揭穿人工智能和机器学习的 5 大神话

艾城的五大神话和机器学习揭穿揭开人工智能 （AI） 和机器学习 （ML） 在为企业带来积极成果方面的作用和潜力的神秘面纱。 揭穿|的人工智能和机器学习的 5 大神话斯普伦克1很难相信现在无处不在的AI和ML术语可以追溯到1950年代。在过去的10年里，人工智能和机器学习已经大规模复兴，变得比以往任何时候都更广泛、更强大、更易于使用，它们的用例已经在多个行业中实现。如今，人工智能和机器学习为检测癌症的计算机视觉提供了动力。他们预测制造业的设备故障。他们检测银行业的欺诈行为。它们为Netflix用户生成看似无穷无尽的电视节目和电影推荐。消费者技术一直是AI和ML投资和发展的驱动力（例如，亚马逊，Netflix，Apple）。然而，推动人工智能和机器学习进步的不仅仅是消费者技术。 根据麦肯锡的一项研究，企业用例代表了近 6 万亿美元的机会，人工智能的风险资本投资在 2019 年达到了新的高度，总额为 185 亿美元。支出只会继续增长：IDC预测，到2023年，全球人工智能支出将达到近980亿美元。但是，尽管投资有所增加，但企业中AI和ML的采用一直缓慢而稳定。大多数公司在采用和实施变革方面进展缓慢，只有一小部分公司成功启动了内部人工智能和机器学习计划来转变其运营。企业451研究之声：人工智能与机器2020 年学习用例调查发现，只有 29% 的企业以某种能力部署了机器学习。Gartner的一项调查发现，42%的受访者根本不了解使用 AI 和 ML 对其组织的好处。还有其他障碍，例如缺乏具备必要技能的数据和技术专业人员，以实施AI和ML所需的基础设施和流程以改变工作场所，以及缺乏AI和ML采用的战略方法。但随着早期采用者适应新常态，积极的结果变得越来越明显。而且，尽管可能很难量化AI / ML投资的直接收益现在，到2024年，这一切都将改变。组织将能够将关键的ML绩效指标与衡量的ROI具体联系起来。这种趋势已经开始。根据德勤的数据，在接受调查的2，700多名IT和业务线高管中，90%的人认为人工智能对他们的业务“非常”或“至关重要”。百分之七十四的采用者预计人工智能将在未来三年内集成到所有企业应用程序中。也就是说，德勤调查中的公司补充说，人工智能在真正改变他们的业务之前仍有增长空间，但这需要的时间比你想象的要少。75%的受访者表示，认知技术将在三年或更短的时间内改变业务，61%的受访者预计行业将在同一时间内实现转型。可以肯定的是，人工智能的一些最深远的概念——可以完全复制人脑的计算机、完全自主的机器人和设计程序、编码和自我升级——离现实还有好几年的时间，是人工智能能力最终达到顶峰的登月计划。但考虑到人工智能工具已经可以在Jeopardy！中获胜，能够检测乳腺癌，并在自动驾驶的方向盘后面记录数万英里每天的车辆，即使是那些大胆创新计划概念的前景似乎也并不那么牵强。换句话说，现在是制定AI和ML战略的时候了，否则您的业务可能会落后。为了帮助您将AI和ML纳入您的业务中，让我们澄清一些常见的误解。 揭穿|的人工智能和机器学习的 5 大神话斯普伦克20神话狭窄的AI (ANI)狭义人工智能是依靠算法和程序化响应来模拟智能的技术集合，通常侧重于具体任务。当您使用像亚马逊的Alexa这样的语音识别系统来打开灯，这就是狭隘的人工智能在行动。Alexa听起来很聪明，但它对语言没有任何先进的理解，也无法确定你说的话背后的含义。该程序只是聆听语音中的关键声音，并在检测到它们时，按照其编程执行某些操作。对于用户来说，这似乎非常智能 - 以及语音识别远非一个简单的计算任务——但实际上，幕后并没有实际的“思考”。游戏中的非玩家角色 （NPC） 是另一个ANI 的好例子。虽然他们采取类似人类的行动，但实际上他们只是遵循一系列预先编程的动作，旨在模仿人类玩游戏的方式。 人工智能和毫升是相同的与许多新技术一样，人工智能在许多行业产生了淘金效应。各种产品都被描述为是用人工智能构建的，以至于这个词已经成为一个流行语，似乎已经失去了很多意义。因此，让我们尝试通过分解术语“AI”来理解它的真正含义。在最简单的层面上，人工智能可以分为两类：通用人工智能（GAI）和狭义人工智能（ANI）。近年来，这些名称发生了变化，但通常可以通过以下方式考虑这些术语。一般人工智能(盖)相比之下，GAI旨在独立思考。GAI研究的目标是设计出以匹配或超越人类的方式学习的人工智能。情报。GAI旨在学习和适应，明天做出的决定比今天做出的决定更好。这些都不容易，这就是为什么你今天遇到的大多数人工智能例子都是狭义的。GAI是一个新的，复杂的和多样化的类别，有许多分支，其中大多数仍然是在实验室中研究主题。现代人工智能系统专注于解决特定任务，例如作为优化、推荐或预测系统，通常不会像人类那样学习广泛的概念。 揭穿|的人工智能和机器学习的 5 大神话斯普伦克3简而言之，机器学习是一种特定类型的 ANI，其目标是让计算设备访问某些数据存储并允许它从中学习——但远不及 GAI 水平。如上所述，当Alexa打开灯时，它实际上并没有学到任何东西，即使随着时间的推移它确实更好地识别了你的声音。当用户告诉Alexa关灯,然后执行程序来执行该命令。这是基于规则的方法的一个例子，这是最简单的人工智能形式之一，其中系统根据通过if-then-else语句编码的规则进行操作。但是，当给定数据馈送时，ML系统也可以做更多的事情 - 例如，来自制造设备上传感器的温度和公差信息 - 并被要求根据观察到的任务示例得出结论。这可能涉及在该数据中搜索趋势、模式和异常或任何对人类观察者来说可能不明显的信息。在制造业的情况下，机器学习算法将学习当温度超过特定阈值时发送主动警报，以便操作员可以在问题出现之前采取行动。这一切怎么可能？ML 是 AI 的一个子集，包括有监督、无监督、强化和深度学习系统。监督式机器学习算法和模型使用标记的数据集，从了解数据的分类,而无监督模式使用标记数据集和找出特征和模式来自没有明确说明或预先存在的分类的数据。加固另一方面，学习采用更具迭代性的方法。该系统不是使用单个数据集进行训练，而是通过反复试验和从数据分析中接收反馈来学习。更快和更大的计算能力,毫升功能先进的深入学习,一种特定类型的 ML，应用称为“人工神经网络”的算法，由决策节点，以更准确地训练 ML 系统执行有监督、无监督和强化学习任务。深度学习方法正变得越来越普遍，但计算成本很高，而且通常更难被人类解释，因为决策节点是“隐藏的”，不会暴露给开发人员。尽管如此，深度学习提供了丰富的可能性，并且已经图像识别的应用前景,自动驾驶汽车,欺诈检测和更多的新闻。总体而言，AI和ML空间在不断发展。重要的是了解这些技术可以应用于解决业务问题，只要有数据来训练它们。考虑到这种区别，什么是机器学习？ 火车验证02人工智能是一根魔杖就像人工智能吹风机和人工智能瑜伽裤的声音一样令人兴奋（是的，这些都是真实的东西），人工智能有一个时间和地点，至少在今天是这样。在最基本的层面上，这是成功构建人工智能成果的关键，无论它部署在哪个行业和级别如何。人类必须定义问题，确定适当的AI技术来解决问题，训练具有正确数据的工具，然后验证结果是否有效。即使是迄今为止开发的最强大的人工智能工具也必须随着时间的推移进行仔细管理，这样它们就不会被仔细管理。运行rails。许多人工智能专业人士发现，当人工智能算法返回错误的答案而不是正确的答案时，他们会学到更多。这种效果在消费者和工业水平。 一旦人工智能工具产生了结果，工作就没有结束。复杂的数据。如果没有适当的训练，人工智能就不会存在，模型需要精心构建才能有用。垃圾邮件过滤器必须接受有关如何识别好电子邮件和坏电子邮件的培训一。语音识别AI助手必须收听无数小时的语音对话，然后才能以任何程度的准确性解析所说的内容。支持人工智能的工厂车间计划通常需要每周分析数百万 GB 的数据，以便对未来可能发生的事情做出合理的决策。所有这些都是训练的例子，这不仅仅是一个数量游戏，也是一个质量游戏。成功的人工智能算法必须在正确的数据源上进行训练，否则它们根本无法为正确的决策提供信息。如果您要打开电子邮件收件箱并将来自配偶的所有邮件标记为垃圾邮件，然后将来自尼日利亚王子的所有电子邮件标记为好，您将赶紧亲眼看看人工智能能多快脱轨。当一个基于ai miscategorizes垃圾邮件过滤器传入消息，用户有机会通过正确分类来重新训练工具。这为算法提供了新的见解第一次进入可能会错过什么周围;从错误中学习使该工具逐步更加强大。如果垃圾邮件过滤器没有重新训练,它不会下次更准确，可能会再次犯同样的错误。同样，在制造环境中，假设AI工具指示机器离线,因为一个失败的一个关键部分迫在眉睫。如果部分不失败,然后呢?如果存在分歧AI块您旅行的 Salesforce 无法访问网络，因为它错误地认为他们是黑客？由于AI的逻辑性质，开发人员可以确定为什么AI这些具体的决策和工作向后确定它在流程中依赖哪些数据。这可能会揭示数据中的缺陷，逻辑处理错误或某些错误否则不会被注意到的其他错误。在这种情况下，开发人员可以采取必要的措施来纠正代码、重新训练模型或采取任何措施。一旦这些缺陷识别。揭穿|的人工智能和机器学习的 5 大神话Splunk4定义识别神话在更先进的工业环境中也是如此。如果传感器校准错误并向负责监控设备的算法提供不准确的信息，那么所有这些千兆字节的数据最终都将变得无用或更糟，因为人工智能模型将使用并接受训练。在得出不准确结论的过程中有不良数据。关键是人工智能不一定是万能的。没有“AI开关”或“AI插件”可以采用任何旧技术并以某种方式赋予其认知能力。 0神话你需要一个博士了解人工智能和毫升人工智能和机器学习，顾名思义，并不完全传达简单性。事实上，这些令人眼花缭乱在引擎盖下，外行人远非能够获得的复杂技术。但是，您不需要高级学位，并且对于智能技术来说，没有太小的用例。尽管如此，重要的是要了解从头开始构建人工智能解决方案与在组织内实施现有 AI 工具之间的区别。其中第一个是极其困难的。这其次是每天都变得更容易。考虑一下您在一天中使用的所有技术工具：电子邮件客户端或数字助理或电子表格等生产力工具。它们不是简单的技术，但您可以在不知道幕后发生的事情的情况下掌握它们。同样的事情也发生在人工智能上，因为工具变得越来越容易获得。自助式分析平台的广度和质量都有所提高，使非技术员工能够在不完全依赖数据科学家的情况下输出分析。初学者可以构建自己的机器学习模型，具有预构建的算法和直观的界面，旨在不一定具有数据科学或统计学背景的开发人员。随着传统和新兴科技公司推出开源和商业工具，资金正在涌入所谓的人工智能民主化。一些技术是为特殊定制的任务帮助抓骗子行为的生物识别技术。虽然我们可能不是在实施人工智能系统时，在纯粹的点击级别，现在任何人都可以使用这些工具。去学习。你也可以在印象中您的业务或特定用例太小或微不足道，不值得AI的投资,你的环境不是复杂的足以受益技术。在许多情况下，这是不正确的。即使是小型企业和其他环境的范围和规模也受到限制可以受益于AI提供的结果吗和ML。在小型企业或业务部门设置中，您可能会要求AI识别异常安全事件，测试和开发更好的社交媒体广告，自动化和改进客户服务请求，或搜索有关竞争对手何时以及为何发生变化的模式价格或产品。所有的这些即使是单一所有者运营，也可以轻松访问 AI 驱动的活动。揭穿|的人工智能和机器学习的 5 大神话Splunk5 揭穿|的人工智能和机器学习的 5 大神话斯普伦克604神话人工智能和ML将取代我但有时这些报道中隐藏着一些应该让群众平静下来的关键细节。人工智能有一个基本事实：它不能在真空中运行。它需要人类来开发、部署、管理和维护它。这意味着工作。在Gartner关于采用AI障碍的报告中，该公司预测，失去的180万个工作岗位将被将创造的230万个新工作岗位所抵消，2020年净增加50万个岗位，2025年净增加200万个岗位。担心人工智能会在不久的将来淘汰你的工作？你并不孤单。麦肯锡最近建议，