[[249778]]

人工智能擁有巨大的商業(yè)前景，但顯然大多數(shù)組織并沒(méi)有充分利用這一優(yōu)勢(shì)。以下是早期采用者如何從人工智能項(xiàng)目中挖掘商業(yè)價(jià)值的一些建議。

各個(gè)領(lǐng)域的商業(yè)領(lǐng)袖都看到了人工智能的價(jià)值，但使用好人工智能才能真正體現(xiàn)其價(jià)值所在。

在這里，我們總結(jié)了一些探路者們的經(jīng)驗(yàn)教訓(xùn)，希望能給后來(lái)者一些有意義的參考。根據(jù)德勤最近的一項(xiàng)調(diào)查顯示，82%的人工智能早期采用者從認(rèn)知技術(shù)投資中看到了積極的財(cái)務(wù)成果，投資回報(bào)率的中位數(shù)為17%。

一個(gè)成功的人工智能項(xiàng)目和一個(gè)不成功的人工智能項(xiàng)目之間最大的區(qū)別是什么?德勤咨詢公司的分析與認(rèn)知部門主管Nitin Mittal表示，無(wú)論是技術(shù)驅(qū)動(dòng)的還是商業(yè)需求驅(qū)動(dòng)的，都有跡可循。

希望充分利用人工智能的組織要注意了：“關(guān)注可能適合人工智能的特定用例。專注于需要實(shí)現(xiàn)的業(yè)務(wù)目標(biāo)，證明其價(jià)值，并擴(kuò)大規(guī)模。這就是我們看到的很多案例能夠成功的原因。”Mittal說(shuō)。

下面是將人工智能項(xiàng)目轉(zhuǎn)化為商業(yè)價(jià)值的8個(gè)技巧，這些技巧來(lái)自于那些從人工智能中獲得實(shí)際利益的人的總結(jié)。

1.專注于具體問(wèn)題

通用電氣負(fù)責(zé)軟件研究的副總裁Colin Parris說(shuō)，在通用電氣，商業(yè)價(jià)值是每個(gè)人工智能項(xiàng)目的核心。

“我們從一系列最小可行的產(chǎn)品開(kāi)始，它真的能預(yù)測(cè)什么嗎?如果我們能做到，它是更便宜、更快，還是能帶來(lái)更多收入?最后，我們可以如何擴(kuò)展它，如何部署它來(lái)獲得商業(yè)價(jià)值?”他說(shuō)。

這一系列的后續(xù)行動(dòng)是至關(guān)重要的。

例如，如果人工智能系統(tǒng)正在預(yù)測(cè)需要維護(hù)的設(shè)備，那么這些預(yù)測(cè)需要集成到工作流中。這可能意味著需要派遣合適的現(xiàn)場(chǎng)工程師在合適的時(shí)間進(jìn)行合適的維護(hù)。

它還可能需要集成到庫(kù)存系統(tǒng)中。

或者可能需要與實(shí)際機(jī)器進(jìn)行集成。“如果我的人工智能讓我能夠真正理解何時(shí)需要提高溫度或壓力，我就必須集成到控制系統(tǒng)中，”他說(shuō)。

2.了解AI的局限性

當(dāng)人類試圖做出預(yù)測(cè)時(shí)，他們有時(shí)會(huì)成為被稱為Dunning-Kruger效應(yīng)的心理陷阱的犧牲品。當(dāng)一個(gè)人意識(shí)不到自己對(duì)某個(gè)話題知之甚少，錯(cuò)誤地認(rèn)為自己是專家時(shí)，就會(huì)出現(xiàn)這種情況。其結(jié)果可能既幽默又悲慘。

人工智能系統(tǒng)也可能落入同樣的陷阱。例如，一個(gè)接受過(guò)特定數(shù)據(jù)集訓(xùn)練的人工智能被要求根據(jù)完全不同的數(shù)據(jù)集進(jìn)行預(yù)測(cè)，這會(huì)給出完全錯(cuò)誤的答案——但是對(duì)于已經(jīng)學(xué)會(huì)依賴人工智能預(yù)測(cè)的用戶來(lái)說(shuō)，這可能是令人信服的。

現(xiàn)實(shí)情況是，這需要一位數(shù)據(jù)科學(xué)家來(lái)了解分析模型何時(shí)適合于特定數(shù)據(jù)集。“我必須理解基于數(shù)據(jù)的假設(shè)，”IBM的Parris說(shuō)。“我如何測(cè)試模型?”我可能需要生成其他類型的數(shù)據(jù)，或者模擬數(shù)據(jù)，來(lái)判斷它是否有效。然后我必須在數(shù)據(jù)運(yùn)行時(shí)檢查數(shù)據(jù)以確保這些假設(shè)是有效的。這是你作為人工智能專家經(jīng)過(guò)多年培訓(xùn)后才能夠做到的事情。”

新員工或非數(shù)據(jù)科學(xué)家可能沒(méi)有接受過(guò)這種培訓(xùn)，從而使組織容易受到誤導(dǎo)性結(jié)論的影響。

為了解決這個(gè)問(wèn)題，通用電氣已經(jīng)開(kāi)始研究所謂的“humble AI”，它是一種人工智能系統(tǒng)，能夠知道其算法適用于哪些情況，并且只在那些情況下使用機(jī)器學(xué)習(xí)模型。

“如果我不在這個(gè)范圍內(nèi)，我就不會(huì)使用這個(gè)模型。我想回去使用我們過(guò)去20年來(lái)使用的物理模型，”Parris說(shuō)。 “這種人工智能知道它自己的能力范圍。”

他說(shuō)，“humble AI”現(xiàn)在正在接受測(cè)試。“使用價(jià)值數(shù)百萬(wàn)美元的機(jī)器時(shí)，你絕對(duì)不想做任何損害機(jī)器壽命或性能的事情。退后一步，回到常規(guī)的套路去吧。”

3.傾聽(tīng)利益相關(guān)者和客戶的意見(jiàn)

對(duì)于一些公司來(lái)說(shuō)，確保人工智能系統(tǒng)產(chǎn)生有用的結(jié)果可能需要一些外部幫助。

健康內(nèi)華達(dá)項(xiàng)目的首席數(shù)據(jù)科學(xué)家Jim Metcalf說(shuō):“理想情況下，你可以在白板會(huì)議上開(kāi)始一個(gè)項(xiàng)目，所有主要利益相關(guān)者都已經(jīng)花了一下午的時(shí)間來(lái)了解細(xì)節(jié)并記錄查詢需求。”

例如，健康內(nèi)華達(dá)團(tuán)隊(duì)正在研究一種治療心臟病患者的方案。這就需要收集病人出院時(shí)開(kāi)藥的信息。但有些藥物，如他汀類藥物，通常是在病人第一次入院時(shí)開(kāi)的，當(dāng)病人離開(kāi)時(shí)會(huì)繼續(xù)開(kāi)出。系統(tǒng)假設(shè)這些藥物是患者已經(jīng)在服用的藥物，而不是與心臟病發(fā)作相關(guān)的新藥。只有當(dāng)藥物數(shù)量最終低于預(yù)期時(shí)，才會(huì)發(fā)現(xiàn)這個(gè)問(wèn)題。

“如果我們從一開(kāi)始就和所有感興趣的人進(jìn)行更詳細(xì)的討論，團(tuán)隊(duì)可能會(huì)更早地解決這個(gè)問(wèn)題，”Metcalf說(shuō)。“我們的數(shù)據(jù)科學(xué)團(tuán)隊(duì)已經(jīng)學(xué)會(huì)了不做任何假設(shè)。我們會(huì)在任何人將手指放在鍵盤上之前進(jìn)行徹底審查，討論和記錄查詢要求。”

對(duì)于企業(yè)支出管理平臺(tái)提供商Coupa，一個(gè)客戶提示并指出了一種檢測(cè)欺詐的新方法。

公司負(fù)責(zé)產(chǎn)品戰(zhàn)略和創(chuàng)新的副總裁Donna Wilczek說(shuō):“在我們的行業(yè)中，我們一直在一個(gè)信息孤島中看待支出欺詐。例如，有很多應(yīng)用程序只關(guān)注費(fèi)用報(bào)告欺詐，以及采購(gòu)中的欺詐。”

但是事實(shí)證明，在一個(gè)領(lǐng)域作弊的員工也有可能在其他領(lǐng)域作弊，她說(shuō)。通過(guò)與采購(gòu)專家和財(cái)務(wù)審計(jì)人員的交談，發(fā)現(xiàn)欺詐檢測(cè)的秘密其實(shí)是針對(duì)處于欺詐核心的個(gè)人。

“這就是AI的一種非常漂亮、實(shí)用的應(yīng)用所在，”她說(shuō)。“這些數(shù)據(jù)對(duì)于人類審計(jì)員來(lái)說(shuō)太多了，無(wú)法識(shí)別出其中的特定模式。”

人工智能還可以加快欺詐檢測(cè)的過(guò)程，讓企業(yè)在付款前就能發(fā)現(xiàn)欺詐行為。她說(shuō):“通常情況下，顧客在消費(fèi)過(guò)程中不能這樣做，因?yàn)檫@會(huì)讓生意的交易流程減速。”

Coupa現(xiàn)在正在收集企業(yè)報(bào)告的欺詐行為的例子，然后將這些真實(shí)的例子添加到人工智能系統(tǒng)中。

4.擁抱領(lǐng)域的專業(yè)知識(shí)

越來(lái)越多的公司開(kāi)始意識(shí)到人工智能本身并不是靈丹妙藥。

“很多時(shí)候，企業(yè)會(huì)說(shuō)，我有大量的數(shù)據(jù)，這個(gè)巨大的數(shù)據(jù)湖，只要插入你的人工智能，就能告訴我一些有趣的事情，”全球信息技術(shù)咨詢公司人工智能和大數(shù)據(jù)技術(shù)總監(jiān)JJ Lopez Murphy說(shuō)道。“是的，人工智能會(huì)幫助你發(fā)現(xiàn)隱藏的模式，但是如果你沒(méi)有一個(gè)適當(dāng)?shù)膯?wèn)題，它就不會(huì)給你答案。這是不會(huì)自動(dòng)發(fā)生的。”

Cognoa的首席人工智能官Halim Abbas說(shuō)，僅僅依靠數(shù)據(jù)科學(xué)家和人工智能專家從數(shù)據(jù)中獲取洞察力是一個(gè)巨大的錯(cuò)誤，該公司正在將人工智能應(yīng)用于行為診斷領(lǐng)域，幫助識(shí)別患有孤獨(dú)癥和其他行為健康問(wèn)題的兒童。

在現(xiàn)實(shí)世界中，數(shù)據(jù)可能相互依賴，或者一些數(shù)據(jù)也可能不相關(guān)，需要專家來(lái)了解其中的差異。例如，如果一組在有藍(lán)色墻壁的房間里診斷的病人和另一組在有白色墻壁的房間里診斷的病人產(chǎn)生了不同的結(jié)果，一個(gè)尋找模式的分析模型可能會(huì)推斷出墻漆具有臨床意義。

“隨著數(shù)據(jù)集大小的增長(zhǎng)，你會(huì)避免這些愚蠢的結(jié)論，”他說(shuō)。“但可能還會(huì)有一些微妙的變化。”

他說(shuō)，沒(méi)有領(lǐng)域?qū)I(yè)知識(shí)的人工智能專家不會(huì)意識(shí)到這些問(wèn)題。當(dāng)數(shù)據(jù)集很小的時(shí)候，比如數(shù)據(jù)集很少或者人口統(tǒng)計(jì)數(shù)據(jù)很少的時(shí)候，這一點(diǎn)尤其重要。

當(dāng)然，領(lǐng)域?qū)＜乙灿兴麄冏约旱钠?jiàn)，Abbas說(shuō)。“他們可能對(duì)某些變量和某些條件之間的聯(lián)系持有錯(cuò)誤的看法。進(jìn)行雙重確定的一個(gè)好方法是在接受領(lǐng)域?qū)＜业妮斎氲耐瑫r(shí)，在人工智能方面也這樣做，并且只處理雙重驗(yàn)證都通過(guò)的情況。”

內(nèi)部的臨床專業(yè)知識(shí)也有助于Cognoa確定這些模型是否有效，并幫助改進(jìn)它們。

“每次你在現(xiàn)實(shí)世界中精心構(gòu)建的試驗(yàn)中驗(yàn)證人工智能算法的時(shí)候，你都可能會(huì)發(fā)現(xiàn)現(xiàn)實(shí)與模擬的不匹配，”他說(shuō)。“但通過(guò)分析，您可以深入了解產(chǎn)品，并進(jìn)一步進(jìn)行優(yōu)化。”

正如一家有111年歷史的收集和發(fā)布化學(xué)研究數(shù)據(jù)的公司CAS所發(fā)現(xiàn)的那樣，將領(lǐng)域內(nèi)的專業(yè)知識(shí)與人工智能相結(jié)合在數(shù)據(jù)管理中也是必不可少的。

CTO Venki Rao說(shuō):“像空格、下標(biāo)、破折號(hào)或化學(xué)結(jié)構(gòu)中一個(gè)字母的變化，都可能導(dǎo)致安全反應(yīng)和爆炸反應(yīng)的不同。所以我們需要有超過(guò)350名博士在我們的工廠中進(jìn)行管理數(shù)據(jù)。”

最近，該公司開(kāi)始使用人工智能來(lái)幫助對(duì)數(shù)據(jù)進(jìn)行分類和整理，從而騰出一些博士來(lái)從事更復(fù)雜的工作。但即使是建立一個(gè)簡(jiǎn)單的光學(xué)字符識(shí)別系統(tǒng)，也需要領(lǐng)域?qū)＜业膶I(yè)知識(shí)。例如，“nm”是nanomolar的縮寫(xiě)，而“mm”是millimolar的縮寫(xiě)——相差6個(gè)數(shù)量級(jí)。如果系統(tǒng)轉(zhuǎn)換不當(dāng)，這可能意味著安全化學(xué)反應(yīng)和危險(xiǎn)化學(xué)反應(yīng)之間的區(qū)別。

他說(shuō):“如果你是一個(gè)純粹的技術(shù)專家，你不可能在第一天就能夠?yàn)槲覀冞M(jìn)行工作。如果你在不了解化學(xué)原理的情況下，用技術(shù)粗暴地強(qiáng)迫AI系統(tǒng)，它永遠(yuǎn)不會(huì)得到最佳的結(jié)果。”

Rao說(shuō)，這確實(shí)使招聘變得更具挑戰(zhàn)性，有時(shí)也使得外包變得不可能。“但是投資已經(jīng)顯示其在解決方案質(zhì)量上的回報(bào)。”

5.認(rèn)識(shí)到對(duì)真實(shí)世界進(jìn)行測(cè)試的價(jià)值

沒(méi)有一個(gè)作戰(zhàn)計(jì)劃能在與敵人的接觸中幸存——也沒(méi)有一個(gè)人工智能系統(tǒng)能在與現(xiàn)實(shí)世界的接觸中幸存。如果你的公司沒(méi)有準(zhǔn)備好面對(duì)這個(gè)事實(shí)，你的人工智能項(xiàng)目甚至在開(kāi)始之前就注定要失敗。

瑞士信貸集團(tuán)的認(rèn)知和數(shù)字服務(wù)主管Jennifer Hewit正面應(yīng)對(duì)了這一挑戰(zhàn)。

當(dāng)公司決定發(fā)布其新的客戶支持聊天機(jī)器人Amelia時(shí)，Hewit知道聊天機(jī)器人很可能經(jīng)常會(huì)被放棄并將客戶發(fā)送給人工代理，而不是能夠自己回答所有的或大部分的問(wèn)題。

她說(shuō)：“我很早就決定要上線了。”她注意到，當(dāng)這個(gè)聊天機(jī)器人第一次上線時(shí)，它理解用戶意圖的能力只有23%。

但是通過(guò)置身于現(xiàn)實(shí)世界中，聊天機(jī)器人能夠觀察到多文化、多語(yǔ)言和多代人的對(duì)話——并從中學(xué)習(xí)。

“快速上線，向組織展示我們的能力，這意味著我們能夠在5個(gè)月內(nèi)將她理解意圖的能力從23%提高到86%。”

6.小心人工智能的“黑箱問(wèn)題”

可信度是人工智能在進(jìn)入現(xiàn)實(shí)世界時(shí)面臨的另一個(gè)問(wèn)題，因?yàn)槿斯ぶ悄芟到y(tǒng)幾乎無(wú)法看到它們是如何得出自己的見(jiàn)解的，這個(gè)問(wèn)題被稱為“黑箱問(wèn)題”。

總部位于波士頓的Beacon Health Options公司的執(zhí)行副總裁兼首席增長(zhǎng)官Christina Mainelli說(shuō)：“我們的經(jīng)歷讓我們永遠(yuǎn)無(wú)法克服這個(gè)問(wèn)題。”Beacon Health Options公司正為全美4000多萬(wàn)人提供行為健康治療。

最終，該公司決定建立一個(gè)人工智能系統(tǒng)，在病人病情升級(jí)到需要住院治療的程度之前，及早發(fā)現(xiàn)病人。為了確保該系統(tǒng)能夠被實(shí)際使用，Beacon Health將使用該系統(tǒng)的人聚集在一起，不僅就工作流程，還就算法如何工作對(duì)他們進(jìn)行培訓(xùn)。

因此，在系統(tǒng)投入使用之前，就對(duì)現(xiàn)有患者的舊數(shù)據(jù)進(jìn)行了一次模擬運(yùn)行。

她說(shuō):“那些被認(rèn)為是高危人群的人實(shí)際上就是高危人群——因?yàn)樗麄儽凰瓦M(jìn)了醫(yī)院。我們的臨床醫(yī)生可以看到它是如何工作的，這幫助我們減少了黑箱問(wèn)題。”

然后，當(dāng)人工智能系統(tǒng)被用于當(dāng)前的病人時(shí)，在項(xiàng)目的前12周，它識(shí)別出了近300名高危人群，其中57%的人沒(méi)有被之前的傳統(tǒng)方法檢測(cè)到。

“這非常引人注目。在此之前我們并不知道他們是高風(fēng)險(xiǎn)的，”Mainelli說(shuō)。“現(xiàn)在團(tuán)隊(duì)正在努力影響他們。”

這包括打電話給他們，讓他們聯(lián)系供應(yīng)商，確保他們得到他們需要的藥物。

在一到兩個(gè)月后，Beacon Health公司將看到這些干預(yù)措施的結(jié)果，因?yàn)樵谒髻r通過(guò)之前還有一段時(shí)間，這將是另一個(gè)重要的現(xiàn)實(shí)世界測(cè)試。

“我們需要看到最后的數(shù)據(jù)才能真正知道結(jié)果如何，”她說(shuō)。

7.建立清晰的衡量標(biāo)準(zhǔn)

擁有明確的業(yè)務(wù)指標(biāo)來(lái)衡量人工智能項(xiàng)目的結(jié)果，對(duì)于證明它是有效的非常重要，并且應(yīng)該得到持續(xù)的支持。

許多公司對(duì)AI項(xiàng)目的這方面沒(méi)有給予足夠的重視。根據(jù)德勤的調(diào)查，不到50%的受訪企業(yè)衡量的是準(zhǔn)確衡量財(cái)務(wù)回報(bào)所必需的關(guān)鍵績(jī)效指標(biāo)，如成本節(jié)約、收入和客戶留存等指標(biāo)。

報(bào)告作者、德勤技術(shù)、媒體和電信中心的執(zhí)行董事Jeff Loucks表示，這是像人工智能這樣的新興技術(shù)的一個(gè)通病。

“他們通常不會(huì)像公司使用更成熟的技術(shù)一樣進(jìn)行嚴(yán)格管理，”他寫(xiě)道。

結(jié)果是人工智能項(xiàng)目可能“無(wú)處可去”，最終成為了無(wú)法擴(kuò)展的試點(diǎn)項(xiàng)目或沒(méi)有商業(yè)利益的項(xiàng)目，他說(shuō)。

8.從內(nèi)部訓(xùn)練人才

你可以在哪里找到既懂人工智能技術(shù)又懂業(yè)務(wù)需求的人?這可不是件容易的事。目前，全球人工智能人才短缺，再加上專業(yè)知識(shí)的要求，意味著潛在候選人的數(shù)量只能是更少。

根據(jù)德勤的人工智能調(diào)查，69%的公司表示，他們的員工中存在中等、重大或極端的技能缺口。

在通用電氣，該公司也努力尋找著具備人工智能所需的編程和分析技能，以及商業(yè)方面所需的物理和工程知識(shí)的人。

通用電氣的Parris說(shuō):“我們會(huì)在大學(xué)進(jìn)行投資，在領(lǐng)英(LinkedIn)上搜索，在媒體上看文章，在會(huì)議上認(rèn)識(shí)所需要的人。”

但該公司也在內(nèi)部尋找具有材料科學(xué)背景的人，比如在人工智能課程中學(xué)習(xí)過(guò)的人，或者在控制系統(tǒng)和材料科學(xué)課程中學(xué)習(xí)過(guò)的人工智能開(kāi)發(fā)者。

Parris說(shuō)，找到兼具領(lǐng)域?qū)I(yè)知識(shí)和人工智能技能的人只是旅程的開(kāi)始。他說(shuō)，通用電氣需要能夠?qū)⑦@些知識(shí)轉(zhuǎn)化為能夠?qū)嶋H應(yīng)用的人才。“我如何看待業(yè)務(wù)問(wèn)題并將其分解為數(shù)據(jù)問(wèn)題?”

為了實(shí)現(xiàn)這一目標(biāo)，通用電氣提供跨職能培訓(xùn)，將人工智能和工程學(xué)結(jié)合起來(lái)。到目前為止，已經(jīng)有10到15名科學(xué)家和工程師經(jīng)歷了這一過(guò)程——約占公司所有科學(xué)家和工程師的三分之一。

Parris補(bǔ)充道:“可能會(huì)有更多的人經(jīng)歷這一過(guò)程。”

這只是改變企業(yè)文化、組織系統(tǒng)、衡量標(biāo)準(zhǔn)甚至是激勵(lì)機(jī)制的開(kāi)始。

“對(duì)于像通用電氣這樣的公司來(lái)說(shuō)，這是一項(xiàng)艱巨的任務(wù)，我們現(xiàn)在正處于起步階段，”他說(shuō)。“但是一旦我們做對(duì)了——我們所有人的未來(lái)都會(huì)改變。”