0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

企业中的人工智能并不是神话!

OaXG_jingzhengl 来源:NL 2019-05-09 14:18 次阅读

前两天中国工程院院士徐匡迪先生提的一个问题:“中国有多少科学家投入到人工智能的基础算法研究中?”东南大学教授万遂人强调:“我们人工智能领域真正搞算法的科学家凤毛麟角。”最近几年,AI炒翻天。有太多商业泡沫遮蔽了我们的认知。即便有些虽然看上去合理的讨论,也容易被扭曲。比如,前年下半年、去年上半年,几个行业大人物围绕中美AI核心竞争力做着比较,最后我们大都在强调自己的数据优势、场景优势,而美国强调了自己的算法与底层的综合技术

我们对任何新技术都容易产生误解。AI方面似乎特别明显。这跟它的潜在影响范围已产生一定神话性有关。

“AI通常被误解。因为,我们需要探索一个巨大的宇宙,探索未知会让人感到困惑和恐惧,” Very的工程副总裁Bill Brock说。

对于试图在企业中构建AI实际应用的IT领导者来说,这已成一个特殊问题。

“AI在企业中变得越来越普遍,但应用场景、如何改进或更新过往系统仍有很多误解,”布洛克说,虽然可将“机器人成为同事”的说法“浪漫化”,仍有必要了解不同类型的技术如何增强我们的系统并创造更有效的环境。

事实上,“浪漫化技术”是天空销售推销的主要内容,而非战略CIO通过AI实现的底线结果。

此外,浪漫化的现实往往会产生妨碍可行目标的各种神话。因此,这里请Brock和其他专家确定当今企业中关于AI的常见神话,以帮助IT领导者和其他商业人士将事实与虚构分开。

神话1:AI等于机器学习

不是。理解两者之间的差异,至关重要。机器学习更像是AI的子学科。

“我发现,许多交流中,这些术语之间没什么区别,” SigOpt的研究科学家Michael McCourt说 ,这很有问题。

比如,如果一个公司领导层认为建立分类模型等于使用数据巩固决策过程,就会忽视建立模型的结构和含义的重要步骤。这将导致公司对AI投入不足,没有足够的人力深入更大场景,最后导致失败。

神话2:AI与自动化是一回事

AI和自动化也常常混淆。它们之间确实存在重要的关联。

“随着人们越来越熟悉AI,会了解到它是一种能思考的机器 ,至少能根据一系列预先定义的模型、算法做出明智决策。而‘自动化’只是在没有人为干预的情况下完成任务而已。 ”布罗克说说,“自动化并不一定意味着AI,但AI最具影响力的一些案例,会以戏剧性的方式增强自动化。”

神话3:数据多就能带来更好的AI结果

这误解已深。好像AI成功的唯一真正先决条件是“数据”。

眼下,AI和机器学习团队的工作,几乎完全集中在数据挖掘与清理上。

“重要的不是数据的数量,而是质量,” LexisNexis Legal and Professional首席数据官Rick McFarland认为,“大量不良或标记不统一标的数据,并不能让您更接近结果。它们实际上可以通过创建‘精确’结果来欺骗建模器,因为方差公式与样本大小成反比。”

他说,从早期AI故障中学到的常见经验之一是:我们只是在其中投入大量数据并假设它可行。早期阶段,海量数据未必更好。

“质量数据是有效算法不可或缺的一部分,”Very公司的Brock表示,无论解决什么问题,不良数据都会产生糟糕的结果。

“最佳实践是,使用结构化方法和偏差测试,来创建更好的训练数据集 。”McFarland说,建模人员实际上可使用以较低成本获得的较小数据集。

神话4:AI将从部署一刻起传递价值

不是说数据多反而不好。 事实上,随着时间推移,它会变得越来越必要,只是数量和质量必须同步。一般来说,没有人期望AI计划立马获得投资回报,但有时,很多人还是不断描述,只需打开,就能看到魔术。

“AI和ML引擎需要培训,需要大量数据才能学习。一些数据可以播种,“”NetEnrich首席技术官Javed Sikander说 ,但是,大部分数据来自部署的域,以及AI / ML系统集中学习的地方。因此,期望系统第1天就提出建议和见解并不合理。我们需要建立流程,并在各种环境中分配资源,逐步学习,只有那时才会产生魔力。

神话5:AI和机器学习基本上只是“软件开发”

Algorithmia首席执行官Diego Oppenheimer认为,组织与其他任何软件开发的方式相同,都在接近AI和ML。

“AI / ML开发只是软件开发的一个神话,”奥本海默说,事实上,大多数ML项目失败的很大原因,在于ML工作负载与传统软件行为非常不同,它们需要一套不同的工具、基础架构、流程,才能大规模部署与管理。

奥本海默指出了以下问题:

1、异质性:有一个庞大且不断增长的语言和框架菜单。2、可组合性: AI和ML涉及多组件协同,每个组件可能用不同语言、由不同团队构建。3、开发过程: 传统软件开发中,输出是“受控环境中执行的代码”。机器学习中,输出是“一个不断发展的生态系统”。这需要一个更具迭代的循环。4、硬件/基础设施: CPU、TPU、GPU、边缘计算以及任何新选择, 每个都有不同优势、挑战。5、性能指标: 没有适用于每个人甚至许多人的标准指标集。

神话6:AI只是另一种需要考虑的“技术”

有时,我们通过新旧比较,来让一些令人生畏的东西看起来更容易管理一些。好像往事重现一样。

AllCloud数据与AI副总裁Guy Ernest说 ,这可能会导致IT团队只是将AI视为另一个技术周期。事实上并非如此。

“AI更像人类的大脑或身体:你用得越多,它变得越强大,越聪明。”他说。

他同时强调,大多数技术都很“脆弱”。使用它们越多,它们也会变得越复杂,也就越容易破碎。

神话7:AI只适合科技公司

不。AI并非是每个业务问题的解决方案。

SigOpt的McCourt说,最差的情况是,一家公司可选择退出AI革命,目前趋势若持续下去,也只能让公司跟随而不是领导它。

他说,神话渗透到商业世界,让人以为AI的早期开发者和采用者都是技术最精明和最先进的公司。

神话8:AI取代了对人类智能的需求

AI的神秘地位,部分来自Ai对人类智能的超越。这一时刻,“机器人称霸”的叙事,开始进入高潮。

“机器可以像它们获得的数据以及编程采取的行动一样聪明,”Sikander说,“AI和机器学习可以帮助我们识别数据海洋中的模式,并自动执行操作,几乎不需要人工干预。但是,用于决策的算法和模型,仍必须由人类提供。”

LexisNexis 首席数据官麦克法兰表示,以为AI学习“就像人类一样”,其实是一种误解。

“人类在学习或解决问题方面具有内在的优势。比如无聊,”麦克法兰说,“AI模型永远不会感到无聊或看到自身方式的愚蠢。他们从几乎无限的可能性中寻求最佳答案,甚至深深追逐到一个可能永远出不来的‘兔子洞’(概念来自《爱丽丝梦游仙境》)。相比之下,人类会厌倦追求无限的可能性,会重新考虑现状,主动追求不同的道路。”

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 人工智能
    +关注

    关注

    1791

    文章

    47185

    浏览量

    238267

原文标题:企业中的人工智能:这8个神话已被戳穿!

文章出处:【微信号:jingzhenglizixun,微信公众号:机器人博览】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    嵌入式和人工智能究竟是什么关系?

    嵌入式和人工智能究竟是什么关系? 嵌入式系统是一种特殊的系统,它通常被嵌入到其他设备或机器,以实现特定功能。嵌入式系统具有非常强的适应性和灵活性,能够根据用户需求进行定制化设计。它广泛应用于各种
    发表于 11-14 16:39

    IBM发布面向企业的人工智能模型新版本

    近日,IBM正式发布了其面向企业的人工智能模型——Granite 3.0的最新版本,旨在抓住当前企业纷纷拥抱生成式AI技术的热潮。与IBM Granite系列的其他AI模型一样,Gr
    的头像 发表于 10-22 17:32 450次阅读

    《AI for Science:人工智能驱动科学创新》第6章人AI与能源科学读后感

    、优化等方面的应用有了更清晰的认识。特别是书中提到的基于大数据和机器学习的能源管理系统,通过实时监测和分析能源数据,实现了能源的高效利用和智能化管理。 其次,第6章通过多个案例展示了人工智能在能源科学
    发表于 10-14 09:27

    AI for Science:人工智能驱动科学创新》第4章-AI与生命科学读后感

    农业、环保等,为人类社会的可持续发展做出贡献。 总结 《AI for Science:人工智能驱动科学创新》第4章关于AI与生命科学的部分,为我们展示了一个充满希望和机遇的未来。在这个未来人工智能
    发表于 10-14 09:21

    《AI for Science:人工智能驱动科学创新》第一章人工智能驱动的科学创新学习心得

    的效率,还为科学研究提供了前所未有的洞察力和精确度。例如,在生物学领域,AI能够帮助科学家快速识别基因序列的关键变异,加速新药研发进程。 2. 跨学科融合的新范式 书中强调,人工智能的应用促进了多个
    发表于 10-14 09:12

    risc-v在人工智能图像处理应用前景分析

    定制性。这些特点使得RISC-V在多个领域,包括人工智能图像处理领域,具有显著的优势。 二、RISC-V在人工智能图像处理的优势 开源性和灵活性 : RISC-V的开源性意味着任何人都可以自由研究
    发表于 09-28 11:00

    人工智能ai4s试读申请

    目前人工智能在绘画对话等大模型领域应用广阔,ai4s也是方兴未艾。但是如何有效利用ai4s工具助力科研是个需要研究的课题,本书对ai4s基本原理和原则,方法进行描诉,有利于总结经验,拟按照要求准备相关体会材料。看能否有助于入门和提高ss
    发表于 09-09 15:36

    名单公布!【书籍评测活动NO.44】AI for Science:人工智能驱动科学创新

    材料基因组工程的推动下,人工智能如何与材料科学结合,加快传统材料和新型材料的开发过程。 第4章介绍了人工智能在加快药物研发、辅助基因研究方面及在合成生物学的普遍应用。 第5章介绍了人工智能
    发表于 09-09 13:54

    报名开启!深圳(国际)通用人工智能大会将启幕,国内外大咖齐聚话AI

    ,得到了华为、腾讯、优必选、煤科工、中国联通、云天励飞、考拉悠然、智航、力维智联等国内人工智能企业的深度参与和大力支持。 报名后即可到现场领取礼品,总计5000份,先到先选! 点击报名:https://bbs.elecfa
    发表于 08-22 15:00

    FPGA在人工智能的应用有哪些?

    FPGA(现场可编程门阵列)在人工智能领域的应用非常广泛,主要体现在以下几个方面: 一、深度学习加速 训练和推理过程加速:FPGA可以用来加速深度学习的训练和推理过程。由于其高并行性和低延迟特性
    发表于 07-29 17:05

    Python的人工智能框架与实例

    人工智能(AI)领域,Python因其简洁的语法、丰富的库和强大的社区支持,成为了最受欢迎的编程语言之一。本文将详细介绍Python的人工智能框架,并通过具体实例展示如何使用这些框架来实现不同
    的头像 发表于 07-15 14:54 1715次阅读

    Google开发专为视频生成配乐的人工智能技术

    近日,科技巨头Google旗下的人工智能研究实验室DeepMind宣布了一项引人注目的技术突破——V2A技术(Video to Audio),这是一项专为视频生成配乐的人工智能技术。这项技术的诞生,标志着人工智能在媒体创作领域迈
    的头像 发表于 06-20 11:03 503次阅读

    5G智能物联网课程之Aidlux下人工智能开发(SC171开发套件V2)

    5G智能物联网课程之Aidlux下人工智能开发(SC171开发套件V2) 课程类别 课程名称 视频课程时长 视频课程链接 课件链接 人工智能 参赛基础知识指引 14分50秒 https
    发表于 05-10 16:46

    5G智能物联网课程之Aidlux下人工智能开发(SC171开发套件V1)

    课程类别 课程名称 视频课程时长 视频课程链接 课件链接 人工智能 参赛基础知识指引 14分50秒 https://t.elecfans.com/v/25508.html *附件:参赛基础知识指引
    发表于 04-01 10:40

    嵌入式人工智能的就业方向有哪些?

    嵌入式人工智能的就业方向有哪些? 在新一轮科技革命与产业变革的时代背景下,嵌入式人工智能成为国家新型基础建设与传统产业升级的核心驱动力。同时在此背景驱动下,众多名企也纷纷在嵌入式人工智能领域布局
    发表于 02-26 10:17