自1956年概念得以確立以來(lái)，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(kāi)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(lèi)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(wú)處不在，出現(xiàn)在我們購(gòu)買(mǎi)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(wèn)題方面的應(yīng)用也在飛速發(fā)展。與此同時(shí)，人們?cè)絹?lái)越擔(dān)心人工智能所造成的影響：人工智能驅(qū)動(dòng)自動(dòng)化對(duì)工作場(chǎng)所、就業(yè)和社會(huì)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(huì)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(huì)阻礙他們的人工智能的發(fā)展。在此過(guò)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(lái)源于前沿工作的分析總結(jié)——研究、分析和評(píng)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(méi)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(jiǎn)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(dòng)目標(biāo)”問(wèn)題：很難達(dá)到始終處于領(lǐng)先的優(yōu)勢(shì)。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(huì)降低人們對(duì)進(jìn)一步投資的興趣，或鼓勵(lì)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(mén)和部門(mén)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(jiàn)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(wèn)題。換句話(huà)說(shuō)，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(dòng)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(kāi)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(shuō)，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(lèi)和預(yù)測(cè)的準(zhǔn)確性方面取得了飛躍，而且沒(méi)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(wàn)計(jì)的具有結(jié)構(gòu)分層的模擬“神經(jīng)元”。最常見(jiàn)的網(wǎng)絡(luò)稱(chēng)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(guò)訓(xùn)練數(shù)據(jù)和反向傳播算法來(lái)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(wèn)題和數(shù)據(jù)的可用性。由于這些系統(tǒng)是經(jīng)過(guò)“訓(xùn)練”的，而不是經(jīng)過(guò)編程的，因此各種過(guò)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(shí)工作也可能需要大量人力資源。
此外，很難辨別通過(guò)深度學(xué)習(xí)訓(xùn)練出來(lái)的數(shù)學(xué)模型是如何獲得特定的預(yù)測(cè)、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(cè)或決定影響社會(huì)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(hù)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(kāi)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(guò)“監(jiān)督學(xué)習(xí)”進(jìn)行訓(xùn)練的。這意味著，人類(lèi)必須對(duì)底層數(shù)據(jù)進(jìn)行標(biāo)記和分類(lèi)，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(kāi)發(fā)自動(dòng)駕駛汽車(chē)技術(shù)的公司雇傭了數(shù)百人來(lái)手工標(biāo)注原型車(chē)的視頻輸入時(shí)數(shù)來(lái)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(guò)程中進(jìn)行標(biāo)記。無(wú)監(jiān)督或半監(jiān)督的方法減少了對(duì)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(duì)抗網(wǎng)絡(luò)（GANs）。
強(qiáng)化學(xué)習(xí)。這種無(wú)人監(jiān)督的技術(shù)允許算法簡(jiǎn)單地通過(guò)試錯(cuò)來(lái)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(duì)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(huì)得到“獎(jiǎng)勵(lì)”（比如更高的分?jǐn)?shù)），反之則會(huì)得到“懲罰”。只要學(xué)習(xí)環(huán)境是真實(shí)世界的表征，通過(guò)重復(fù)，行為就會(huì)得到改善，在很多情況下甚至超越人類(lèi)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(hù)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(dòng)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(dòng)的銷(xiāo)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(jiǎng)勵(lì)的卡車(chē)路線軟件。
強(qiáng)化學(xué)習(xí)還可以幫助人工智能通過(guò)開(kāi)發(fā)以前無(wú)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(guò)這些解決方案和策略）來(lái)超越人類(lèi)標(biāo)記的自然和社會(huì)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(kāi)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(kāi)始，而不是從訓(xùn)練人類(lèi)及與人類(lèi)一起玩的圍棋游戲開(kāi)始。
生成式對(duì)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(jìng)爭(zhēng)，以改進(jìn)和完善他們對(duì)概念的理解。例如，為了識(shí)別鳥(niǎo)類(lèi)的樣子，一個(gè)網(wǎng)絡(luò)試圖區(qū)分真實(shí)的和虛假的鳥(niǎo)類(lèi)圖像，而它的對(duì)手網(wǎng)絡(luò)則試圖通過(guò)制作看起來(lái)很像鳥(niǎo)類(lèi)的圖像來(lái)迷惑它，但事實(shí)上并沒(méi)有。當(dāng)這兩個(gè)網(wǎng)絡(luò)互相吻合時(shí)，每個(gè)模型對(duì)鳥(niǎo)類(lèi)的表征就變得更加準(zhǔn)確。
GANs生成越來(lái)越可信的數(shù)據(jù)示例能力可以顯著減少對(duì)人類(lèi)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(shí)別不同類(lèi)型腫瘤的算法，通常需要數(shù)百萬(wàn)個(gè)具有特定腫瘤類(lèi)型或階段的人類(lèi)標(biāo)記圖像。但通過(guò)使用一種經(jīng)過(guò)訓(xùn)練的GAN來(lái)生成越來(lái)越逼真的不同類(lèi)型腫瘤的圖像，研究人員可以訓(xùn)練一種腫瘤檢測(cè)算法，該算法結(jié)合了一個(gè)更小的具有GAN輸出的人類(lèi)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(kāi)始在越來(lái)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(duì)地理特征的理解，來(lái)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(jiǎn)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(wàn)的數(shù)據(jù)記錄，才能使模型在分類(lèi)任務(wù)上變得相對(duì)優(yōu)秀，在某些情況下，還需要數(shù)以百萬(wàn)計(jì)的數(shù)據(jù)記錄才能達(dá)到人類(lèi)的水平。
復(fù)雜之處在于，對(duì)于許多業(yè)務(wù)用例來(lái)說(shuō)，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(lái)更準(zhǔn)確地預(yù)測(cè)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(dòng)駕駛汽車(chē)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(chē)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(duì)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(chē)）后，人工智能的能力將更接近于人類(lèi)的水平，就能相對(duì)準(zhǔn)確地識(shí)別一個(gè)類(lèi)別的多個(gè)實(shí)例的能力。在這個(gè)仍在開(kāi)發(fā)中的方法中，數(shù)據(jù)科學(xué)家首先會(huì)在模擬的虛擬環(huán)境中對(duì)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(shí)別的情況下，顯示對(duì)象的外觀。然后，在展示了人工智能模型在虛擬訓(xùn)練中沒(méi)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(shí)來(lái)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(shí)別視頻中的公司徽標(biāo)。如今，這類(lèi)應(yīng)用才剛剛起步，但是他們的效用和效率很可能會(huì)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(wèn)題
人工智能系統(tǒng)的可解釋性并不是一個(gè)新問(wèn)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(lái)了更多樣化、更先進(jìn)的應(yīng)用，也帶來(lái)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(lèi)的語(yǔ)言來(lái)解釋為什么會(huì)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(dòng)對(duì)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?zhuān)↙IME）和注意技術(shù)（見(jiàn)表2）。LIME嘗試識(shí)別訓(xùn)練模型最依賴(lài)的是輸入數(shù)據(jù)的哪些部分，以便在開(kāi)發(fā)進(jìn)行預(yù)測(cè)。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(cè)結(jié)果的變化，從而對(duì)代理模型進(jìn)行微調(diào)并開(kāi)發(fā)一種更精確的解釋?zhuān)ɡ纾懦劬Γ皇峭ㄟ^(guò)鼻子來(lái)測(cè)試哪個(gè)對(duì)面部識(shí)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(duì)人類(lèi)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(guò)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(hù)更容易地進(jìn)行解釋。使用這些技術(shù)來(lái)揭開(kāi)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(lèi)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(lái)培訓(xùn)另一個(gè)模型。
應(yīng)對(duì)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(dòng)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(lè)）的用戶(hù)偏好推廣到其他領(lǐng)域（書(shū)籍）。而且用戶(hù)并不局限于數(shù)字原生用戶(hù)。例如，學(xué)習(xí)轉(zhuǎn)移可以使油氣生產(chǎn)商擴(kuò)大其對(duì)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(tái)）的油井提供預(yù)測(cè)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(wèn)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(huì)國(guó)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(guó)際象棋程序。
最后，考慮到出現(xiàn)試圖自動(dòng)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(dòng)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)來(lái)在大規(guī)模數(shù)據(jù)集中對(duì)圖像進(jìn)行分類(lèi)。這些技術(shù)目前表現(xiàn)得和人類(lèi)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(lèi)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(zhuān)注于通過(guò)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(guò)。偏差是另一種挑戰(zhàn)。當(dāng)人類(lèi)的偏好（有意識(shí)或無(wú)意識(shí)）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(huì)產(chǎn)生潛在的破壞性的社會(huì)影響。此外，當(dāng)數(shù)據(jù)收集本身的過(guò)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(cè)的方式很容易出現(xiàn)問(wèn)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(cè)、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(jiàn)在“高級(jí)數(shù)據(jù)科學(xué)”、“專(zhuān)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?cè)谛碌念I(lǐng)域部署機(jī)器學(xué)習(xí)和人工智能算法時(shí)，可能會(huì)有更多的實(shí)例將這些潛在偏差問(wèn)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(shí)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(duì)現(xiàn)有社會(huì)力量（包括數(shù)據(jù)收集）的更深的元認(rèn)識(shí)。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(huì)擔(dān)憂(yōu)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(yíng)利和私營(yíng)部門(mén)的研究中解決這些問(wèn)題。這一切都不會(huì)進(jìn)展太快，因?yàn)樘魬?zhàn)很可能會(huì)變得十分嚴(yán)峻，會(huì)出現(xiàn)更多的問(wèn)題。舉例來(lái)說(shuō)，考慮到許多基于學(xué)習(xí)和統(tǒng)計(jì)的預(yù)測(cè)方法都隱含地假設(shè)未來(lái)會(huì)像過(guò)去一樣。在社會(huì)文化背景下，我們正在努力促進(jìn)變革，而根據(jù)過(guò)去的行為做出決定會(huì)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(huì)要求就有關(guān)問(wèn)題給出他們的回答。
擊中移動(dòng)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(duì)當(dāng)今工具的功能有一個(gè)大致的了解，對(duì)哪些方面可能會(huì)有短期進(jìn)展有一個(gè)認(rèn)識(shí)，以及對(duì)未來(lái)的展望。 利用您數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)專(zhuān)家的知識(shí)，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(chǎng)人工智能會(huì)議來(lái)幫助你獲得真正的資訊;新聞媒體可能會(huì)有所幫助，但它們也可能是炒作機(jī)器的一部分。知識(shí)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(kāi)隱藏在系統(tǒng)生成的數(shù)據(jù)中的有價(jià)值的見(jiàn)解。您可以通過(guò)開(kāi)發(fā)一個(gè)全面的數(shù)據(jù)策略來(lái)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(huì)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(cāng)庫(kù)設(shè)備的預(yù)測(cè)性維護(hù)這樣的問(wèn)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(gòu)買(mǎi)的解決方案是否可以在多個(gè)分銷(xiāo)渠道中使用？鼓勵(lì)業(yè)務(wù)單位分享知識(shí)，這些知識(shí)可能會(huì)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(kāi)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(zhǎng)期保持競(jìng)爭(zhēng)力。讓您的數(shù)據(jù)科學(xué)員工或合作伙伴與外部專(zhuān)家合作，使用新生的技術(shù)（如本文中討論的技術(shù)）來(lái)解決影響巨大的用例問(wèn)題，這些問(wèn)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(yǔ)音、視覺(jué)和情感檢測(cè)）的機(jī)器學(xué)習(xí)工具、數(shù)據(jù)集和訓(xùn)練過(guò)的模型正在廣泛使用。有時(shí)它們是開(kāi)源的，而在其他情況下則是通過(guò)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(lái)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(shì)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(guò)程還沒(méi)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(jiàn)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(wèn)題，現(xiàn)在是時(shí)候開(kāi)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(lái)學(xué)習(xí)、開(kāi)發(fā)，甚至可能推進(jìn)新的可能性。
來(lái)源：前瞻網(wǎng)
文章來(lái)源： ofweek可穿戴設(shè)備網(wǎng)
