2018-01-26 04:37:28 +08:00
|
|
|
|
2018 年 4 个需要关注的人工智能趋势
|
2018-01-25 21:36:49 +08:00
|
|
|
|
======
|
|
|
|
|
|
|
2018-01-26 04:37:28 +08:00
|
|
|
|
> 今年人工智能决策将变得更加透明？
|
|
|
|
|
|
|
2018-01-25 21:36:49 +08:00
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2018-01-26 04:37:28 +08:00
|
|
|
|
无论你的 IT 业务现在使用了多少[人工智能][1]，预计你将会在 2018 年使用更多。即便你从来没有涉猎过 AI 项目，这也可能是将谈论转变为行动的一年，[德勤][2]董事总经理 David Schatsky 说。他说：“与 AI 开展合作的公司数量正在上升。”
|
2018-01-25 21:36:49 +08:00
|
|
|
|
|
|
|
|
|
|
看看他对未来一年的AI预测：
|
|
|
|
|
|
|
2018-01-26 04:37:28 +08:00
|
|
|
|
### 1、预期更多的企业 AI 试点项目
|
|
|
|
|
|
|
|
|
|
|
|
如今我们经常使用的许多现成的应用程序和平台都将 AI 结合在一起。 Schatsky 说：“除此之外，越来越多的公司正在试验机器学习或自然语言处理来解决特定的问题，或者帮助理解他们的数据，或者使内部流程自动化，或者改进他们自己的产品和服务。
|
|
|
|
|
|
|
|
|
|
|
|
“除此之外，公司与人工智能的合作强度将会上升。”他说，“早期采纳它的公司已经有五个或略少的项目正在进行中，但是我们认为这个数字会上升到十个或有更多正在进行的计划。” 他说，这个预测的一个原因是人工智能技术正在变得越来越好，也越来越容易使用。
|
|
|
|
|
|
|
|
|
|
|
|
### 2、人工智能将缓解数据科学人才紧缺的现状
|
2018-01-25 21:36:49 +08:00
|
|
|
|
|
2018-01-26 04:37:28 +08:00
|
|
|
|
人才是数据科学中的一个大问题，大多数大公司都在努力聘用他们所需要的数据科学家。 Schatsky 说，AI 可以承担一些负担。他说：“数据科学的实践，逐渐成为由创业公司和大型成熟的技术供应商提供的自动化的工具。”他解释说，大量的数据科学工作是重复的、乏味的，自动化的时机已经成熟。 “数据科学家不会消亡，但他们将会获得更高的生产力，所以一家只能做一些数据科学项目而没有自动化的公司将能够使用自动化来做更多的事情，虽然它不能雇用更多的数据科学家”。
|
2018-01-25 21:36:49 +08:00
|
|
|
|
|
2018-01-26 04:37:28 +08:00
|
|
|
|
### 3、合成数据模型将缓解瓶颈
|
2018-01-25 21:36:49 +08:00
|
|
|
|
|
2018-01-26 04:37:28 +08:00
|
|
|
|
Schatsky 指出，在你训练机器学习模型之前，你必须得到数据来训练它。 这并不容易，他说：“这通常是一个商业瓶颈，而不是生产瓶颈。 在某些情况下，由于有关健康记录和财务信息的规定，你无法获取数据。”
|
2018-01-25 21:36:49 +08:00
|
|
|
|
|
2018-01-26 04:37:28 +08:00
|
|
|
|
他说，合成数据模型可以采集一小部分数据，并用它来生成可能需要的较大集合。 “如果你以前需要 10000 个数据点来训练一个模型，但是只能得到 2000 个，那么现在就可以产生缺少的 8000 个数据点，然后继续训练你的模型。”
|
2018-01-25 21:36:49 +08:00
|
|
|
|
|
2018-01-26 04:37:28 +08:00
|
|
|
|
### 4、人工智能决策将变得更加透明
|
2018-01-25 21:36:49 +08:00
|
|
|
|
|
2018-01-26 04:37:28 +08:00
|
|
|
|
AI 的业务问题之一就是它经常作为一个黑匣子来操作。也就是说，一旦你训练了一个模型，它就会吐出你不能解释的答案。 Schatsky 说：“机器学习可以自动发现人类无法看到的数据模式，因为数据太多或太复杂。 “发现了这些模式后，它可以预测未见的新数据。”
|
2018-01-25 21:36:49 +08:00
|
|
|
|
|
2018-01-26 04:37:28 +08:00
|
|
|
|
问题是，有时你确实需要知道 AI 发现或预测背后的原因。 “以医学图像为例子来说，模型说根据你给我的数据，这个图像中有 90％ 的可能性是肿瘤。 “Schatsky 说，“你说，‘你为什么这么认为？’ 模型说：‘我不知道，这是数据给的建议。’”
|
2018-01-25 21:36:49 +08:00
|
|
|
|
|
2018-01-26 04:37:28 +08:00
|
|
|
|
Schatsky 说，如果你遵循这些数据，你将不得不对患者进行探查手术。 当你无法解释为什么时，这是一个艰难的请求。 “但在很多情况下，即使模型产生了非常准确的结果，如果不能解释为什么，也没有人愿意相信它。”
|
2018-01-25 21:36:49 +08:00
|
|
|
|
|
2018-01-26 04:37:28 +08:00
|
|
|
|
还有一些情况是由于规定，你确实不能使用你无法解释的数据。 Schatsky 说：“如果一家银行拒绝贷款申请，就需要能够解释为什么。 这是一个法规，至少在美国是这样。传统上来说，人类分销商会打个电话做回访。一个机器学习模式可能会更准确，但如果不能解释它的答案，就不能使用。”
|
2018-01-25 21:36:49 +08:00
|
|
|
|
|
2018-01-26 04:37:28 +08:00
|
|
|
|
大多数算法不是为了解释他们的推理而设计的。 他说：“所以研究人员正在找到聪明的方法来让 AI 泄漏秘密，并解释哪些变量使得这个病人更可能患有肿瘤。 一旦他们这样做，人们可以发现答案，看看为什么会有这样的结论。”
|
2018-01-25 21:36:49 +08:00
|
|
|
|
|
|
|
|
|
|
他说，这意味着人工智能的发现和决定可以用在许多今天不可能的领域。 “这将使这些模型更加值得信赖，在商业世界中更具可用性。”
|
|
|
|
|
|
|
|
|
|
|
|
--------------------------------------------------------------------------------
|
|
|
|
|
|
|
|
|
|
|
|
via: https://enterprisersproject.com/article/2018/1/4-ai-trends-watch
|
|
|
|
|
|
|
|
|
|
|
|
作者：[Minda Zetlin][a]
|
|
|
|
|
|
译者：[Wuod3n](https://github.com/Wuod3n)
|
2018-01-26 04:37:28 +08:00
|
|
|
|
校对：[wxy](https://github.com/wxy)
|
2018-01-25 21:36:49 +08:00
|
|
|
|
|
|
|
|
|
|
本文由 [LCTT](https://github.com/LCTT/TranslateProject) 原创编译，[Linux中国](https://linux.cn/) 荣誉推出
|
|
|
|
|
|
|
|
|
|
|
|
[a]:https://enterprisersproject.com/user/minda-zetlin
|
|
|
|
|
|
[1]:https://enterprisersproject.com/tags/artificial-intelligence
|
|
|
|
|
|
[2]:https://www2.deloitte.com/us/en.html
|
|
|
|
|
|
[3]:https://enterprisersproject.com/article/2017/12/8-emerging-ai-jobs-it-pros?sc_cid=70160000000h0aXAAQ
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
