【物流產(chǎn)品網(wǎng)導(dǎo)讀：當(dāng)前，我國數(shù)字經(jīng)濟發(fā)展迎來新的變化，農(nóng)業(yè)、工業(yè)深度數(shù)字化轉(zhuǎn)型窗口機遇期已打開，亟待用人工智能、大數(shù)據(jù)、區(qū)塊鏈等數(shù)字科技能力，提升生產(chǎn)效率、降低成本，助力實現(xiàn)高質(zhì)量發(fā)展的目標(biāo)。為此，我國應(yīng)從體制機制、技術(shù)能力、多主體參與等角度持續(xù)突破，獲得先發(fā)優(yōu)勢。】

一文告訴你采用人工智能面臨的挑戰(zhàn)

　　人們需要了解采用人工智能的挑戰(zhàn)，例如數(shù)據(jù)、人員和業(yè)務(wù)。

　　人工智能正在進入更多的行業(yè)，越來越多的公司已經(jīng)體驗到了實施人工智能的好處。盡管人工智能正在發(fā)展并越來越受歡迎，但許多企業(yè)仍然無法采用這種新技術(shù)改進業(yè)務(wù)。這是為什么?

　　企業(yè)可能擔(dān)心人工智能實施的原因有很多。在2019年，O'Reilly公司出版了一本電子書，總結(jié)了對企業(yè)采用人工智能的調(diào)查結(jié)果，并列出了阻礙進一步實施人工智能的一些最常見因素。

　　23%的受訪者表示，他們沒有進一步采用人工智能的主要原因是他們的公司文化不認(rèn)可對人工智能的需求。其他原因包括缺乏數(shù)據(jù)和缺乏技術(shù)人員，以及難以確定適當(dāng)?shù)纳虡I(yè)案例等。

　　企業(yè)在實施人工智能時面臨哪些挑戰(zhàn)?

　　正如人們所見，一些常見問題主要包括與人員、數(shù)據(jù)或業(yè)務(wù)一致性相關(guān)的問題。雖然每家公司都不同，并且也會以不同的方式體驗人工智能的采用過程，但也應(yīng)該注意一些障礙。在本文中，將介紹人工智能實現(xiàn)中最常見的一些挑戰(zhàn)，并嘗試建議如何做好應(yīng)對這些挑戰(zhàn)的準(zhǔn)備。

　　一文告訴你采用人工智能面臨的挑戰(zhàn)

　　與數(shù)據(jù)相關(guān)的問題可能是大多數(shù)企業(yè)所面臨的問題。眾所周知，企業(yè)構(gòu)建的系統(tǒng)只能與它給出的數(shù)據(jù)一樣好。由于數(shù)據(jù)是人工智能解決方案的關(guān)鍵要素，因此在此過程中可能會出現(xiàn)許多問題。

　　1.數(shù)據(jù)質(zhì)量和數(shù)量

　　如上所述，人工智能系統(tǒng)的質(zhì)量在很大程度上依賴于輸入的數(shù)據(jù)。人工智能系統(tǒng)需要大量的訓(xùn)練數(shù)據(jù)集，以類似于人類的方式從可用信息中學(xué)習(xí)，但為了識別模式，它需要更多的數(shù)據(jù)。

　　在任務(wù)上做得更好，執(zhí)行任務(wù)的經(jīng)驗越多，這是有道理的。不同的是，人工智能能夠以人類想像不到的速度分析數(shù)據(jù)，因此其學(xué)習(xí)速度很快。企業(yè)給它的數(shù)據(jù)越好，它將提供更好的結(jié)果。

　　那么企業(yè)怎么解決數(shù)據(jù)問題?首先，需要知道已有的數(shù)據(jù)，并將其與模型所需的數(shù)據(jù)進行比較。為此，企業(yè)需要知道其將要使用的模型，否則，將無法指定所需的數(shù)據(jù)。

　　列出企業(yè)擁有的數(shù)據(jù)的類型和類別問題：數(shù)據(jù)是結(jié)構(gòu)化的還是非結(jié)構(gòu)化的?是否收集有關(guān)客戶人口統(tǒng)計數(shù)據(jù)，購買歷史記錄，現(xiàn)場互動等數(shù)據(jù)?當(dāng)企業(yè)知道其已經(jīng)擁有的東西時，會看到所缺少的東西。

　　缺少的部分可能是人工智能系統(tǒng)可以輕松訪問的一些公開信息，或者企業(yè)可能必須從第三方購買數(shù)據(jù)。某些類型的數(shù)據(jù)可能仍然難以獲得，例如臨床數(shù)據(jù)可以更準(zhǔn)確地預(yù)測治療結(jié)果。不幸的是，在這一點上，企業(yè)必須做好準(zhǔn)備，不是所有類型的數(shù)據(jù)都容易獲得。

　　在這種情況下，綜合數(shù)據(jù)得以拯救。綜合數(shù)據(jù)是基于實際數(shù)據(jù)或從頭開始人工創(chuàng)建的。當(dāng)沒有足夠的數(shù)據(jù)可用于訓(xùn)練模型時，可以使用它。獲取數(shù)據(jù)的另一種方法是使用開放數(shù)據(jù)作為數(shù)據(jù)集的補充，或使用谷歌數(shù)據(jù)集搜索獲取數(shù)據(jù)來訓(xùn)練模型。企業(yè)還可以使用RPA機器人來抓取公開可用的數(shù)據(jù)，例如維基百科網(wǎng)站上發(fā)布的信息。

　　當(dāng)企業(yè)知道自己擁有哪些數(shù)據(jù)以及需要哪些數(shù)據(jù)時，將能夠驗證擴展數(shù)據(jù)集的哪種方式最適合自己。

　　2.數(shù)據(jù)標(biāo)簽

　　幾年前，大多數(shù)數(shù)據(jù)都是結(jié)構(gòu)化的或文本的格式。如今，隨著物聯(lián)網(wǎng)(IoT)的發(fā)展，大部分?jǐn)?shù)據(jù)都是由圖像和視頻組成的。這沒有什么不對，但問題是許多利用機器學(xué)習(xí)或深度學(xué)習(xí)的系統(tǒng)都是以監(jiān)督的方式進行訓(xùn)練，所以他們需要對數(shù)據(jù)進行標(biāo)記。

　　事實上，人們每天產(chǎn)生大量數(shù)據(jù)的事實，已經(jīng)達到了沒有足夠人員來標(biāo)記正在創(chuàng)建的所有數(shù)據(jù)的程度。有些數(shù)據(jù)庫提供標(biāo)記數(shù)據(jù)，包括ImageNet，這是一個擁有1400多萬張圖像的數(shù)據(jù)庫。所有這些都是由ImageNet人工注釋的。盡管在某些情況下其他地方可以獲得更合適的數(shù)據(jù)，但許多計算機視覺專家仍然只使用ImageNet，因為他們的圖像數(shù)據(jù)已被標(biāo)記。

　　企業(yè)可以采用一些數(shù)據(jù)標(biāo)注方法。可以在企業(yè)內(nèi)部或外包工作，也可以使用合成標(biāo)簽或數(shù)據(jù)編程。所有這些方法各有利弊。

　　3.可解釋性

　　對于許多“黑盒”模型，企業(yè)最終得出一個結(jié)論，例如預(yù)測但沒有解釋。如果人工智能系統(tǒng)提供的結(jié)論與企業(yè)已經(jīng)知道的結(jié)果重疊并認(rèn)為是正確的，那么就不會質(zhì)疑它。但是如果不認(rèn)同會發(fā)生什么?需要知道如何做出決定。在許多情況下，其決定本身是不夠的。醫(yī)生不能完全依賴系統(tǒng)提供的關(guān)于患者健康的建議。

　　LIME(本地可解釋的模型不可知解釋)等方法旨在提高模型的透明度。因此，如果人工智能判斷患者患有流感，它還會顯示導(dǎo)致此決定的數(shù)據(jù)：打噴嚏和頭痛，而沒有考慮患者的年齡或體重。

　　當(dāng)企業(yè)獲得決策背后的理由時，更容易評估人們可以信任模型的程度。

　　4.特定案例學(xué)習(xí)

　　人們能夠利用從一個領(lǐng)域到另一個領(lǐng)域的經(jīng)驗。這就是所謂的學(xué)習(xí)轉(zhuǎn)移，人類可以在一個環(huán)境中轉(zhuǎn)移學(xué)習(xí)到另一個類似的環(huán)境中。人工智能卻難以將其經(jīng)驗從一種情況轉(zhuǎn)移到另一種情況。

　　一方面，人們知道人工智能是專業(yè)的，它意味著執(zhí)行嚴(yán)格指定的任務(wù)。它的目的只是回答一個問題，為什么人們還希望它能回答另一個不同的問題呢?

　　另一方面，人工智能在一項任務(wù)中獲得的“經(jīng)驗”對另一項相關(guān)任務(wù)可能是有價值的。有沒有可能利用這種經(jīng)驗而不是從頭開始開發(fā)新的模型?轉(zhuǎn)移學(xué)習(xí)是一種使之成為可能的方法——人工智能模型被訓(xùn)練來執(zhí)行某項任務(wù)，然后將該學(xué)習(xí)應(yīng)用到類似(但不同)的活動中。這意味著為任務(wù)A開發(fā)的模型稍后將用作任務(wù)B的模型的起點。

　　5.偏見

　　偏見是許多人所擔(dān)心的事情：人工智能系統(tǒng)對女性或有色人種“有偏見”的故事不時成為頭條新聞。但這是怎么發(fā)生的呢?當(dāng)然，人工智能不能有惡意。

　　那么如果人工智能可能具有惡意呢?像這樣的假設(shè)也意味著人工智能有意識的并且可以做出自己的選擇，而實際上人工智能只能根據(jù)可用數(shù)據(jù)做出決策。它沒有意見，但它從別人的意見中學(xué)習(xí)。這就是偏見發(fā)生的地方。

　　偏差可能是由許多因素造成的，首先是收集數(shù)據(jù)的方式。如果數(shù)據(jù)是通過雜志上發(fā)表的一項調(diào)查收集的，人們必須意識到，其答案(數(shù)據(jù))只來自閱讀上述雜志的人群，這是一個有限的社會群體。在這種情況下，不能說這個數(shù)據(jù)集代表了整體人群。

　　探測數(shù)據(jù)的方式是產(chǎn)生偏見的另一種方式：當(dāng)一群人使用某種系統(tǒng)時，他們可能擁有最喜歡的功能，而根本不使用(或很少使用)其他功能。在這種情況下，人工智能無法了解未使用的功能。

　　但是在偏見方面，人們還有另外一件事需要考慮：數(shù)據(jù)來自人類。人們?nèi)绻f謊或者散布成見。這種情況發(fā)生在亞馬遜公司的招聘時，他們的人工智能招聘人員被證明具有性別偏見。由于技術(shù)部門的工作人員中男性占主導(dǎo)地位，人工智能系統(tǒng)了解到男性申請者是有利的，并對包含“女性”一詞的簡歷進行篩選。它還降低了女子學(xué)院畢業(yè)生的等級。人們可以在一些關(guān)于人工智能失敗的文章中了解關(guān)于這個案例的內(nèi)容。

　　6.如何處理模型錯誤

　　人工智能并不是沒有錯誤的。人類的偏見(或謊言)滲透到其算法中，有時結(jié)果是有偏見的。如上所述，數(shù)據(jù)集存在偏差的原因有很多。任何類似的問題都可能導(dǎo)致人工智能產(chǎn)生不準(zhǔn)確的結(jié)果，例如預(yù)測。

　　“糟糕的推理”是人工智能錯誤的另一個常見原因。隨著人工智能系統(tǒng)越來越先進，人們也越來越難以理解網(wǎng)絡(luò)中的流程。因此，當(dāng)人工智能系統(tǒng)出錯時，可能很難確定出問題的確切位置。如果決定是自動駕駛汽車急轉(zhuǎn)彎還是撞倒行人呢?幸運的是，科學(xué)家為深度學(xué)習(xí)系統(tǒng)開發(fā)了白盒測試。它用大量的輸入來測試神經(jīng)網(wǎng)絡(luò)，并告訴它的響應(yīng)哪里是錯誤的，這樣它們就可以被修正。

　　但是人工智能犯的錯誤總是那么危險嗎?當(dāng)然，不總是這樣。這完全取決于人工智能系統(tǒng)的使用。如果人工智能被用于網(wǎng)絡(luò)安全、軍事用途、駕駛車輛，那么更多的問題就會更加危險。如果人工智能系統(tǒng)選擇男性而不是同樣技術(shù)熟練的女性員工，這是一個道德問題。但有時這些錯誤只是愚蠢的——正如2015年《連線》雜志上的一篇文章所說，他們描述的人工智能顯示了一個黑色和黃色條紋的圖像。人工智能卻判斷為是校車，但這是錯誤的。

　　為了確保人工智能產(chǎn)生的錯誤無關(guān)緊要，必須確保高質(zhì)量的輸入和適當(dāng)?shù)臏y試。

　　7.非技術(shù)人員對人工智能缺乏了解

　　人工智能的實現(xiàn)需要企業(yè)管理層對當(dāng)前的人工智能技術(shù)、它們的可能性和局限性有更深入的了解。不幸的是，人們被一大堆關(guān)于人工智能的神話和誤解所包圍，從需要雇傭內(nèi)部數(shù)據(jù)科學(xué)團隊(人們應(yīng)該知道，他們只為Facebook、亞馬遜、谷歌工作，以及如何工作)到科幻幻想中的機器人，以及機器人最終終結(jié)人類。

　　人工智能技術(shù)的缺乏阻礙了人工智能在許多領(lǐng)域的應(yīng)用。由于缺乏理解而導(dǎo)致的另一個常見錯誤是努力實現(xiàn)不可能實現(xiàn)的目標(biāo)。

　　那么如何解決這個問題?從教育開始。這可能聽起來令人沮喪，但并不是說技術(shù)人員必須成為一名數(shù)據(jù)科學(xué)家。只需瀏覽一下其行業(yè)，了解一些重要的參與者，看看他們部署了哪些用例，并了解人工智能的當(dāng)前可能性。技術(shù)人員可以自己解決，也可以請求專家?guī)椭Ｒ坏┱莆樟艘恍┲R，就可以更輕松地管理自己的期望，因為將了解人工智能能為企業(yè)做些什么，不能做什么。

　　8.缺乏實地專家

　　為了開發(fā)一個成功的人工智能解決方案，需要技術(shù)知識和業(yè)務(wù)理解。不幸的是，這往往是其中之一。首席執(zhí)行官和管理者缺乏采用人工智能所必需的技術(shù)知識，而許多數(shù)據(jù)科學(xué)家對他們開發(fā)的模型如何在現(xiàn)實生活中使用并不十分感興趣。

　　知道如何將這項技術(shù)應(yīng)用于某一特定業(yè)務(wù)問題的人工智能專家數(shù)量非常有限。總的來說，優(yōu)秀數(shù)據(jù)科學(xué)家的數(shù)量也是如此。

　　FAMGA(Facebook、蘋果、微軟、谷歌、亞馬遜)以外的公司正在努力吸引頂尖人才。即使他們試圖建立一支內(nèi)部團隊，他們也不確定自己是否能找到合適的人才。如果缺乏技術(shù)知識，無法真正了解他們是否提供高質(zhì)量的解決方案。由于預(yù)算有限，中小型企業(yè)可能無法采用人工智能。但是，外包數(shù)據(jù)團隊現(xiàn)在也是一種選擇。

　　9.缺乏業(yè)務(wù)一致性

　　正如O'Reilly公司在圖表中所示，企業(yè)文化不承認(rèn)人工智能的需求以及識別業(yè)務(wù)用例的困難是人工智能實施的最大障礙。識別人工智能業(yè)務(wù)案例需要管理人員深入了解人工智能技術(shù)、它們的可能性和局限性。缺乏人工智能技術(shù)可能會阻礙許多組織的采用。

　　但這里還有一個問題。一些企業(yè)抱著過于樂觀的態(tài)度，沒有明確的戰(zhàn)略，進入了人工智能的潮流。人工智能的實現(xiàn)需要一種戰(zhàn)略方法，設(shè)定目標(biāo)，確定關(guān)鍵績效指標(biāo)，跟蹤投資回報率。否則，企業(yè)將無法評估人工智能帶來的結(jié)果，并將其與企業(yè)的假設(shè)進行比較，以衡量這項投資的成功(或失敗)。

　　10.難以評估供應(yīng)商

　　正如招聘數(shù)據(jù)科學(xué)家的情況一樣，當(dāng)企業(yè)缺乏技術(shù)知識時，很容易被愚弄。人工智能是一個新興領(lǐng)域，它特別脆弱，因為很多企業(yè)夸大他們的經(jīng)驗，而在現(xiàn)實中，他們可能不知道如何使用人工智能來解決實際的商業(yè)問題。

　　這里的一個想法是使用像Clutch這樣的網(wǎng)站來識別人工智能開發(fā)中的領(lǐng)導(dǎo)者。看看正在考慮的企業(yè)在他們的投資組合中有什么好處。另一種方法是邁出一小步，例如與人們認(rèn)為具有前途的供應(yīng)商的研討會。通過這種方式，將了解他們是否了解業(yè)務(wù)，擁有合適的技能，以及是否解決問題。

　　11.整合挑戰(zhàn)

　　將人工智能集成到現(xiàn)有系統(tǒng)中是一個比在瀏覽器中添加插件更復(fù)雜的過程。必須設(shè)置滿足業(yè)務(wù)需求的接口和元素。有些規(guī)則是硬編碼的。人們需要考慮數(shù)據(jù)基礎(chǔ)設(shè)施需求、數(shù)據(jù)存儲、標(biāo)記，以及將數(shù)據(jù)輸入系統(tǒng)。

　　然后，進行模型培訓(xùn)，測試開發(fā)的人工智能的有效性，創(chuàng)建一個反饋循環(huán)，根據(jù)人們的行為不斷改進模型，并進行數(shù)據(jù)采樣，以減少存儲的數(shù)據(jù)量，更快地運行模型，同時仍能產(chǎn)生準(zhǔn)確的結(jié)果。怎么知道它有效?怎么知道具有價值?

　　為了克服可能的集成挑戰(zhàn)，企業(yè)必須與供應(yīng)商共同努力，以確保每個人都清楚地了解流程。它還要求供應(yīng)商擁有更廣泛的專業(yè)知識，而不僅限于建立模型。當(dāng)人工智能以戰(zhàn)略方式實施并逐步實施時，可以減輕失敗的風(fēng)險。

　　在企業(yè)成功地將人工智能集成到其系統(tǒng)中之后，仍然需要訓(xùn)練人們使用這個模型。他們?nèi)绾谓邮苣Ｐ彤a(chǎn)生的結(jié)果?他們?nèi)绾谓忉尳Y(jié)果?企業(yè)的供應(yīng)商應(yīng)該建議每天使用其模型，并建議如何進一步發(fā)展人工智能。

　　12.法律問題

　　一些文章描述了企業(yè)實施人工智能之前需要考慮的一些法律問題。法律規(guī)章跟不上技術(shù)的進步，將會出現(xiàn)問題。如果人工智能造成損害怎么辦?如果由于人工智能的原因，某些東西被損壞或有人受傷，誰將對此承擔(dān)責(zé)任?訂購方還是開發(fā)人工智能的公司?

　　目前沒有規(guī)則明確說明在這種情況下必須采取的措施。另一個問題是采用GDPR法規(guī)，數(shù)據(jù)已成為必須謹(jǐn)慎處理的商品，這可能是數(shù)據(jù)收集方面的挑戰(zhàn)：可以收集哪些數(shù)據(jù)以及以何種方式收集數(shù)據(jù)?如何以符合GDPR法規(guī)的方式處理大數(shù)據(jù)?

　　敏感數(shù)據(jù)也存在明顯不敏感的問題。雖然它可能不會構(gòu)成法律問題，但它仍然是一個可能會傷害企業(yè)的問題。一般而言，任何泄漏威脅到企業(yè)的地位或其形象的信息都應(yīng)被視為敏感信息。

　　想象一下，當(dāng)企業(yè)員工培訓(xùn)和課程數(shù)據(jù)泄漏時，就會出現(xiàn)這種情況。這些信息可能被誤解并傳播，將會損害企業(yè)的業(yè)務(wù)。

　　如何應(yīng)對人工智能采用的挑戰(zhàn)?

　　人們必須記住，自己無法處理所有問題。首先要做的是熟悉人工智能——這樣，就更容易理解這個過程。然后，當(dāng)企業(yè)創(chuàng)建人工智能策略時，就必須認(rèn)識到需要注意的問題。

　　通過戰(zhàn)略性和循序漸進的方法，企業(yè)將能夠更順利地完成人工智能實施過程。沒有錯誤是否可以實現(xiàn)?沒有什么是百分之百完美的，但企業(yè)需要為今后可能發(fā)生的問題做好準(zhǔn)備。（來源：區(qū)塊鏈新聞，小梅超鳳責(zé)編）