当前位置:   article > 正文

浅谈企业如何正确的引入和发展AI算法_非互联网企业如何引入ai

非互联网企业如何引入ai

在这里插入图片描述

本文主要分为上下两部分,(上)部分主要介绍一下企业内部什么时候需要引入AI技术(这里的AI技术泛指机器学习、深度学习、NLP、视觉、语音、推荐等),(下)部分主要介绍一下在引入这些AI技术之后的一些情况和企业的技术方向发展。

(上)部分

数据积累

当一个产品是以内容为主的时候,必然会积累大量的数据,在这个数据为王的时代,有了数据当前要进行分析、挖掘,然后产出更多的商业价值。这个时候必然需要引入AI技术。

但在数据积累前期,产品、分析、挖掘等更多是基于「规则」进行的。人们总结出一些规则,然后利用编程让计算机自动的去执行这些规则。基于规则的好处是:人们知道在什么的数据条件下,会产出什么样的数据结果,一切皆可判断,可以解释。

当然一些规则会逐渐演变成可解释的、简单机器学习模型,比如KNN、K-Means、贝叶斯等。但是基于规则的方法,很难甚至无法总结出有效的规则。这个时候规则就要退场,并逐渐切换到AI技术。AI技术的最底层的根基便是数据,如果没有数据,何谈AI。

「基于数据」的方法简单说就是:从海量数据中找规律,这些规律是很抽象的,并不能总 结成具象的规则。比如:

  • 给机器看海量的猫和狗的照片,它就具备了「区分猫和狗」的能力
  • 给机器海量的中英文对照文章,它就具备了「中英文翻译」的能力
  • 给机器海量的文章,它甚至可以具备「写文章」的能力

基于数据的好处是:只要有足够多的优质数据,那么机器就能学会某些技能,数据越多, 能力越强。

但是基于数据的方法也有明显的弊端:机器只能告诉你「是什么」,但是无法告诉你「为什么」。这就是模型的不可解释性。表现最突出的就是神经网络相关的算法模型。

上边说了有了数据的时候需要考虑引入AI,但并不仅仅是一些杂乱无章的数据,我们考虑的是数据的四大要素:
数据的四大要素

特征

首先我们要理解什么是特征?比如当听到一个人说着一口流利的东北话,我们就知道他可能来自东北,当看到一个人的头发短、卷,肤色全黑,但牙齿十分洁白,我们就可以猜测他来自非洲。但一个人说着东北话 却不一定是东北人,可能他在东北上学,一个人符合非洲人的特征,也有可能是个混血儿。

上面这个例子其实想要说明两点:

  • 1、AI技术模型的一般流程
    AI算法的一般流程

  • 2、特征是AI算法模型的关键(当我们想要使用一个算法去评估一个结果时,简单几个特征是不够的,我们需要引入更多的特征,同时特征本身的不确定性也对结果有很大的影响)
    特征时AI算法的关键

    • 特征少+确定性弱:适合人工解决
    • 特征少+确定性强:适合规则解决
    • 特征多+确定性强:适合规则解决
    • 特征多+确定性弱:「可以考虑」 AI 解决

但其实还有很多其他因素:成本、⻛险、是否可测量…这里不做考虑,否则太复杂了

模型的不可解释性

在「数据积累」中,提到了模型的不可解释性。不可解释的模型只会告诉你结果「是什么」,而不会告诉你「为什么」会产出这个结果。当我们的不可解释模型中出现badcase时,我们并不能轻易的找到为什么会出现这个问题的原因?同样通常也不能对症下药,因为我们的修改和优化都是针对模型整体而言的。

因此在考虑是否使用不可解释模型去解决一些问题时,需要考虑:

  • 是否需要解释
  • 是否可容忍

两个维度

我们先从这2个⻆度来看看普及率较高的AI应用:

案例是否需要解释错误容忍度
语音识别用户只关心效果好不好,并不关心背后的原理是什么偶尔出现一些错误并不影响对整句话的理 解。少量出错是可以接受的。
人脸识别同上相比语音识别,用户对出错的容忍度要低一些,因为需要重新刷脸
机器翻译同上跟语音识别类似,只要大面上准确,并不影 响整体的理解。

再来看一些人力和AI结合的案例

案例是否需要解释错误容忍度
智能客服用户不关心是人工服务还是机器服务,只要能解决我的问题就行如果机器客服不能理解我的意图,无法帮我解决问 题,用户会很不满意。所以当机器搞不定的时候需要人工来补位
内容审核对于审核不通过的内容,需要解释原因。通过的内容不需要解释为什么有一种职业叫「鉴⻩师」,目前正在逐步被机器替 代,但是并没有完全替代,因为有时候机器会拿不 准,这个时候人工来复审

最后看一些不适合AI落地的场景

案例是否需要解释错误容忍度
推导定理科学是绝对严谨的,一定是从逻辑上推导出来的,而不是统计出来的。如果有例外就不能称作定理,一定是绝对正确没有错误的
写论文人工智能已经可以写小说、诗歌、散文。但是论文这种文体要求非常严谨的上下文逻辑。论文里是不允许有错误的,全文的逻辑要非 常清晰,哪怕一个细节出现了逻辑问题,也 会造成整篇论文没有价值。

如果我们把上面提到的案例全部放在象限中,大致如下:
AI落地的评估

所以在评估是否引入不可解释的AI技术时,有下面三个准则:

  • 1、解决方案越需要解释背后的原因,越不适合用深度学习
  • 2、对错误的容忍度越低,越不适合使用深度学习
  • 3、上面2条并非绝对判断标准,还需要看商业价值和性价比,自动驾驶和医疗就是反例。

(下)篇——引入AI后的情况

首先需要明确的是引入AI后并不代表其他劳动可以缺失,AI只是整个内容生产、运营链条中的一环而已,不能凡事都交给AI。

这里插播一个笑话:我经常会听到一些说,AI不是很厉害吗,那xxxx不能用AI解决吗?

是呀,AI技术是能够挖掘和创造一些价值,但AI也并不是万能的。我们要对AI树立正确的态度,合理利用AI技术,继而带来更大的产业价值。

没有任何事情是一蹴而就的,引入AI并不是马上要见到成效。通常的做法应该是这样的:
引入AI

在产品中无论引入什么技术,我们最终需要追求的就是创造价值。只不过规则时代能够创造的价值是有限的,而引入AI技术之后,潜能是巨大的。

技术在企业发展中的过程中主要有两大原则:

  • 1、为企业创造可见的价值(如营收、用户)
  • 2、竖立企业技术品牌,扩大其影响力

2 是建立在1的基础上的,毕竟只有企业生存下来了,才有资格去谈技术品牌和影响力。所以这也就促进了员工在工作期间,不仅要完成工作的内容,同样也要不断学习新的技术,扩展自己的知识面和技术实力。当然如果一个人的目标不是技术,那无可厚非,做自己喜欢的事情就好。

所以一个企业的技术肯定是要不断进步和演化的,不可能固守在规则为王或者简单的可解释算法模型时期,需要引入更加先进的技术,因为其潜在的能创造的价值是无限的。

这才引入AI技术后,企业技术发展的正确方向。


【技术服务】详情点击查看: https://mp.weixin.qq.com/s/PtX9ukKRBmazAWARprGIAg

在这里插入图片描述

扫一扫关注「搜索与推荐Wiki」!号主「专注于搜索和推荐系统,以系列分享为主,持续打造精品内容!

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/我家小花儿/article/detail/1011587
推荐阅读
相关标签
  

闽ICP备14008679号