立即打开
APP下载
财富Plus APP
人工智能很重要,正确部署有学问

人工智能很重要,正确部署有学问

Andrew Ng 2020年05月05日
现在很多人仍然对人工智能技术怀有严重的恐惧、不确定和疑虑心理。

人工智能可能会改变很多行业的面貌,甚至也包括制造业等没有大数据加持的产业。图片来源:Sajjad Hussain—AFP/Getty

眼下是一个人人都在谈论人工智能的时代,但是要想把我们新闻里看到的那些似乎很有前景的试验转化成有实用价值的应用,却还是得先搞定一些很重要的工作。大型的消费型互联网公司是第一批实际应用人工智能的企业,但他们的程序未必适合其他行业,尤其是在很多行业中,人工智能项目都面临着一些独特的挑战。

因此,我们经常会看到一些非数字型企业在部署人工智能项目时遇到困难的情况。比如制造业已经做好了向人工智转型的准备,不过MAPI基金曾对美国200多家制造业企业进行过调查,其中只有5%的受访企业制定了清晰的人工智能战略。埃森哲公司也曾对16个行业的1500多名高管进行过调查,有76%的受访者表示,他们在如何促进人工智能技术的规模化应用上遇到了困难。这种现象与消费型互联网产业形成了对比,因为在这个产业中,大型的人工智能系统已经被应用到了从生成搜索结果,到语言翻译,再到定向广告的各个领域。

要想充分发挥人工智能技术的潜力,人工智能技术的开发者就必须研发一些新技术,确保人工智能在所有产业得到应用。(我的公司Landing AI就是一家专门帮助企业采用人工智能技术的公司。)尤其是对于硅谷以外的企业来说,他们必须要克服三个挑战,才能增加成功的几率。

首先,他们必须学会利用“小数据”。一些大型科技公司会使用从几十亿用户那里收集到的海量数据来对人工智能模型进行训练。但是很多行业没有那么多的数据量,所以这些针对“大数据”研发的系统必须相应地做出一些调整,以适应这些行业的“小数据”。

比如有些工厂需要利用人工智能系统,检测智能手机表面的划痕。没有哪家手机厂商会有100万部有划痕的手机放在那里,让人工智能系统学习划痕长什么样子。所以说,很多制造企业是没有足够的数据来支撑人工智能模型的。制造业的人工智能软件开发者,很多时候只能拿到不到100张的样本照片来学习。

好在一种新的“小数据”技术正在使这一切成为可能。比如现在有了一种新的数据生成技术,它只需要10张高质量的瑕疵图片,就可以合成1000张瑕疵图片,供人工智能系统进行学习。除此之外还有一种方法,我们可以准备1万张来自其他产品和数据来源的瑕疵图片,人工智能模型先学习如何从这1万张图片中找出瑕疵品,了解了瑕疵品的一般规律后,它就可以把这一知识应用到一种新产品上,这时只需要额外的少量瑕疵图片,它就可以识别出这种新产品的瑕疵了。

有了这种先进的“小数据”技术,人工智能很有可以最终得以打入制造业、农业和医疗等传统行业。

其次,实验室里的设定与真实世界是有很大差距的,如果人工智能技术的服务对象是非数字型企业,那么就要格外重视弥合这种差距。很多人工智能系统在研究论文里或者在概念验证中展现了很高的准确性,但在真实世界部署时,其表现就没有这么好了。

比如说,很多研究机构都发表论文称,人工智能技术可以通过X光或者其他医学影像来论断病情,准确度堪比甚至超过了职业的放射科医师。那么,为什么直到现在,各个医院还是很少使用这项技术呢?

其中的一个原因是,很多此类研究的基础设定都被控制得很好,人工智能模型的学习和测试对象都是高质量的数据。人工智能模型在这样的设定中表现得很好,就足以做概念验证或者发表论文了。不过如果同样的一套人工智能系统被部署在了一家真正的医院里,只要这家医院的X光影像稍微模糊一点,或者它的图像采集方案稍微有一些不一样,这套系统就适应不了了。

对于这种情况,有一种解决方案是,一开始只用人工智能系统来分析它信心度比较高的图像,其他情况都由人类放射科医生来解决。然后让人工智能系统向人类医生学习,从而逐渐承担更多的职能。

第三,对于一些非科技企业来说,他们有必要意识到,人工智能系统的部署,很可能影响到一些员工、客户以及其他利益相关者的利益,所以必须妥善应对好这项新技术带来的改变。

比如说,有一种人工智能系统是专门用来帮医生对急诊室的病人进行分类的,它的应用可能会影响到很多人——比如医生、护士乃至保险业者。为了让项目保持正轨,人们必须积极参与人工智能技术的部署当中。而为了充分利用这项新技术,他们的工作流程也必须做出相应的调整。

我发现,很多人工智能团队都低估了组织变革管理中的人性化的一面。要想克服这个挑战,并不是一件容易的事。但企业却可以采取一些措施来减轻这种影响。

首先,企业必须认识到在变革的过程中,有哪些利益相关方会被涉及到。企业管理者要么应该与他们直接沟通,要么应该让同事们告诉他们将要发生什么。很多团队的决策取决于大家的共识,因此,企业有必要想方设法减少来自利益相关方的阻力,避免部署被拖延。

接下来,公司需要预算足够的时间来恰当地实施人工智能。他们必须花足够的时间来理解利益相关者的角色和信念,评估有多少角色将会改变,并向人们解释人工智能实际上会做什么,以及这个系统如何让他们受益。

在人工智能技术的部署过程中,让利益相关方放心也是很重要的。现在很多人仍然对人工智能技术怀有严重的恐惧、不确定和疑虑心理。企业可以就人工智能技术开展一些基础性的教育培训,以打消人们的这种疑虑。另外,企业还可以对人工智能系统进行严格的测试和审计,并且将结果展示给利益相关者,好让他们相信,这项技术可以安全地工作。

另外,企业在部署人工智能技术时,可以先考虑进行试点,这样的话,一开始只会有少数利益相关者受到影响。一旦试点项目迅速取得了成功,那它就更容易获得大家的支持。

据普华永道估计,到2030年,全球人工智能技术的产值将达到15.7万亿美元,其中大部分产值将来自硅谷以外。人工智能即将改变每一个行业。如果企业在这个过程中采取了正确的做法,那么他们向人工智能转型的过程就会容易得多。(财富中文网)

本文作者吴恩达(Andrew Ng)是Landing AI公司的创始人、CEO。

译者:隋远洙

眼下是一个人人都在谈论人工智能的时代,但是要想把我们新闻里看到的那些似乎很有前景的试验转化成有实用价值的应用,却还是得先搞定一些很重要的工作。大型的消费型互联网公司是第一批实际应用人工智能的企业,但他们的程序未必适合其他行业,尤其是在很多行业中,人工智能项目都面临着一些独特的挑战。

因此,我们经常会看到一些非数字型企业在部署人工智能项目时遇到困难的情况。比如制造业已经做好了向人工智转型的准备,不过MAPI基金曾对美国200多家制造业企业进行过调查,其中只有5%的受访企业制定了清晰的人工智能战略。埃森哲公司也曾对16个行业的1500多名高管进行过调查,有76%的受访者表示,他们在如何促进人工智能技术的规模化应用上遇到了困难。这种现象与消费型互联网产业形成了对比,因为在这个产业中,大型的人工智能系统已经被应用到了从生成搜索结果,到语言翻译,再到定向广告的各个领域。

要想充分发挥人工智能技术的潜力,人工智能技术的开发者就必须研发一些新技术,确保人工智能在所有产业得到应用。(我的公司Landing AI就是一家专门帮助企业采用人工智能技术的公司。)尤其是对于硅谷以外的企业来说,他们必须要克服三个挑战,才能增加成功的几率。

首先,他们必须学会利用“小数据”。一些大型科技公司会使用从几十亿用户那里收集到的海量数据来对人工智能模型进行训练。但是很多行业没有那么多的数据量,所以这些针对“大数据”研发的系统必须相应地做出一些调整,以适应这些行业的“小数据”。

比如有些工厂需要利用人工智能系统,检测智能手机表面的划痕。没有哪家手机厂商会有100万部有划痕的手机放在那里,让人工智能系统学习划痕长什么样子。所以说,很多制造企业是没有足够的数据来支撑人工智能模型的。制造业的人工智能软件开发者,很多时候只能拿到不到100张的样本照片来学习。

好在一种新的“小数据”技术正在使这一切成为可能。比如现在有了一种新的数据生成技术,它只需要10张高质量的瑕疵图片,就可以合成1000张瑕疵图片,供人工智能系统进行学习。除此之外还有一种方法,我们可以准备1万张来自其他产品和数据来源的瑕疵图片,人工智能模型先学习如何从这1万张图片中找出瑕疵品,了解了瑕疵品的一般规律后,它就可以把这一知识应用到一种新产品上,这时只需要额外的少量瑕疵图片,它就可以识别出这种新产品的瑕疵了。

有了这种先进的“小数据”技术,人工智能很有可以最终得以打入制造业、农业和医疗等传统行业。

其次,实验室里的设定与真实世界是有很大差距的,如果人工智能技术的服务对象是非数字型企业,那么就要格外重视弥合这种差距。很多人工智能系统在研究论文里或者在概念验证中展现了很高的准确性,但在真实世界部署时,其表现就没有这么好了。

比如说,很多研究机构都发表论文称,人工智能技术可以通过X光或者其他医学影像来论断病情,准确度堪比甚至超过了职业的放射科医师。那么,为什么直到现在,各个医院还是很少使用这项技术呢?

其中的一个原因是,很多此类研究的基础设定都被控制得很好,人工智能模型的学习和测试对象都是高质量的数据。人工智能模型在这样的设定中表现得很好,就足以做概念验证或者发表论文了。不过如果同样的一套人工智能系统被部署在了一家真正的医院里,只要这家医院的X光影像稍微模糊一点,或者它的图像采集方案稍微有一些不一样,这套系统就适应不了了。

对于这种情况,有一种解决方案是,一开始只用人工智能系统来分析它信心度比较高的图像,其他情况都由人类放射科医生来解决。然后让人工智能系统向人类医生学习,从而逐渐承担更多的职能。

第三,对于一些非科技企业来说,他们有必要意识到,人工智能系统的部署,很可能影响到一些员工、客户以及其他利益相关者的利益,所以必须妥善应对好这项新技术带来的改变。

比如说,有一种人工智能系统是专门用来帮医生对急诊室的病人进行分类的,它的应用可能会影响到很多人——比如医生、护士乃至保险业者。为了让项目保持正轨,人们必须积极参与人工智能技术的部署当中。而为了充分利用这项新技术,他们的工作流程也必须做出相应的调整。

我发现,很多人工智能团队都低估了组织变革管理中的人性化的一面。要想克服这个挑战,并不是一件容易的事。但企业却可以采取一些措施来减轻这种影响。

首先,企业必须认识到在变革的过程中,有哪些利益相关方会被涉及到。企业管理者要么应该与他们直接沟通,要么应该让同事们告诉他们将要发生什么。很多团队的决策取决于大家的共识,因此,企业有必要想方设法减少来自利益相关方的阻力,避免部署被拖延。

接下来,公司需要预算足够的时间来恰当地实施人工智能。他们必须花足够的时间来理解利益相关者的角色和信念,评估有多少角色将会改变,并向人们解释人工智能实际上会做什么,以及这个系统如何让他们受益。

在人工智能技术的部署过程中,让利益相关方放心也是很重要的。现在很多人仍然对人工智能技术怀有严重的恐惧、不确定和疑虑心理。企业可以就人工智能技术开展一些基础性的教育培训,以打消人们的这种疑虑。另外,企业还可以对人工智能系统进行严格的测试和审计,并且将结果展示给利益相关者,好让他们相信,这项技术可以安全地工作。

另外,企业在部署人工智能技术时,可以先考虑进行试点,这样的话,一开始只会有少数利益相关者受到影响。一旦试点项目迅速取得了成功,那它就更容易获得大家的支持。

据普华永道估计,到2030年,全球人工智能技术的产值将达到15.7万亿美元,其中大部分产值将来自硅谷以外。人工智能即将改变每一个行业。如果企业在这个过程中采取了正确的做法,那么他们向人工智能转型的过程就会容易得多。(财富中文网)

本文作者吴恩达(Andrew Ng)是Landing AI公司的创始人、CEO。

译者:隋远洙

While artificial intelligence has become a ubiquitous topic in the business world, there is still important work to do to translate the promising experiments we see in the news to valuable and practical implementation. Large consumer Internet companies pioneered practical A.I. deployments, but their processes do not necessarily apply in other industries where A.I. projects face unique challenges.

As a result, we frequently see non-digital companies struggle with A.I. deployment. Manufacturing, for instance, is primed for A.I. transformation, but only 5% of more than 200 manufacturers surveyed by the MAPI Foundation say they have a clearly defined strategy for A.I. In a separate Accenture report that surveyed 1,500 C-suite executives in 16 industries, 76% of respondents said they struggle with how to scale the technology. This stands in contrast to the consumer Internet industry, where large A.I. systems already power everything from producing search results to language translation to targeted advertising.

For A.I. to reach its full potential, those implementing the technology must develop new techniques to enable its deployment across all industries. (My company, Landing AI, helps companies with A.I. adoption.) In particular, companies outside Silicon Valley need to overcome three challenges to increase their odds of success.

First, they must learn to harness small data. The tech giants use vast volumes of data collected from billions of users to train A.I. models. Techniques developed for these big data settings need to be adapted to the much smaller datasets that most other industries have.

Take the challenge of building an A.I.-powered system for a factory to detect scratches on smartphones. No smartphone manufacturer has a million scratched phones lying around from which it can capture pictures of scratches. Thus, many manufacturers do not have enough data to power conventional A.I. models. Manufacturing A.I. application builders often need to get by with 100 or fewer images.

Fortunately, new small data technologies are starting to make this possible. For example, a new data generation technique may be able to take 10 images of a rare defect and synthesize an additional 1,000 images that an A.I. system can then learn from. Using another method, an A.I. model might first learn to find dents from a large dataset of 10,000 pictures of dents collected from different products and data sources. Having learned about dents in general, it can then transfer this knowledge to detect dents in a specific novel product with only a few pictures of dents.

Such advanced small data techniques may enable A.I. to finally break into traditional industries like manufacturing, agriculture, and health care.

Second, A.I. models serving non-digital firms must bridge the gap between research settings and the real world. Many A.I. systems that achieve high accuracy in a research paper or proof of concept do not perform as well when deployed.

For example, many research groups have published articles that report A.I.’s ability to diagnose from x-rays or other medical images at a level of accuracy comparable or superior to that of radiologists. So why is it still so rarely used?

One reason is that many of these studies are carried out in well-controlled settings where the A.I. learns from and is tested on consistently high-quality data. Doing well in such a setting leads to a successful proof of concept or publication. However, if the same A.I. system is deployed in a hospital where x-ray images are slightly blurrier or the protocol for collecting images is slightly different, it fails to adapt.

One solution is to start by only using A.I. to analyze images on which it has high confidence, while relying on a human radiologist for all other cases. The A.I. then learns from the radiologist and is gradually able to take on more responsibility.

Third, non-tech companies deploying A.I. must be aware of its potential to disrupt employees, customers, and other stakeholders in the business, and appropriately manage the change the technology brings.

For instance, an A.I. system that helps doctors triage patients in an emergency room affects many—from doctors and intake nurses to insurance underwriters. To keep projects on track, people must be brought on board with A.I. implementation, and their workflow must be adjusted to take advantage of the technology.

I have seen many A.I. teams underestimate the human side of organizational change management. Overcoming this challenge is not easy, but there are steps businesses can take to mitigate disruption.

For one, organizations have to identify all the stakeholders that will be involved with the change process. Managers should either communicate with them directly or find ways to have their colleagues talk to them about what is coming. Many teams make decisions by consensus, so it is important to minimize the odds of any stakeholder blocking or slowing down implementation.

Next, companies need to budget enough time to properly implement A.I. They must spend enough time to understand stakeholders’ roles and beliefs, assess how many roles will change, and explain to people what the A.I. will actually do and how the system may benefit them.

It’s crucial that the company reassure stakeholders during A.I. implementation. Many people still harbor significant fear, uncertainty, and doubt about A.I. Providing a basic education about the technology eases these conversations. Organizations can also reassure people by rigorously testing and auditing the technology, and showing the results to stakeholders so they’re convinced it works safely.

Organizations should consider beginning A.I. deployment with a pilot that affects a relatively small number of stakeholders. A quick success can then be used as a showcase to get buy-in from a larger group.

PwC estimates that A.I. will generate $15.7 trillion globally by 2030. Much of this value will come from outside Silicon Valley. A.I. is on its way to transforming every industry; the process will be a lot easier if businesses take the right actions along the way.

Andrew Ng is founder and CEO of Landing AI.

最新:
  • 热读文章
  • 热门视频
活动
扫码打开财富Plus App