以下四個(gè)問題 可以判斷您的AI解決方案是否真的是AI

在流行語不斷出現(xiàn)的世界中，人工智能已經(jīng)非常耐用。自從1950年代首次成為一種概念以來，一直存在著相對(duì)穩(wěn)定的技術(shù)，產(chǎn)品，服務(wù)和公司，它們聲稱是AI。您今天投資的解決方案很可能被稱為支持AI或機(jī)器學(xué)習(xí)驅(qū)動(dòng)的解決方案。

但是，真的嗎?

對(duì)于大多數(shù)組織而言，當(dāng)今的現(xiàn)實(shí)是，人工智能和機(jī)器學(xué)習(xí)在整個(gè)分析工作中只占很小的一部分。確實(shí)，總部位于倫敦的投資公司MMC Ventures進(jìn)行的研究表明，歐洲40%的人工智能初創(chuàng)企業(yè)根本沒有使用任何AI。此外，許多初創(chuàng)公司和分析提供商的產(chǎn)品(即使相當(dāng)先進(jìn))甚至都無法滿足基本AI的要求。

我們將AI定義為觀察，分析和學(xué)習(xí)的任何基于計(jì)算機(jī)的系統(tǒng)。這里的關(guān)鍵是這些系統(tǒng)是迭代的-它們?cè)谑占头治龈鄶?shù)據(jù)時(shí)會(huì)變得更好，更準(zhǔn)確，而無需人工干預(yù)。顧名思義，這些是學(xué)習(xí)的機(jī)器，無論學(xué)習(xí)多么簡單。

什么不是人工智能

正如定義將系統(tǒng)表征為AI的特征很重要一樣，識(shí)別什么不是AI也同樣重要。將先進(jìn)的分析和計(jì)算技術(shù)誤用于AI和機(jī)器學(xué)習(xí)通常會(huì)導(dǎo)致混亂，以下部分詳細(xì)介紹了一些最常見的AI謬誤，供領(lǐng)導(dǎo)者理解。

1.僅僅因?yàn)橄到y(tǒng)使用算法??和高級(jí)統(tǒng)計(jì)信息，但這并不能使其成為AI。

算法只是解決問題的一組預(yù)定義步驟或規(guī)則。這些可能很簡單(想像一個(gè)if-then語句)，也可能很復(fù)雜(想像一個(gè)國際象棋游戲機(jī))。但是，大多數(shù)算法都是靜態(tài)的：給定相同的輸入，它們將始終返回相同的輸出。也就是說，他們不適應(yīng)或?qū)W習(xí)。

這些算法通常使用相關(guān)或回歸等標(biāo)準(zhǔn)統(tǒng)計(jì)模型進(jìn)行編碼，這些模型非常善于在定義明確的數(shù)據(jù)中識(shí)別趨勢(shì)線。這些趨勢(shì)線使他們能夠基于一組過去狀態(tài)提供對(duì)未來狀態(tài)的預(yù)測(cè)。但是，真正的AI能夠處理結(jié)構(gòu)，定義不完善甚至數(shù)字化的數(shù)據(jù)。人工智能和機(jī)器學(xué)習(xí)的一些最大突破來自自然語言，圖像和視頻數(shù)據(jù)產(chǎn)生的見解。

2.僅僅因?yàn)橄到y(tǒng)回答了問題，但這并不能使它成為AI。

有很多技術(shù)，例如對(duì)話代理，都能夠回答向他們提出的問題?；叵胍幌?980年代和1990年代流行的決策支持系統(tǒng)。這些工具可通過數(shù)字儀表板提供對(duì)各種問題的自動(dòng)響應(yīng)，并且這些系統(tǒng)的版本甚至在今天仍存在，可用于庫存管理和銷售預(yù)測(cè)等任務(wù)。在大多數(shù)情況下，他們可以通過將問題與預(yù)先填充的答案的數(shù)據(jù)庫進(jìn)行匹配(例如軟件的“幫助”功能)，或者通過將算法應(yīng)用于數(shù)據(jù)來計(jì)算答案。如果在數(shù)據(jù)庫中找不到合適的內(nèi)容，則有些人會(huì)通過搜索互聯(lián)網(wǎng)走得更遠(yuǎn)。這些系統(tǒng)中的大多數(shù)都沒有能力將問題放在上下文中，也無法從過去答案的準(zhǔn)確性中學(xué)習(xí)。因此，它們不具備AI資格。

3.僅僅因?yàn)橐粋€(gè)系統(tǒng)被宣傳為AI，就不能使它成為AI。

我們遇到了許多初創(chuàng)公司，供應(yīng)商和“分析”提供商，他們通過提供先進(jìn)的AI /機(jī)器學(xué)習(xí)解決方案而自我提升。不幸的是，我們對(duì)其中大多數(shù)感到失望。盡管它們確實(shí)確實(shí)擅長高級(jí)統(tǒng)計(jì)方法，但它們無法從結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)(尤其是構(gòu)建有用模型通常需要的大量數(shù)據(jù))中構(gòu)建學(xué)習(xí)模型。

AI 真正做什么?

為了評(píng)估您正在評(píng)估的策略或方法是否需要人工智能，讓我們回到我們對(duì)AI的定義，即任何觀察，分析和學(xué)習(xí)的基于計(jì)算機(jī)的系統(tǒng)。

首先，它需要觀察。這意味著它需要能夠擴(kuò)展其信息和見解數(shù)據(jù)庫。豐富而靜態(tài)的數(shù)據(jù)集是不夠的，因?yàn)樗趧?chuàng)建時(shí)就過時(shí)了。因此，真正的AI系統(tǒng)能夠感知其自身的環(huán)境并以接近實(shí)時(shí)的方式增強(qiáng)其知識(shí)基礎(chǔ)。大多數(shù)特斯拉汽車都有至少21個(gè)傳感器，包括攝像頭，超聲波傳感器和雷達(dá)。這些傳感器的目的是觀察汽車周圍的環(huán)境并將實(shí)時(shí)信息提供給強(qiáng)大的車載自動(dòng)駕駛系統(tǒng)?；贏I的數(shù)字營銷初創(chuàng)公司OrangeShark會(huì)密切跟蹤過去廣告效果的各種指標(biāo)，并自動(dòng)調(diào)整廣告展示位置，以針對(duì)未來廣告的創(chuàng)意內(nèi)容為目標(biāo)。

其次，人工智能需要分析—即了解其環(huán)境。AI系統(tǒng)需要能夠分析它觀察和收集的信息，即使該信息非?；靵y。因此，它需要具有高級(jí)工具才能在非常嘈雜的數(shù)據(jù)集中找到信號(hào)。特斯拉(Tesla)的車載計(jì)算機(jī)會(huì)分析其收集的圖像，斑點(diǎn)和其他數(shù)據(jù)，以了解其周圍環(huán)境，從而實(shí)現(xiàn)多個(gè)駕駛決策的自動(dòng)化。Gong.io通過分析銷售電話的各個(gè)方面(包括語音情感和語氣)來幫助高影響力B2B環(huán)境中的銷售人員。利用這些數(shù)據(jù)，公司和銷售專業(yè)人員可以得出許多與直覺相反的見解-例如，積極情緒較高的電話實(shí)際上比積極情緒較低的電話的成交率低。

第三，人工智能系統(tǒng)需要能夠?qū)W習(xí)。這第三個(gè)標(biāo)準(zhǔn)是AI系統(tǒng)與普通數(shù)據(jù)科學(xué)之間最重要的區(qū)別。測(cè)試，學(xué)習(xí)和改進(jìn)的能力僅適用于當(dāng)今最先進(jìn)的機(jī)器學(xué)習(xí)系統(tǒng)。這些系統(tǒng)能夠主動(dòng)進(jìn)行假設(shè)，創(chuàng)建和檢驗(yàn)假設(shè)并從中學(xué)習(xí)。因此，隨著時(shí)間的推移它們變得更加準(zhǔn)確。特斯拉的無人駕駛技術(shù)每行駛一公里，就會(huì)變得更加智能。它通過觀察和分析來自數(shù)十萬輛特斯拉汽車的數(shù)據(jù)，然后從這些數(shù)據(jù)中學(xué)習(xí)以提高自動(dòng)駕駛能力來做到這一點(diǎn)。它可能會(huì)學(xué)會(huì)區(qū)分道路中間的動(dòng)物和被風(fēng)吹來的塑料袋，從而弄清楚它首先需要停止，而第二次可以安全地繼續(xù)行駛。如今，包括Netflix和Stitch Fix所使用的推薦系統(tǒng)在內(nèi)的一些推薦系統(tǒng)(當(dāng)他們對(duì)您的首選項(xiàng)知之甚少時(shí))就開始提出通用推薦。隨著時(shí)間的推移，他們會(huì)從您的選擇中吸取教訓(xùn)，并不斷改進(jìn)以提出更具針對(duì)性的個(gè)性化建議，這是沒有機(jī)器學(xué)習(xí)的系統(tǒng)所缺乏的能力。