讨论之前，重要的是要理解我的意思。AI是一个非常广泛的概念，边界非常模糊，因此很难定义。有些人使用这个术语来指代AGI - 人工智能通用，它是创建硬件/软件系统的追求。

常规程序和AI程序之间的主要区别在于通过执行固定算法来执行常规程序。另一方面，AI程序由数据参数化。换句话说，算法的行为可以根据它所暴露的数据而大大改变。也就是说，重要的是要考虑在企业环境中应用AI的问题域。广泛存在两个问题领域 - 数据基于感知，而不是感知基于数据！

基于感知的问题： 适用于图像，音频，视频，声音等数据。关于感知数据的关键事实是，对于某类推理任务，它往往是_overcomplete_。换句话说，想象一下用一台1200万像素的摄像机和一台百万像素摄像机拍摄相同的场景。如果你向路人展示这两张照片，他们可能会做出正确的，一般性的推论。因此，像素减少90％的图像包含足够的数据来进行推断 ，企业与客户接触的许多挑战可能属于这一类（例如生物识别，聊天机器人等）。

基于非感知的问题：适用于高维和稀疏的数据，即数据，其中每个实体我们都有大量信息。想象一下企业对客户的丰富数据 ， 当我们向世界添加传感器时，这将会越来越丰富。现在，如果表中每行代表一个客户时，那么该表将包含许多列 - 这是高维度。与感知的数据不同，这些问题往往不能很容易地删除数据 ， 需要每一点都做出推断。这是一个根本的区别。企业后端运营的大多数挑战属于这一类（例如监管风险建模，金融犯罪，临床变异管理等）！

关于模型的注释？

关于人工智能实际应用的思考通常被简化为预测分析模型 - 即构建具有预测性的模型，这是远远不够。

原因如下：预测模型需要清晰的标记数据。大型企业中的绝大多数数据都没有标注，事实证明标签是一项非常复杂的工作。那么对于未标记的99％的数据，将如何处理？

模型很难在生产中部署。通常，大型企业采用Python / R等开发的模型，并在Java / .Net等生产系统中重新实现它们。

模型不是应用程序。我相信如果没有UX，AI就没用了。 非常重要的是，前端产品线能够从AI中受益，并且为了实现这一点，模型的结果必须包含在具有商业意义的UX中。

模型不会发展。通常，系统会经常手动重建模型。这种方法的问题在于数据的基础分布可能会在最终用户没有意识到的情况下发生变化 - 使模型效率降低。

以下是在AI平台中寻找的5个基本思路：

发现： 无需人工干预即可从大型复杂数据中学习模式的能力。这依赖于无监督，半监督和生成机器学习技术，并输出诸如段和异常之类的伪像。请注意，这不需要标记数据 - 它可以从未标记的数据中学习（如果可用，则使用标签）。

预测： 制作预测模型的能力。

证明：随着AI开始融入企业结构，这些系统需要与人工操作建立默契。依靠学生 - 教师学习为AI系统提出的每个“决定”提供独立的理由。这在受监管的行业中尤为重要。

行动:是从工程角度整合AI系统的能力。这意味着开发系统能够定期使用数据。处理并将结果推送到其他系统（例如将预测线索推送到CRM系统）提供构建和部署应用程序的界面，可供业务线用户直接使用。

学习:人工智能系统监控数据的能力，并在模型降级时，或者在数据或新类型的异常等中找到新的段时向其操作人员建议。