0
| 本文作者： 伍文靚 | 2019-04-11 18:48 |
雷鋒網(wǎng)注：【 圖片來源：Future of Life 所有者： The FLI Team 】
人們可能已經(jīng)厭倦了聽AI改變科技公司的老生常談。但拋開市場炒作不談，對于AI公司來說，有充分的理由去研究怎樣利用AI將公司收益最大化。
首先我們要將AI這個(gè)術(shù)語拋之腦后。雖然“AI”可以用來代表一個(gè)致力于制造智能機(jī)器的學(xué)術(shù)領(lǐng)域，但不得不說，它是一個(gè)定義松散的術(shù)語。這個(gè)術(shù)語為不擇手段的供應(yīng)商留下了發(fā)揮空間，讓他們可以借由這個(gè)噱頭，來重塑自己軟件的古板形象。
華威商學(xué)院的副教授Panos Constantinides表示，“現(xiàn)在，幾乎所有的事情都能與AI扯上關(guān)系，這正是炒作的關(guān)鍵點(diǎn)?！彼a(bǔ)充說，“這種炒作之所以存在，是因?yàn)槲覀儗I缺乏清晰的認(rèn)識?！彼?，為了避免這種情況，我們要清楚這一點(diǎn)：如今大多數(shù)技術(shù)供應(yīng)商在談?wù)揂I時(shí)，其實(shí)指的是機(jī)器學(xué)習(xí)。
機(jī)器學(xué)習(xí)是AI的一個(gè)子集，通過機(jī)器學(xué)習(xí)，計(jì)算機(jī)能夠自行分析大量數(shù)據(jù)，然后執(zhí)行相應(yīng)的任務(wù)，而不再需要等待程序員發(fā)出指令。
最近，由于計(jì)算機(jī)視覺、語音識別和自然語言理解等領(lǐng)域取得了突破性進(jìn)展，人們對機(jī)器學(xué)習(xí)也產(chǎn)生了濃厚興趣。這些領(lǐng)域的蓬勃發(fā)展其實(shí)要?dú)w功于實(shí)現(xiàn)機(jī)器學(xué)習(xí)的新方法，比如深度學(xué)習(xí)，而深度學(xué)習(xí)又得益于現(xiàn)代處理器的強(qiáng)大功能和大量可收集的數(shù)據(jù)資源。
從理論上講，機(jī)器學(xué)習(xí)有望使大量工作自動化，即便是目前仍需要人類手動完成的任務(wù)。雖然，機(jī)器學(xué)習(xí)已經(jīng)用于客戶查詢服務(wù)、后臺管理，甚至汽車駕駛等領(lǐng)域，但現(xiàn)實(shí)情況是，想要在生產(chǎn)中完全依賴基于機(jī)器學(xué)習(xí)技術(shù)的系統(tǒng)，蕓蕓眾司還有很長的路要走。
O'reilly做了一項(xiàng)調(diào)查來判斷AI在企業(yè)中的使用情況，盡管AI的使用情況因行業(yè)而異，但是，不到75%的受訪者表示，他們的企業(yè)要么正在評估“AI”，要么還沒有開始使用“AI”：
雷鋒網(wǎng)注：【 圖片來源：ZDNet 所有者：O'Reilly 】
不少赫赫有名的企業(yè)已經(jīng)使用機(jī)器學(xué)習(xí)：勞斯萊斯通過分析互聯(lián)網(wǎng)傳感器的數(shù)據(jù)，及時(shí)發(fā)現(xiàn)飛機(jī)引擎的磨損跡象，并提前進(jìn)行維修；谷歌使用了DeepMind的技術(shù)，將用于冷卻數(shù)據(jù)中心的能量降低了大概40%；亞馬遜使用圖像識別來識別顧客從Go商店里購買的商品，而Go商店是亞馬遜旗下的自助商店。
早在多年前，機(jī)器學(xué)習(xí)就已經(jīng)應(yīng)用于各大企業(yè)，只是它的表現(xiàn)有點(diǎn)平淡無奇：亞馬遜的智能系統(tǒng)會推薦你買更多產(chǎn)品；Netflix的智能系統(tǒng)會推薦你看更多節(jié)目；在微軟等公司運(yùn)營的全球安全系統(tǒng)中，一旦出現(xiàn)網(wǎng)絡(luò)威脅，系統(tǒng)就會發(fā)出警告。
最近，像花旗集團(tuán)這樣的金融投資公司也開始使用機(jī)器學(xué)習(xí)來警惕欺詐交易和支付錯(cuò)誤。
您的公司很有可能也使用了基于機(jī)器學(xué)習(xí)的服務(wù)，哪怕和機(jī)器學(xué)習(xí)只有一點(diǎn)點(diǎn)關(guān)系也算。例如，在自然語言處理和語音識別中使用機(jī)器學(xué)習(xí)，從而驅(qū)動客服中心的聊天機(jī)器人或是其他自動響應(yīng)系統(tǒng)。
總體上來說，O'reilly的受訪者認(rèn)為，客戶服務(wù)和IT是自己公司使用“AI”最多的兩個(gè)領(lǐng)域。而其他公司已經(jīng)著手通過機(jī)器學(xué)習(xí)為員工執(zhí)行的重復(fù)性任務(wù)建模，試圖將這些任務(wù)自動化。目前，已有一些公司專攻這一領(lǐng)域，也就是所謂的機(jī)器人流程自動化(RPA)。
實(shí)際上，RPA并不總是涉及機(jī)器學(xué)習(xí)，而且從歷史上看，RPA是由開發(fā)人員來實(shí)施的，他們?yōu)檐浖^程的自動化制定規(guī)則。RPA不應(yīng)該與機(jī)器學(xué)習(xí)相混淆（因?yàn)樽詣踊^程的步驟可以由開發(fā)人員編寫），但是，弗雷斯特公司預(yù)測，機(jī)器學(xué)習(xí)未來將在RPA中扮演更重要的角色。
這家分析公司在一篇報(bào)告中指出：“目前，眾多企業(yè)已經(jīng)將包括機(jī)器學(xué)習(xí)和文本分析在內(nèi)的AI模塊構(gòu)建技術(shù)與RPA相結(jié)合，從而為數(shù)字工作者帶來更大的收益。”但是，在生產(chǎn)過程中使用機(jī)器學(xué)習(xí)的公司仍然只是少數(shù)，大部分公司只是試用機(jī)器學(xué)習(xí)系統(tǒng)，或者僅僅使用像Gmail這樣包含機(jī)器學(xué)習(xí)功能的服務(wù)。
華威商學(xué)院的教授Mark Skilton表示，“企業(yè)追求RPA，這無可厚非。據(jù)我估計(jì)，目前，社會上有20%至30%的工作已經(jīng)使用了這項(xiàng)技術(shù)，但機(jī)器學(xué)習(xí)的應(yīng)用范圍仍然非常小?！?/p>
不過，正如O'reilly的報(bào)告顯示，有近三分之二的受訪公司計(jì)劃，在未來一年里，投入至少5%的IT預(yù)算來開展AI項(xiàng)目。各家公司都已開始察覺，在未來幾年內(nèi)，機(jī)器學(xué)習(xí)系統(tǒng)有潛力讓公司現(xiàn)有的效率，服務(wù)和產(chǎn)品質(zhì)量更上一層樓。
不少企業(yè)告訴弗雷斯特公司，他們投資自動化的主要原因是想節(jié)約成本。下圖是企業(yè)對“采用自動化技術(shù)最大的收益是什么，或者可能是什么？”這個(gè)問題的回答，弗雷斯特公司對回答進(jìn)行了整理和分析。
雷鋒網(wǎng)注：【 圖片來源：ZDNet 所有者：Forrester 】
當(dāng)然，尚不清楚進(jìn)行機(jī)器學(xué)習(xí)的理由就貿(mào)然采用機(jī)器學(xué)習(xí)，這種做法并不明智。那么，機(jī)器學(xué)習(xí)究竟能做些什么呢?
機(jī)器學(xué)習(xí)最經(jīng)典的任務(wù)就是在大量數(shù)據(jù)中找到目標(biāo)。在實(shí)踐中，這種識別能力可以從音頻中識別單詞，從照片中識別人臉，或者理解一個(gè)單詞在句子中的意思。
如果想要引入機(jī)器學(xué)習(xí)，你需要該領(lǐng)域?qū)＜业膮f(xié)助，還需要一個(gè)內(nèi)部數(shù)據(jù)庫。在項(xiàng)目開始之前，你還有很多事情要考慮，比如，自己要利用機(jī)器學(xué)習(xí)完成什么目標(biāo)，機(jī)器學(xué)習(xí)是否是完成目標(biāo)的不錯(cuò)選擇，以及你需要的機(jī)器學(xué)習(xí)類型（監(jiān)督機(jī)器學(xué)習(xí)、無監(jiān)督機(jī)器學(xué)習(xí)和增強(qiáng)機(jī)器學(xué)習(xí)）。
除此之外，你還要清楚自己在收集什么數(shù)據(jù)類型，怎樣讓這些數(shù)據(jù)適合于訓(xùn)練機(jī)器學(xué)習(xí)模型，以及這些數(shù)據(jù)有哪些特性利于訓(xùn)練機(jī)器學(xué)習(xí)模型。Constantinides教授說，“數(shù)據(jù)科學(xué)家需要?jiǎng)?chuàng)建機(jī)器學(xué)習(xí)算法，但如果你的數(shù)據(jù)有誤，就沒辦法正常運(yùn)行機(jī)器學(xué)習(xí)?！?/p>
還有一個(gè)問題是，使用現(xiàn)有的數(shù)據(jù)來訓(xùn)練模型可能會要求你尋求進(jìn)一步的許可，或者實(shí)施額外的保護(hù)手段來遵守隱私法規(guī)，比如歐盟的GDPR。
Constantinides教授表示，在訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)時(shí)，想要獲得GDPR的同意尤其具有挑戰(zhàn)性，因?yàn)镚DPR為機(jī)器學(xué)習(xí)技術(shù)的使用設(shè)置了額外障礙。他解釋道，“數(shù)據(jù)大量集聚，我們很難確切地知道它們到底來自哪里?！?/p>
當(dāng)涉及到技術(shù)選擇時(shí)，你需要決定是租用云硬件，還是構(gòu)建自己的深度學(xué)習(xí)平臺。亞馬遜、微軟和谷歌等公司是主要的云平臺提供商，它們提供一系列按需付費(fèi)的機(jī)器學(xué)習(xí)服務(wù)，包括語音識別、計(jì)算機(jī)視覺、自然語言處理、情感分析、數(shù)據(jù)預(yù)測和翻譯等。有時(shí)，這些服務(wù)被捆綁成更高級、更復(fù)雜的產(chǎn)品，如聊天機(jī)器人創(chuàng)建工具包和零售商推薦引擎。
除了按需服務(wù)之外，包括AWS、Google Cloud和Microsoft Azure等在內(nèi)的云平臺還提供其他服務(wù)，允許企業(yè)利用這些平臺的云基礎(chǔ)設(shè)施，來訓(xùn)練和運(yùn)行自己的機(jī)器學(xué)習(xí)模型。模型經(jīng)過訓(xùn)練之后，就可以滿足這些公司對數(shù)據(jù)的需求，但這一目標(biāo)完成的前提是內(nèi)部數(shù)據(jù)科學(xué)家、領(lǐng)域?qū)＜液虸T運(yùn)維人員的共同努力。
云平臺提供商甚至已經(jīng)開始提供服務(wù)，將機(jī)器學(xué)習(xí)模型的培訓(xùn)過程進(jìn)行部分自動化，盡管這些服務(wù)旨在增強(qiáng)數(shù)據(jù)科學(xué)家的技能，而不是取代他們。
還有一些服務(wù)簡化了機(jī)器學(xué)習(xí)模型的訓(xùn)練過程，比如微軟的Machine Learning Studio、谷歌的Cloud AutoML和亞馬遜的AWS SageMaker。
與此同時(shí)，機(jī)器學(xué)習(xí)模型(例如，在計(jì)算機(jī)視覺任務(wù)中給圖像貼標(biāo)簽)的訓(xùn)練數(shù)據(jù)準(zhǔn)備，往往由眾包網(wǎng)站外包給自由職業(yè)者。
如果你決定在公司內(nèi)部建立自己的機(jī)器學(xué)習(xí)系統(tǒng)，這筆費(fèi)用可不是一個(gè)小數(shù)目。但如果你預(yù)計(jì)培訓(xùn)過程將持續(xù)數(shù)月，并且工作量巨大，那么它可能比使用云服務(wù)更實(shí)惠。
另外，你需要投資一個(gè)性能強(qiáng)大的GPU來完成你想要的一切任務(wù)，而不僅僅是訓(xùn)練神經(jīng)網(wǎng)絡(luò)，因?yàn)橛?xùn)練這種支持機(jī)器學(xué)習(xí)的類腦數(shù)學(xué)模型相對簡單。而且，通常來說，GPU是訓(xùn)練神經(jīng)網(wǎng)絡(luò)的必需品，因?yàn)樗鼈兡軌虿⑿袌?zhí)行大量的矩陣乘法，這有助于加快訓(xùn)練的速度。
如果你不打算訓(xùn)練有大量圖層的神經(jīng)網(wǎng)絡(luò)，你可以選擇消費(fèi)級顯卡，比如英偉達(dá)的GeForce GTX 2060，售價(jià)只要320英鎊左右，但仍然提供1920個(gè)CUDA核心。
然而，重型訓(xùn)練需要更加專業(yè)的設(shè)備。用于機(jī)器學(xué)習(xí)的最強(qiáng)GPU之一是英偉達(dá)的Tesla V100，它包含640個(gè)AI定制張量計(jì)算核心和5120個(gè)通用高性能計(jì)算CUDA核心。但是，這種顯卡的價(jià)格遠(yuǎn)遠(yuǎn)高于消費(fèi)級顯卡，PCI Express版本的價(jià)格最低也要7500英鎊。
如果要構(gòu)建AI工作終端或服務(wù)器的話，成本要再高出一個(gè)數(shù)量級，英偉達(dá)的DGX-2專攻機(jī)器學(xué)習(xí)和AI研究，它包含16張Tesla V100卡，售價(jià)高達(dá)39.9萬美元。
深度學(xué)習(xí)軟件框架也數(shù)不勝數(shù)，這種軟件框架允許用戶使用不同的編程語言來設(shè)計(jì)、訓(xùn)練和驗(yàn)證深度神經(jīng)網(wǎng)絡(luò)。其中，谷歌的TensorFlow軟件庫因?yàn)樵S多優(yōu)點(diǎn)而廣受歡迎：允許用戶使用Python，Java，c++和Swift等多種編程語言；可用于多種深度學(xué)習(xí)任務(wù)，例如圖像識別、語音識別；可以在CPU、GPU及其他處理器上運(yùn)行；有許多可用的教程和實(shí)現(xiàn)模型。
另一個(gè)常用的框架是PyTorch，這個(gè)框架對初學(xué)者很友好，因?yàn)樗峁┝碎_發(fā)人員熟悉的命令式編程模型，并允許程序員使用標(biāo)準(zhǔn)Python語句。PyTorch還可以與多種深度神經(jīng)網(wǎng)絡(luò)(從CNNs到RNNs)協(xié)同工作，并在GPU上高效運(yùn)行。
其他框架包括Cognitive Toolkit、MATLAB、MXNet、Chainer和Keras。
從計(jì)算機(jī)硬件，到機(jī)器學(xué)習(xí)框架，科技的進(jìn)步意味著，現(xiàn)在，公司部署訓(xùn)練有素的機(jī)器學(xué)習(xí)模型已經(jīng)不再遙不可及，這些模型在物聯(lián)網(wǎng)傳感器采集的數(shù)據(jù)中識別目標(biāo)，也會變得更加便捷。
公司可以用什么類型的項(xiàng)目來檢驗(yàn)機(jī)器學(xué)習(xí)的效果呢？Constantinides教授建議從簡單的任務(wù)開始，也就是說從一個(gè)非關(guān)鍵的業(yè)務(wù)領(lǐng)域切入，然后進(jìn)行擴(kuò)展。
Constantinides教授以客服中心的聊天機(jī)器人為例，為廣大企業(yè)提供了一個(gè)可行的選擇。這種聊天機(jī)器人可以回答一些重復(fù)性強(qiáng)的問題，如果問題太復(fù)雜，它就可以將客戶交給人工客服。
“大多數(shù)公司都認(rèn)為客服中心位于公司核心競爭力之外，”Constantinides教授說道，“因此，從這里開始的風(fēng)險(xiǎn)相對較低?！盋onstantinides補(bǔ)充說，公司的聊天機(jī)器人項(xiàng)目運(yùn)行穩(wěn)定后，就可以轉(zhuǎn)向另一種基于機(jī)器學(xué)習(xí)的服務(wù)，也就是所謂的推薦引擎。
該服務(wù)能夠幫助擴(kuò)大公司AI項(xiàng)目的規(guī)模。一旦獲得了客戶的數(shù)據(jù)，公司就可以開始進(jìn)行不同類型的預(yù)測，或是提出相關(guān)的問題，比如“您會考慮購買其他產(chǎn)品嗎？”
同樣，弗雷斯特公司的Gownder也強(qiáng)調(diào)了這一點(diǎn)：將啟動項(xiàng)目的重點(diǎn)縮小到特定任務(wù)十分重要。在一份報(bào)告中，他舉了一家醫(yī)療科技公司的例子，這家公司專注于為放射科醫(yī)生分析醫(yī)療掃描結(jié)果，而不是設(shè)定從整體上攻克癌癥這種更寬泛更難以實(shí)現(xiàn)的目標(biāo)。
公司要對機(jī)器學(xué)習(xí)項(xiàng)目有一個(gè)清晰的認(rèn)知，這一點(diǎn)十分關(guān)鍵。
弗雷斯特公司的Gownder也表示，在AI、自動化和機(jī)器人領(lǐng)域，因野心過大而導(dǎo)致失敗已不是什么新鮮事。就像安德森癌癥中心曾花費(fèi)6200萬美元，使用IBM的Watson幫助病人確定治療方案，然而，項(xiàng)目最終還是失敗了。
一般來說，在使用機(jī)器學(xué)習(xí)技術(shù)時(shí)，我們有必要控制自己的期望值，要意識到機(jī)器可能會帶來并不完美的結(jié)果：語音識別會轉(zhuǎn)錄錯(cuò)誤，面部識別系統(tǒng)會辨認(rèn)錯(cuò)誤的人。正因如此，這些系統(tǒng)的用途是輔助人類進(jìn)行判斷，縮小選擇范圍，而不是直接取代人類。
雖然，自動化的趨勢減少了社會上從業(yè)人員的數(shù)量，但是，以目前的科技水平來說，想要完全實(shí)現(xiàn)自動化還為時(shí)尚早。
Gownder在弗雷斯特的報(bào)告中也指出了過度過快自動化的危險(xiǎn)。報(bào)告里援引了汽車制造商Tesla的舉措為例，在發(fā)現(xiàn)機(jī)器人不適合執(zhí)行某些任務(wù)后，該公司決定讓人類重返生產(chǎn)線。他說道，“自從讓人類重返生產(chǎn)線以來，Tesla的Model 3成為美國最暢銷的汽車之一，從2018年1月僅生產(chǎn)1825輛汽車，增長到7月12日的14250輛?！?/p>
另外，企業(yè)還面臨著一個(gè)更為復(fù)雜的問題，那就是開展機(jī)器學(xué)習(xí)項(xiàng)目需要數(shù)據(jù)科學(xué)專業(yè)家的幫助。例如，O'Reilly的調(diào)查中，超過一半的受訪者表示，自己的企業(yè)需要相關(guān)領(lǐng)域的專家指導(dǎo)。在O'Reilly的另一份報(bào)告中，數(shù)據(jù)科學(xué)和數(shù)據(jù)工程再次被列為公司在分析相關(guān)的技能方面存在最大差距的兩個(gè)領(lǐng)域。
雷鋒網(wǎng)注：【 圖片來源：ZDNet 所有者：O'Reilly 】
華威商學(xué)院的Skilton認(rèn)為，技術(shù)和前景是存在的，真正的問題是如何給數(shù)據(jù)加上標(biāo)簽，以及怎樣獲得知識來理解“我如何準(zhǔn)備數(shù)據(jù)以便開始從中學(xué)習(xí)？”
盡管存在這么多問題，但越來越多的公司開始嘗試機(jī)器學(xué)習(xí)技術(shù)。Skilton表示，2019年正值企業(yè)挑戰(zhàn)機(jī)器學(xué)習(xí)的好時(shí)機(jī)，他說，“這樣一來，公司就可以把人類的知識轉(zhuǎn)移到機(jī)器上，擴(kuò)大員工規(guī)模，提高自己公司的生產(chǎn)率”。
雷鋒網(wǎng)注：原文作者為 Nick Heath，本文由雷鋒網(wǎng)編譯自ZDNet
【封面圖片來源：網(wǎng)站名Future of Life，所有者：The FLI Team】
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
