[[227178]]

隨著AI技術的發(fā)展，其定義也跟著發(fā)生變化——AI到底由哪些技術構成。這里，AI代指使用人工神經網絡的深度學習技術。 

具體來說，報告分析了三類神經網絡的應用和價值——

· 前饋神經網絡 (FFNN)

這是神經網絡中最簡單的一類。在FFNN的結構里，信息的流動是單向的、無環(huán)的，從輸入層開始，延伸到隱藏層，***到輸出層。

***個單神經元網絡，是Frank Rosenblatt在1958年提出的。雖然，方法聽來有些老舊，但計算能力、訓練算法以及可用數(shù)據的演變，都讓FFNN隨著時間的推移變得更強大。

· 循環(huán)神經網絡 (RNN)

神經元之間的連接是有環(huán)的，適合處理序列化輸入。

2016年11月，牛津大學發(fā)表的研究成果中提到，有一種RNN讀唇的準確率達到95%，遠超人類的52%。

· 卷積神經網絡 (CNN) 

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

另外，本章節(jié)探討了生成對抗網絡 (GAN) 以及強化學習。不過，這兩種技術并沒有包含在AI的價值評估里面，因為，它們很年輕，還沒有成為廣泛應用的技術。

這一環(huán)節(jié)，也探討了其他機器學習技術，以及傳統(tǒng)數(shù)據分析方法。

應用案例分析

在19個行業(yè)、9種業(yè)務功能的400個案例中，可以看到的事情有很多——

深度神經網絡在哪些領域能夠產生***的價值;與傳統(tǒng)數(shù)據分析相比，神經網絡能夠帶來多少營收增長;以及達到相應的目標，對數(shù)據的數(shù)量 (volume) 、速度 (velocity) 以及多樣性 (variety) 有怎樣的需求。 

報告使用的案例庫雖然龐大，但也并非應有盡有，依然可能夸大或低估AI在某些領域的潛力。

以下是一些應用例子，可以一窺AI的力量。

· 預測性維護 (predictive maintenance)

機器學習擁有檢測異常的能力。深度學習用來分析大量高維數(shù)據，可以把現(xiàn)有預防性維護系統(tǒng)的性能提升到一個新的高度。把許多傳感器的數(shù)據層層疊起，神經網絡能夠增強或者取代許多傳統(tǒng)方法。

AI可以預測故障，讓干預計劃有了用武之地，從而減少停機時間和運營成本，提高產量。

比如，AI可以通過整合飛機模型數(shù)據、維護歷史記錄、IoT傳感器數(shù)據 (如用于故障檢測的發(fā)動機數(shù)據) ，來延長貨機的壽命。

· AI驅動的物流優(yōu)化

AI可以通過實時預測和行為指導來降低物流成本。算法能夠優(yōu)化配送路徑，從而提高能源利用效率，減少配送時間。

歐洲一間貨運公司，利用傳感器監(jiān)測貨車性能和駕駛員行為，司機會收到實時指導，何時加速或減速，優(yōu)化油耗并減少維護開銷。由此，燃料成本降低了15%。

· 客服管理和個性化服務

在呼叫中心，語音識別和來電分流，可以提升服務效率，并為用戶提供更加流暢的體驗。

比如，基于深度學習的音頻分析系統(tǒng)，可以估計當前用戶的情緒狀態(tài)，并據此判斷要不要切換到人工服務。

在銷售和營銷的其他方面，AI也有所作為。將用戶個人信息和過往交易數(shù)據與社交媒體監(jiān)測相結合，便可以生成個性化產品推送。 

在案例庫69%的應用案例中，深度神經網絡都是用于替代傳統(tǒng)分析方法，提升系統(tǒng)表現(xiàn)。有16%的案例，神經網絡的任務是傳統(tǒng)方法無法完成的專屬任務，這些領域稱為green field。余下15%的案例中，神經網絡帶來的性能提升非常有限，原因包括數(shù)據方面的局限性等等。

畢竟，深度學習對數(shù)據的需求，遠遠大于任何傳統(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，包括圖像、視頻、音頻等。

估計AI的潛在價值

據估計，報告探討過的所有AI技術加在一起，可能在19個行業(yè)的9種職能中，產生每年3.5-5.8萬億美元的價值。這在所有 (包括傳統(tǒng)和AI) 數(shù)據分析技術一年產生的價值中，約占40%。 

報告中估計，在每個行業(yè)的2016年營業(yè)額中，AI的平均貢獻約在1-9%。但在19個行業(yè)之間，AI貢獻的營業(yè)額百分比差異較大，取決于具體應用案例、獲取大量復雜數(shù)據的能力，以及規(guī)章制度等其他限制。

案例分析得到的結果是，AI能夠產生***價值的領域，既有頂線導向 (top-line-oriented) 的功能，比如營銷和銷售，也有底線導向 (bottom-line-oriented) 的功能，如供應鏈管理和生產制造。 

在零售和高科技等消費行業(yè)，AI可能在營銷和銷售中擁有更大的潛力，因為商家與用戶之間頻繁的、數(shù)字化的互動會為AI技術提供龐大的數(shù)據集。電子商務平臺將會尤其受益，點擊數(shù)據與頁面停留時間等用戶信息都可以輕松獲取，并用于生成實時動態(tài)的產品推送。

以下又是一些例子。

· 在零售領域，定價和促銷可以成為AI的天地。案例表示，使以用戶數(shù)據來定制個性化促銷活動，可以將實體零售商促銷的增量銷售額提升1-2%。

· 在消費品的供應鏈中，AI部署也能起到重要的作用。基于潛在因果驅動因素 (而非先前結果) 的預測，可以將預測準確度提升10-20%，從而帶來2-3%的營業(yè)額增長。

· 在銀行業(yè)，特別是零售業(yè)務中，AI依然可以在營銷和銷售中施展才能。另外，鑒于風險評估和管理的重要性，AI在這一方面的產生價值可能會更大。

挑戰(zhàn)在哪里

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

如今，AI技術的應用還面臨著許多挑戰(zhàn)——

· 標注訓練數(shù)據

這在監(jiān)督學習中必不可少。目前大多是手動標注，但新的技術正在涌現(xiàn)，比如強化學習和in-stream supervision，數(shù)據可以在自然使用過程中獲得標注。

· 大量全面的數(shù)據獲取

對許多行業(yè)案例來說，獲取大量數(shù)據非常困難，比如用于預測治療方案效果的臨床數(shù)據。

· 解釋輸出結果

比如，疾病診斷過程中，AI可以利用患者信息來得出診斷結論，但無法解釋這一結論是如何一步步取得的。

· 學習的普遍性

AI模型在將學習經驗從一類情況向另外一類情況遷移時，經常遇到困難。這意味著，企業(yè)需要投入大量資金訓練新模型，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性的問題。比如，訓練數(shù)據無法代表一個更大的群體時，人臉識別模型便可能在無意之間產生偏見。

或許，AI是一個難以琢磨的商業(yè)案例，許多因素都會減緩深度學習的行業(yè)落地。

【編輯推薦】