自1956年概念得以確立以來，人工智能發(fā)展至今已逾60年，隨著所處信息環(huán)境和數(shù)據(jù)基礎(chǔ)的深刻變革，開始邁進(jìn)新一輪發(fā)展階段，呈現(xiàn)出大數(shù)據(jù)、跨媒體、群體性、自主化、人機(jī)融合的發(fā)展新特征，從學(xué)術(shù)牽引式發(fā)展迅速轉(zhuǎn)變?yōu)樾枨鬆恳桨l(fā)展，相比歷史上的任何時(shí)刻，都要更加接近于人類智能，既能為進(jìn)一步掌握城市發(fā)展、生態(tài)保護(hù)、經(jīng)濟(jì)管理、金融風(fēng)險(xiǎn)等宏觀系統(tǒng)提供指導(dǎo)，也能為設(shè)計(jì)制造、健康醫(yī)療、交通管理、能源節(jié)約等微觀領(lǐng)域提供解決方案。
人工智能似乎變得無處不在，出現(xiàn)在我們購買和使用的幾乎所有產(chǎn)品和服務(wù)中。此外，它在解決業(yè)務(wù)問題方面的應(yīng)用也在飛速發(fā)展。與此同時(shí)，人們越來越擔(dān)心人工智能所造成的影響：人工智能驅(qū)動自動化對工作場所、就業(yè)和社會產(chǎn)生的影響。
在如Alexa、Siri和AlphaGo這樣的令人恐懼且賺足流量的勝利中，有時(shí)候會使人看不清一個(gè)事實(shí)：人工智能技術(shù)本身——即機(jī)器學(xué)習(xí)和它的子集，深度學(xué)習(xí)——有很多的局限性，仍然需要不遺余力去克服。這是一篇有關(guān)講述這些限制的文章，旨在幫助高管們更好地理解什么可能會阻礙他們的人工智能的發(fā)展。在此過程中，我們（Michael Chui,James Manyika,and Mehdi Miremadi）還將強(qiáng)調(diào)有希望取得的進(jìn)展，這些進(jìn)展將有助于解決一些限制并創(chuàng)造一波新的機(jī)遇。
我們的觀點(diǎn)來源于前沿工作的分析總結(jié)——研究、分析和評估數(shù)以百計(jì)的真實(shí)應(yīng)用案例——以及我們與一些思想領(lǐng)袖、前沿科學(xué)家和人工智能前沿工程師的合作。我們一直在努力總結(jié)這種經(jīng)驗(yàn)以幫助那些據(jù)我們所知往往只接觸到他們自己的倡議，而沒有很好地校準(zhǔn)哪里才是前沿陣地，或者步調(diào)制定者已經(jīng)在用人工智能做什么的高管們。
簡而言之，人工智能的挑戰(zhàn)和局限性正在為領(lǐng)導(dǎo)者創(chuàng)造一個(gè)“移動目標(biāo)”問題：很難達(dá)到始終處于領(lǐng)先的優(yōu)勢。同樣令人挫敗的是，人工智能的發(fā)展遇到了現(xiàn)實(shí)世界的障礙，可能會降低人們對進(jìn)一步投資的興趣，或鼓勵人們持觀望態(tài)度。正如麥肯錫全球研究所最近的研究顯示，在跨部門和部門內(nèi)應(yīng)用人工智能方面，領(lǐng)導(dǎo)者和落后者之間存在著巨大的鴻溝（見表1）。
希望縮小差距的高管們必須能夠以一種明智的方式解決人工智能問題。換句話說，他們不僅需要了解人工智能在哪些方面可以促進(jìn)創(chuàng)新、洞察力和決策;導(dǎo)致收入增加;以及提高效率，還要了解人工智能在哪些方面還不能產(chǎn)生價(jià)值。更重要的是，他們必須理解技術(shù)約束和組織約束（如文化障礙）之間的關(guān)系和區(qū)別;缺乏能夠構(gòu)建業(yè)務(wù)就緒、人工智能驅(qū)動的應(yīng)用程序的人員;以及將人工智能嵌入產(chǎn)品和流程的“最后一英里”挑戰(zhàn)。如果你想成為一名領(lǐng)導(dǎo)者，你就應(yīng)該了解一些阻礙人工智能發(fā)展的關(guān)鍵技術(shù)挑戰(zhàn)，并準(zhǔn)備開發(fā)一些有前景的發(fā)展項(xiàng)目，這些項(xiàng)目可以克服這些限制，并有可能改變?nèi)斯ぶ悄馨l(fā)展的軌跡。
挑戰(zhàn)、限制與機(jī)遇
一個(gè)有用的出發(fā)點(diǎn)是了解深度學(xué)習(xí)技術(shù)的最新進(jìn)展。可以這么說，人工智能領(lǐng)域最令人興奮的進(jìn)展是，這些發(fā)展在分類和預(yù)測的準(zhǔn)確性方面取得了飛躍，而且沒有與傳統(tǒng)的監(jiān)督學(xué)習(xí)相關(guān)聯(lián)的常規(guī)“特征工程”有任何聯(lián)系。深度學(xué)習(xí)使用大型的神經(jīng)網(wǎng)絡(luò)，它可以包含數(shù)以百萬計(jì)的具有結(jié)構(gòu)分層的模擬“神經(jīng)元”。最常見的網(wǎng)絡(luò)稱為卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)，這些神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練數(shù)據(jù)和反向傳播算法來學(xué)習(xí)。
雖然已經(jīng)取得了許多進(jìn)展，但還有更多的工作要做。關(guān)鍵的一步是將人工智能方法適用于?問題和數(shù)據(jù)的可用性。由于這些系統(tǒng)是經(jīng)過“訓(xùn)練”的，而不是經(jīng)過編程的，因此各種過程通常需要大量的標(biāo)記數(shù)據(jù)才能準(zhǔn)確地執(zhí)行復(fù)雜的任務(wù)。獲取大型數(shù)據(jù)集可能很困難。在某些領(lǐng)域，它們可能根本不可用，但即使可用，標(biāo)識工作也可能需要大量人力資源。
此外，很難辨別通過深度學(xué)習(xí)訓(xùn)練出來的數(shù)學(xué)模型是如何獲得特定的預(yù)測、推薦或決策的。一個(gè)黑盒，即使是做它的本職工作，獲得的效用也可能有限，特別是當(dāng)預(yù)測或決定影響社會并產(chǎn)生可能影響個(gè)人幸福的后果時(shí)。在這種情況下，用戶有時(shí)需要知道運(yùn)作背后的“原由”，例如為什么算法可以從具有法律影響的事實(shí)調(diào)查結(jié)果到具有監(jiān)管影響的商業(yè)決策（如貸款）中給出推薦建議，以及為什么某些因素（而非其他因素）在特定情況下如此重要。
讓我們探索五種相互關(guān)聯(lián)的方式，在這些方式中，這些限制和開始迎戰(zhàn)它們的解決方案正發(fā)揮作用。
限制1：數(shù)據(jù)標(biāo)簽
目前大多數(shù)人工智能模型都是通過“監(jiān)督學(xué)習(xí)”進(jìn)行訓(xùn)練的。這意味著，人類必須對底層數(shù)據(jù)進(jìn)行標(biāo)記和分類，這可能是一個(gè)相當(dāng)龐大且容易出錯(cuò)的任務(wù)。例如，開發(fā)自動駕駛汽車技術(shù)的公司雇傭了數(shù)百人來手工標(biāo)注原型車的視頻輸入時(shí)數(shù)來幫助培訓(xùn)這些系統(tǒng)。與此同時(shí)，有前景的新技術(shù)正在出現(xiàn)，例如流內(nèi)監(jiān)控（由Eric Horvitz和他在微軟研究院的同事演示），數(shù)據(jù)可以在自然使用過程中進(jìn)行標(biāo)記。無監(jiān)督或半監(jiān)督的方法減少了對大型標(biāo)記數(shù)據(jù)集的需要。兩種有前景的技術(shù)分別是強(qiáng)化學(xué)習(xí)和生成式對抗網(wǎng)絡(luò)（GANs）。
強(qiáng)化學(xué)習(xí)。這種無人監(jiān)督的技術(shù)允許算法簡單地通過試錯(cuò)來學(xué)習(xí)任務(wù)。這種方法采用的是“胡蘿卜加大棒”的方法：對于算法在執(zhí)行任務(wù)時(shí)的每一次嘗試，如果行為成功，它都會得到“獎勵”（比如更高的分?jǐn)?shù)），反之則會得到“懲罰”。只要學(xué)習(xí)環(huán)境是真實(shí)世界的表征，通過重復(fù)，行為就會得到改善，在很多情況下甚至超越人類的能力。
強(qiáng)化學(xué)習(xí)以訓(xùn)練計(jì)算機(jī)玩游戲而聞名——最近，它與深度學(xué)習(xí)技術(shù)結(jié)合在一起。例如，在2017年5月，它幫助人工智能系統(tǒng)AlphaGo在圍棋比賽中擊敗了世界冠軍柯潔。在另一個(gè)例子中，微軟提供了基于強(qiáng)化學(xué)習(xí)和適應(yīng)用戶偏好的決策服務(wù)。強(qiáng)化學(xué)習(xí)的潛在應(yīng)用跨越了許多商業(yè)領(lǐng)域。可能的情況包括，一個(gè)由人工智能驅(qū)動的交易組合在價(jià)值上分別因收益而獲得點(diǎn)數(shù)或因損失而失去點(diǎn)數(shù);一個(gè)每次在推薦驅(qū)動的銷售中獲得積分的產(chǎn)品推薦引擎;以及因按時(shí)交付或減少燃料消耗而獲得獎勵的卡車路線軟件。
強(qiáng)化學(xué)習(xí)還可以幫助人工智能通過開發(fā)以前無法想象的解決方案和策略（即使是經(jīng)驗(yàn)豐富的從業(yè)者也可能從未考慮過這些解決方案和策略）來超越人類標(biāo)記的自然和社會局限性。例如，最近，AlphaGo Zero系統(tǒng)使用一種新的強(qiáng)化學(xué)習(xí)方式，在從頭開始學(xué)習(xí)圍棋之后打敗了它的前身AlphaGo。這意味著要從完全隨機(jī)的游戲開始，而不是從訓(xùn)練人類及與人類一起玩的圍棋游戲開始。
生成式對抗網(wǎng)絡(luò)（GANs）。在這種半監(jiān)督學(xué)習(xí)方法中，兩個(gè)網(wǎng)絡(luò)相互競爭，以改進(jìn)和完善他們對概念的理解。例如，為了識別鳥類的樣子，一個(gè)網(wǎng)絡(luò)試圖區(qū)分真實(shí)的和虛假的鳥類圖像，而它的對手網(wǎng)絡(luò)則試圖通過制作看起來很像鳥類的圖像來迷惑它，但事實(shí)上并沒有。當(dāng)這兩個(gè)網(wǎng)絡(luò)互相吻合時(shí)，每個(gè)模型對鳥類的表征就變得更加準(zhǔn)確。
GANs生成越來越可信的數(shù)據(jù)示例能力可以顯著減少對人類標(biāo)記的數(shù)據(jù)集的需求。例如，訓(xùn)練一種從醫(yī)學(xué)圖像中識別不同類型腫瘤的算法，通常需要數(shù)百萬個(gè)具有特定腫瘤類型或階段的人類標(biāo)記圖像。但通過使用一種經(jīng)過訓(xùn)練的GAN來生成越來越逼真的不同類型腫瘤的圖像，研究人員可以訓(xùn)練一種腫瘤檢測算法，該算法結(jié)合了一個(gè)更小的具有GAN輸出的人類標(biāo)記數(shù)據(jù)集。
雖然GANs在精確的疾病診斷中的應(yīng)用還遠(yuǎn)未完成，但是研究人員已經(jīng)開始在越來越復(fù)雜的環(huán)境中使用GANs。這些包括以特定藝術(shù)家的風(fēng)格理解和創(chuàng)作藝術(shù)作品，利用衛(wèi)星圖像以及對地理特征的理解，來創(chuàng)建快速發(fā)展地區(qū)的最新地圖。
限制2：獲取大量的訓(xùn)練數(shù)據(jù)集
已經(jīng)證明，使用線性模型的簡單人工智能技術(shù)在某些情況下與醫(yī)學(xué)和其他領(lǐng)域?qū)＜业哪芰ο虢咏Ｈ欢?dāng)前機(jī)器學(xué)習(xí)浪潮需要訓(xùn)練數(shù)據(jù)集，這些數(shù)據(jù)集不僅要有標(biāo)記，而且要足夠龐大和全面。深度學(xué)習(xí)方法需要成千上萬的數(shù)據(jù)記錄，才能使模型在分類任務(wù)上變得相對優(yōu)秀，在某些情況下，還需要數(shù)以百萬計(jì)的數(shù)據(jù)記錄才能達(dá)到人類的水平。
復(fù)雜之處在于，對于許多業(yè)務(wù)用例來說，大量的數(shù)據(jù)集可能很難獲得或創(chuàng)建（試想：利用有限的臨床試驗(yàn)數(shù)據(jù)來更準(zhǔn)確地預(yù)測治療結(jié)果）。在分配的任務(wù)中，每一個(gè)微小的變化都需要另一個(gè)大數(shù)據(jù)集進(jìn)行更多的訓(xùn)練。例如，教一輛自動駕駛汽車在天氣不斷變化的采礦地點(diǎn)進(jìn)行導(dǎo)航將需要一個(gè)包含車輛可能遇到的不同環(huán)境狀況的數(shù)據(jù)集。
一次性學(xué)習(xí)是一種可以減少對大型數(shù)據(jù)集需求的技術(shù)，允許人工智能模型在給出少量真實(shí)環(huán)境演示或示例（在某些情況下甚至只有一個(gè)）時(shí)學(xué)習(xí)一個(gè)主題。在只展示一個(gè)樣本（例如一輛小貨車）后，人工智能的能力將更接近于人類的水平，就能相對準(zhǔn)確地識別一個(gè)類別的多個(gè)實(shí)例的能力。在這個(gè)仍在開發(fā)中的方法中，數(shù)據(jù)科學(xué)家首先會在模擬的虛擬環(huán)境中對一個(gè)模型進(jìn)行預(yù)先訓(xùn)練，這個(gè)虛擬環(huán)境呈現(xiàn)一個(gè)任務(wù)的變體，或者在圖像識別的情況下，顯示對象的外觀。然后，在展示了人工智能模型在虛擬訓(xùn)練中沒有看到的一些真實(shí)世界的變化之后，模型將利用它的知識來找到正確的解決方案。
這種一次性的學(xué)習(xí)方式最終可以幫助系統(tǒng)掃描侵犯版權(quán)的文本，或者只顯示一個(gè)標(biāo)記后識別視頻中的公司徽標(biāo)。如今，這類應(yīng)用才剛剛起步，但是他們的效用和效率很可能會迅速地?cái)U(kuò)大人工智能跨越多個(gè)行業(yè)的使用范圍。
局限性3:可解釋性問題
人工智能系統(tǒng)的可解釋性并不是一個(gè)新問題。但是，隨著深度學(xué)習(xí)的成功和采用，它也在不斷發(fā)展，帶來了更多樣化、更先進(jìn)的應(yīng)用，也帶來了更多的不透明性。更大及更復(fù)雜的模型使我們很難用人類的語言來解釋為什么會做出某種決定（而在實(shí)時(shí)做出某種決定時(shí)就更難了）。這是一些人工智能工具在可解釋性有用或確實(shí)需要的應(yīng)用領(lǐng)域的使用率仍然很低的原因之一。此外，隨著人工智能應(yīng)用的擴(kuò)展，監(jiān)管規(guī)定也可能推動對更多可解釋的人工智能模型的需求。
有望提高模型透明度的兩種新生方法是局部可解釋模型不可知解釋（LIME）和注意技術(shù)（見表2）。LIME嘗試識別訓(xùn)練模型最依賴的是輸入數(shù)據(jù)的哪些部分，以便在開發(fā)進(jìn)行預(yù)測。這種技術(shù)每次都考慮特定的數(shù)據(jù)片段，并觀察預(yù)測結(jié)果的變化，從而對代理模型進(jìn)行微調(diào)并開發(fā)一種更精確的解釋（例如，排除眼睛，而不是通過鼻子來測試哪個(gè)對面部識別更重要）。注意技術(shù)將模型在做出特定決策時(shí)最常考慮的輸入數(shù)據(jù)可視化（例如，將注意力集中在嘴巴上，以確定圖像是否對人類進(jìn)行了描述）。
另一種已經(jīng)使用了一段時(shí)間的技術(shù)是廣義相加模型（GAMs）的應(yīng)用。通過使用單特性模型，GAMs限制了特性之間的交互，從而使每個(gè)用戶更容易地進(jìn)行解釋。使用這些技術(shù)來揭開人工智能決策的神秘面紗，有望在很大程度上促進(jìn)人工智能的應(yīng)用。
限制4：學(xué)習(xí)的普遍性
與人類的學(xué)習(xí)方式不同，人工智能模型很難將它們的經(jīng)驗(yàn)從一種環(huán)境轉(zhuǎn)移到另一種環(huán)境。實(shí)際上，模型為給定用例實(shí)現(xiàn)的任何東西都只適用于該用例。因此，即使用例非常相似，公司也必須反復(fù)提交資源來培訓(xùn)另一個(gè)模型。
應(yīng)對這一挑戰(zhàn)的一個(gè)前景可期的答案是學(xué)習(xí)遷移。在這種方法中，一個(gè)人工智能模型被訓(xùn)練完成一個(gè)特定的任務(wù)，然后快速地將學(xué)習(xí)應(yīng)用到一個(gè)相似但不同的活動中。DeepMind的研究人員還在實(shí)驗(yàn)中展示了學(xué)習(xí)遷移的前景，在實(shí)驗(yàn)中，模擬訓(xùn)練被轉(zhuǎn)移到真正的機(jī)器人手臂上。
隨著學(xué)習(xí)遷移和其他通用方法的成熟，它們可以幫助組織更快地構(gòu)建新的應(yīng)用程序，并使現(xiàn)有的應(yīng)用程序具有更多樣化的功能。例如，在創(chuàng)建一個(gè)虛擬的個(gè)人助理時(shí)，學(xué)習(xí)遷移可以將一個(gè)領(lǐng)域（比如音樂）的用戶偏好推廣到其他領(lǐng)域（書籍）。而且用戶并不局限于數(shù)字原生用戶。例如，學(xué)習(xí)轉(zhuǎn)移可以使油氣生產(chǎn)商擴(kuò)大其對人工智能算法的使用，訓(xùn)練這些算法為其他設(shè)備（如管道和鉆井平臺）的油井提供預(yù)測性維護(hù)。學(xué)習(xí)遷移甚至有可能徹底改變商業(yè)智能：試想一個(gè)數(shù)據(jù)分析的人工智能工具，它可以理解如何優(yōu)化航空公司的收入，然后可以根據(jù)天氣或當(dāng)?shù)亟?jīng)濟(jì)的變化調(diào)整其模型。
另一種方法是使用某種近似可應(yīng)用于多個(gè)問題的廣義結(jié)構(gòu)的東西。例如，DeepMind的AlphaZero在三種不同的游戲中使用了相同的結(jié)構(gòu)：可以訓(xùn)練出一種在一天內(nèi)學(xué)會國際象棋的具有廣義結(jié)構(gòu)的新模型，然后它就可以很好地打敗世界冠軍的國際象棋程序。
最后，考慮到出現(xiàn)試圖自動設(shè)計(jì)機(jī)器學(xué)習(xí)模型的元學(xué)習(xí)技術(shù)的可能性。例如，谷歌智囊團(tuán)使用AutoML自動設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)來在大規(guī)模數(shù)據(jù)集中對圖像進(jìn)行分類。這些技術(shù)目前表現(xiàn)得和人類的設(shè)計(jì)不相上下。這是一個(gè)很有前途的發(fā)展，特別是在許多組織人才依舊短缺的情況下。元學(xué)習(xí)方法也有可能超越人類的能力，產(chǎn)生更好的結(jié)果。然而，重要的是，這些技術(shù)還處于早期階段。
局限性5：數(shù)據(jù)和算法中的偏差
到目前為止，我們專注于通過在工作中已經(jīng)應(yīng)用的技術(shù)解決方案可以克服的一些限制，其中一些我們上文已經(jīng)講述過。偏差是另一種挑戰(zhàn)。當(dāng)人類的偏好（有意識或無意識）在選擇使用哪些數(shù)據(jù)點(diǎn)和忽視哪些數(shù)據(jù)點(diǎn)時(shí)，會產(chǎn)生潛在的破壞性的社會影響。此外，當(dāng)數(shù)據(jù)收集本身的過程和頻率在不同的組別觀察到的行為不一致時(shí)，算法分析數(shù)據(jù)、學(xué)習(xí)和預(yù)測的方式很容易出現(xiàn)問題。負(fù)面影響包括錯(cuò)誤的招聘決策、錯(cuò)誤的科學(xué)或醫(yī)學(xué)預(yù)測、扭曲的金融模型和刑事司法決策，以及在法律尺度上的不當(dāng)使用（虛擬）手指。在許多情況下，這些偏見在“高級數(shù)據(jù)科學(xué)”、“專有數(shù)據(jù)和算法”或“客觀分析”的面紗下被忽視或忽略。
當(dāng)我們在新的領(lǐng)域部署機(jī)器學(xué)習(xí)和人工智能算法時(shí)，可能會有更多的實(shí)例將這些潛在偏差問題納入數(shù)據(jù)集和算法中。這種偏差一般根深蒂固，因?yàn)樽R別它們并采取措施解決它們需要深入掌握數(shù)據(jù)科學(xué)技術(shù)，以及對現(xiàn)有社會力量（包括數(shù)據(jù)收集）的更深的元認(rèn)識。總而言之，去偏差被證明是迄今為止最令人畏懼的障礙之一，當(dāng)然也是最讓社會擔(dān)憂的障礙之一。
目前正在進(jìn)行多項(xiàng)研究工作，同時(shí)也在努力進(jìn)行最佳實(shí)踐，以促進(jìn)學(xué)術(shù)、非營利和私營部門的研究中解決這些問題。這一切都不會進(jìn)展太快，因?yàn)樘魬?zhàn)很可能會變得十分嚴(yán)峻，會出現(xiàn)更多的問題。舉例來說，考慮到許多基于學(xué)習(xí)和統(tǒng)計(jì)的預(yù)測方法都隱含地假設(shè)未來會像過去一樣。在社會文化背景下，我們正在努力促進(jìn)變革，而根據(jù)過去的行為做出決定會阻礙進(jìn)步（或者更糟糕的是，建立在抵制變革的基礎(chǔ)上），這時(shí)我們又應(yīng)該做些什么呢？。許多領(lǐng)導(dǎo)人，包括商界領(lǐng)袖，可能很快會要求就有關(guān)問題給出他們的回答。
擊中移動目標(biāo)
要解決我們所描述的局限性以及在商業(yè)上廣泛實(shí)施本文所描述的許多先進(jìn)技術(shù)，可能還需要數(shù)年時(shí)間。但人工智能的應(yīng)用范圍之廣令人驚嘆，這表明人工智能最大的限制可能是想象力。以下是一些建議，是給那些努力保持領(lǐng)先的領(lǐng)導(dǎo)人的，或者至少不要落得太遠(yuǎn)。
做好功課，做好校準(zhǔn)，跟上步伐。雖然大多數(shù)管理人員不需要知道卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)的區(qū)別，但是您應(yīng)該對當(dāng)今工具的功能有一個(gè)大致的了解，對哪些方面可能會有短期進(jìn)展有一個(gè)認(rèn)識，以及對未來的展望。 利用您數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)專家的知識，與一些人工智能先驅(qū)者交談以獲得校準(zhǔn)，并參加一兩場人工智能會議來幫助你獲得真正的資訊;新聞媒體可能會有所幫助，但它們也可能是炒作機(jī)器的一部分。知識淵博的從業(yè)者正在進(jìn)行跟蹤研究（如人工智能指數(shù)（一項(xiàng)基于斯坦福大學(xué)的人工智能百年研究項(xiàng)目）），這是另一種有助于保持先進(jìn)的方法。
采用復(fù)雜的數(shù)據(jù)策略。人工智能算法需要幫助解開隱藏在系統(tǒng)生成的數(shù)據(jù)中的有價(jià)值的見解。您可以通過開發(fā)一個(gè)全面的數(shù)據(jù)策略來提供幫助，該策略不僅關(guān)注從不同系統(tǒng)收集數(shù)據(jù)池所需的技術(shù)，還關(guān)注數(shù)據(jù)的可用性和獲取、數(shù)據(jù)標(biāo)記和數(shù)據(jù)治理。雖然更新的技術(shù)承諾會減少訓(xùn)練人工智能算法所需的數(shù)據(jù)量，但數(shù)據(jù)饑渴的監(jiān)督學(xué)習(xí)仍然是當(dāng)今最流行的技術(shù)。即使是旨在最小化所需數(shù)據(jù)量的技術(shù)仍然需要一些數(shù)據(jù)。這其中的一個(gè)關(guān)鍵部分就是充分了解你自己的數(shù)據(jù)點(diǎn)以及如何利用它們。
從側(cè)面思考。學(xué)習(xí)遷移技術(shù)仍處于起步階段，但有辦法在多個(gè)領(lǐng)域利用人工智能解決方案。如果您解決了大型倉庫設(shè)備的預(yù)測性維護(hù)這樣的問題，您是否也可以將相同的解決方案應(yīng)用于消費(fèi)產(chǎn)品？一個(gè)有效的下一個(gè)產(chǎn)品到購買的解決方案是否可以在多個(gè)分銷渠道中使用？鼓勵業(yè)務(wù)單位分享知識，這些知識可能會揭示如何在公司的多個(gè)領(lǐng)域使用你最好的人工智能解決方案。
做一個(gè)開拓者。與當(dāng)今的人工智能技術(shù)和用例保持同步并不足以長期保持競爭力。讓您的數(shù)據(jù)科學(xué)員工或合作伙伴與外部專家合作，使用新生的技術(shù)（如本文中討論的技術(shù)）來解決影響巨大的用例問題，這些問題有望實(shí)現(xiàn)突破。此外，要了解什么是可能的，什么是可用的。許多用于標(biāo)準(zhǔn)應(yīng)用程序（包括語音、視覺和情感檢測）的機(jī)器學(xué)習(xí)工具、數(shù)據(jù)集和訓(xùn)練過的模型正在廣泛使用。有時(shí)它們是開源的，而在其他情況下則是通過由先驅(qū)研究人員和公司創(chuàng)建的應(yīng)用程序編程接口（APIs）來實(shí)現(xiàn)的。密切關(guān)注這些可能性可以增加你成為先行者或先行者優(yōu)勢的幾率。
人工智能的前景是巨大的，實(shí)現(xiàn)這一愿景所需的技術(shù)、工具和過程還沒有完全實(shí)現(xiàn)。如果你認(rèn)為你可以促進(jìn)技術(shù)發(fā)展，然后成為一個(gè)成功的領(lǐng)先追隨者，那就再想想吧。要從立竿見影的角度進(jìn)行跨越是非常困難的，尤其是當(dāng)目標(biāo)變化得如此之快，而你又不明白人工智能工具現(xiàn)在能做什么、不能做什么時(shí)。隨著研究人員和人工智能先驅(qū)們準(zhǔn)備解決當(dāng)今最棘手的一些問題，現(xiàn)在是時(shí)候開始了解人工智能前沿領(lǐng)域正在發(fā)生的事情了，這樣您就可以定位您的組織來學(xué)習(xí)、開發(fā)，甚至可能推進(jìn)新的可能性。
來源：前瞻網(wǎng)
文章來源： ofweek可穿戴設(shè)備網(wǎng)
