[[227178]]

隨著AI技術(shù)的發(fā)展，其定義也跟著發(fā)生變化——AI到底由哪些技術(shù)構(gòu)成。這里，AI代指使用人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)。 

具體來(lái)說(shuō)，報(bào)告分析了三類神經(jīng)網(wǎng)絡(luò)的應(yīng)用和價(jià)值——

· 前饋神經(jīng)網(wǎng)絡(luò) (FFNN)

這是神經(jīng)網(wǎng)絡(luò)中最簡(jiǎn)單的一類。在FFNN的結(jié)構(gòu)里，信息的流動(dòng)是單向的、無(wú)環(huán)的，從輸入層開(kāi)始，延伸到隱藏層，***到輸出層。

***個(gè)單神經(jīng)元網(wǎng)絡(luò)，是Frank Rosenblatt在1958年提出的。雖然，方法聽(tīng)來(lái)有些老舊，但計(jì)算能力、訓(xùn)練算法以及可用數(shù)據(jù)的演變，都讓FFNN隨著時(shí)間的推移變得更強(qiáng)大。

· 循環(huán)神經(jīng)網(wǎng)絡(luò) (RNN)

神經(jīng)元之間的連接是有環(huán)的，適合處理序列化輸入。

2016年11月，牛津大學(xué)發(fā)表的研究成果中提到，有一種RNN讀唇的準(zhǔn)確率達(dá)到95%，遠(yuǎn)超人類的52%。

· 卷積神經(jīng)網(wǎng)絡(luò) (CNN) 

層與層之間的連接方式受到了動(dòng)物視覺(jué)皮層結(jié)構(gòu)的啟發(fā)，那是動(dòng)物大腦處理圖像的地方，適合執(zhí)行感知任務(wù)。

另外，本章節(jié)探討了生成對(duì)抗網(wǎng)絡(luò) (GAN) 以及強(qiáng)化學(xué)習(xí)。不過(guò)，這兩種技術(shù)并沒(méi)有包含在AI的價(jià)值評(píng)估里面，因?yàn)椋鼈兒苣贻p，還沒(méi)有成為廣泛應(yīng)用的技術(shù)。

這一環(huán)節(jié)，也探討了其他機(jī)器學(xué)習(xí)技術(shù)，以及傳統(tǒng)數(shù)據(jù)分析方法。

應(yīng)用案例分析

在19個(gè)行業(yè)、9種業(yè)務(wù)功能的400個(gè)案例中，可以看到的事情有很多——

深度神經(jīng)網(wǎng)絡(luò)在哪些領(lǐng)域能夠產(chǎn)生***的價(jià)值;與傳統(tǒng)數(shù)據(jù)分析相比，神經(jīng)網(wǎng)絡(luò)能夠帶來(lái)多少營(yíng)收增長(zhǎng);以及達(dá)到相應(yīng)的目標(biāo)，對(duì)數(shù)據(jù)的數(shù)量 (volume) 、速度 (velocity) 以及多樣性 (variety) 有怎樣的需求。 

報(bào)告使用的案例庫(kù)雖然龐大，但也并非應(yīng)有盡有，依然可能夸大或低估AI在某些領(lǐng)域的潛力。

以下是一些應(yīng)用例子，可以一窺AI的力量。

· 預(yù)測(cè)性維護(hù) (predictive maintenance)

機(jī)器學(xué)習(xí)擁有檢測(cè)異常的能力。深度學(xué)習(xí)用來(lái)分析大量高維數(shù)據(jù)，可以把現(xiàn)有預(yù)防性維護(hù)系統(tǒng)的性能提升到一個(gè)新的高度。把許多傳感器的數(shù)據(jù)層層疊起，神經(jīng)網(wǎng)絡(luò)能夠增強(qiáng)或者取代許多傳統(tǒng)方法。

AI可以預(yù)測(cè)故障，讓干預(yù)計(jì)劃有了用武之地，從而減少停機(jī)時(shí)間和運(yùn)營(yíng)成本，提高產(chǎn)量。

比如，AI可以通過(guò)整合飛機(jī)模型數(shù)據(jù)、維護(hù)歷史記錄、IoT傳感器數(shù)據(jù) (如用于故障檢測(cè)的發(fā)動(dòng)機(jī)數(shù)據(jù)) ，來(lái)延長(zhǎng)貨機(jī)的壽命。

· AI驅(qū)動(dòng)的物流優(yōu)化

AI可以通過(guò)實(shí)時(shí)預(yù)測(cè)和行為指導(dǎo)來(lái)降低物流成本。算法能夠優(yōu)化配送路徑，從而提高能源利用效率，減少配送時(shí)間。

歐洲一間貨運(yùn)公司，利用傳感器監(jiān)測(cè)貨車性能和駕駛員行為，司機(jī)會(huì)收到實(shí)時(shí)指導(dǎo)，何時(shí)加速或減速，優(yōu)化油耗并減少維護(hù)開(kāi)銷。由此，燃料成本降低了15%。

· 客服管理和個(gè)性化服務(wù)

在呼叫中心，語(yǔ)音識(shí)別和來(lái)電分流，可以提升服務(wù)效率，并為用戶提供更加流暢的體驗(yàn)。

比如，基于深度學(xué)習(xí)的音頻分析系統(tǒng)，可以估計(jì)當(dāng)前用戶的情緒狀態(tài)，并據(jù)此判斷要不要切換到人工服務(wù)。

在銷售和營(yíng)銷的其他方面，AI也有所作為。將用戶個(gè)人信息和過(guò)往交易數(shù)據(jù)與社交媒體監(jiān)測(cè)相結(jié)合，便可以生成個(gè)性化產(chǎn)品推送。 

在案例庫(kù)69%的應(yīng)用案例中，深度神經(jīng)網(wǎng)絡(luò)都是用于替代傳統(tǒng)分析方法，提升系統(tǒng)表現(xiàn)。有16%的案例，神經(jīng)網(wǎng)絡(luò)的任務(wù)是傳統(tǒng)方法無(wú)法完成的專屬任務(wù)，這些領(lǐng)域稱為green field。余下15%的案例中，神經(jīng)網(wǎng)絡(luò)帶來(lái)的性能提升非常有限，原因包括數(shù)據(jù)方面的局限性等等。

畢竟，深度學(xué)習(xí)對(duì)數(shù)據(jù)的需求，遠(yuǎn)遠(yuǎn)大于任何傳統(tǒng)分析方法。而如果要完全激發(fā)AI的潛力，則需要多種多樣的數(shù)據(jù)，包括圖像、視頻、音頻等。

估計(jì)AI的潛在價(jià)值

據(jù)估計(jì)，報(bào)告探討過(guò)的所有AI技術(shù)加在一起，可能在19個(gè)行業(yè)的9種職能中，產(chǎn)生每年3.5-5.8萬(wàn)億美元的價(jià)值。這在所有 (包括傳統(tǒng)和AI) 數(shù)據(jù)分析技術(shù)一年產(chǎn)生的價(jià)值中，約占40%。 

報(bào)告中估計(jì)，在每個(gè)行業(yè)的2016年?duì)I業(yè)額中，AI的平均貢獻(xiàn)約在1-9%。但在19個(gè)行業(yè)之間，AI貢獻(xiàn)的營(yíng)業(yè)額百分比差異較大，取決于具體應(yīng)用案例、獲取大量復(fù)雜數(shù)據(jù)的能力，以及規(guī)章制度等其他限制。

案例分析得到的結(jié)果是，AI能夠產(chǎn)生***價(jià)值的領(lǐng)域，既有頂線導(dǎo)向 (top-line-oriented) 的功能，比如營(yíng)銷和銷售，也有底線導(dǎo)向 (bottom-line-oriented) 的功能，如供應(yīng)鏈管理和生產(chǎn)制造。 

在零售和高科技等消費(fèi)行業(yè)，AI可能在營(yíng)銷和銷售中擁有更大的潛力，因?yàn)樯碳遗c用戶之間頻繁的、數(shù)字化的互動(dòng)會(huì)為AI技術(shù)提供龐大的數(shù)據(jù)集。電子商務(wù)平臺(tái)將會(huì)尤其受益，點(diǎn)擊數(shù)據(jù)與頁(yè)面停留時(shí)間等用戶信息都可以輕松獲取，并用于生成實(shí)時(shí)動(dòng)態(tài)的產(chǎn)品推送。

以下又是一些例子。

· 在零售領(lǐng)域，定價(jià)和促銷可以成為AI的天地。案例表示，使以用戶數(shù)據(jù)來(lái)定制個(gè)性化促銷活動(dòng)，可以將實(shí)體零售商促銷的增量銷售額提升1-2%。

· 在消費(fèi)品的供應(yīng)鏈中，AI部署也能起到重要的作用?；跐撛谝蚬?qū)動(dòng)因素 (而非先前結(jié)果) 的預(yù)測(cè)，可以將預(yù)測(cè)準(zhǔn)確度提升10-20%，從而帶來(lái)2-3%的營(yíng)業(yè)額增長(zhǎng)。

· 在銀行業(yè)，特別是零售業(yè)務(wù)中，AI依然可以在營(yíng)銷和銷售中施展才能。另外，鑒于風(fēng)險(xiǎn)評(píng)估和管理的重要性，AI在這一方面的產(chǎn)生價(jià)值可能會(huì)更大。

挑戰(zhàn)在哪里

AI正在吸引越來(lái)越多的企業(yè)投資，但到目前為止，擁有AI技術(shù)的公司里，只有約20%將自己的技術(shù)應(yīng)用于核心業(yè)務(wù)或者大規(guī)模使用。

如今，AI技術(shù)的應(yīng)用還面臨著許多挑戰(zhàn)——

· 標(biāo)注訓(xùn)練數(shù)據(jù)

這在監(jiān)督學(xué)習(xí)中必不可少。目前大多是手動(dòng)標(biāo)注，但新的技術(shù)正在涌現(xiàn)，比如強(qiáng)化學(xué)習(xí)和in-stream supervision，數(shù)據(jù)可以在自然使用過(guò)程中獲得標(biāo)注。

· 大量全面的數(shù)據(jù)獲取

對(duì)許多行業(yè)案例來(lái)說(shuō)，獲取大量數(shù)據(jù)非常困難，比如用于預(yù)測(cè)治療方案效果的臨床數(shù)據(jù)。

· 解釋輸出結(jié)果

比如，疾病診斷過(guò)程中，AI可以利用患者信息來(lái)得出診斷結(jié)論，但無(wú)法解釋這一結(jié)論是如何一步步取得的。

· 學(xué)習(xí)的普遍性

AI模型在將學(xué)習(xí)經(jīng)驗(yàn)從一類情況向另外一類情況遷移時(shí)，經(jīng)常遇到困難。這意味著，企業(yè)需要投入大量資金訓(xùn)練新模型，即便情況與之前的用例相似也很難避免。

這可能牽扯到一些社會(huì)性的問(wèn)題。比如，訓(xùn)練數(shù)據(jù)無(wú)法代表一個(gè)更大的群體時(shí)，人臉識(shí)別模型便可能在無(wú)意之間產(chǎn)生偏見(jiàn)。

或許，AI是一個(gè)難以琢磨的商業(yè)案例，許多因素都會(huì)減緩深度學(xué)習(xí)的行業(yè)落地。

【編輯推薦】