企业网站报价表,百度网站站长,Vantage wordpress主题,怎么备份wordpress网站“通过对7000多家“AI初创企业”进行研究分析#xff0c;我发现大多数人低估了AI发展所面临的困境和挑战。这其中#xff0c;有你的参与吗#xff1f;” 你可能听过Andrew Ng这句话类似的一些说法:“AI正如同我们新时代的电力!电力的发展曾经改变了无数行业;现如今的AI也将如… “通过对7000多家“AI初创企业”进行研究分析我发现大多数人低估了AI发展所面临的困境和挑战。这其中有你的参与吗” 你可能听过Andrew Ng这句话类似的一些说法:“AI正如同我们新时代的电力!电力的发展曾经改变了无数行业;现如今的AI也将如此。” 我基本上同意这种观点。然而问题在于这种说法忽视了AI在快速应用过程中面临的巨大障碍。毕竟AI不会在一夜之间随处可见。就电力而言它的发展经历了四十多年才成为一种无处不在的技术。到1882年世界已经发现了现代电力的关键元素。然而昂贵的基础设施、人才的缺乏、监管不透明等许多挑战阻碍了电力即时的大规模采用。这些阻碍加在一起使美国的普通家庭直到1925年才用上电! AI正如一种新的电力它将改变各行各业。但就像电力的发展一样这需要几十年的时间。对于AI世界而言我们正处于1882年而非1925年。 是什么摩擦正阻碍着AI的应用?AI将首先在哪方面成功?它又将滞后于哪方面?除非我们展开这种对话否则许多技术上可行、合理充分的AI企业都将面临失败。这种对话至关重要因为全世界都正在AI领域押下重注尽管这或许并不明智。我在网上搜索了一下发现了7192家“AI初创企业”宣称他们是一家AI公司或正在使用机器学习。这些初创公司已经筹集了190多亿美元雇佣了超过15万名员工。 你的AI企业何时成功?——框架
值得庆幸的是你能够预测你的AI企业更有可能在近期、中期还是长期成功。AI的能力和挑战是很容易理解的——你所要做的就是全面地审视它们然后批判性地思考你的AI用例。要做到这一点不妨考虑使用一个简单的框架:AI解决方案被采用的速度是价值潜力和其中特有摩擦的函数。许多摩擦减缓了AI技术的应用但这些摩擦更能减缓一些企业的发展速度。原因在于一些AI解决方案能够比其他因素创造更多的价值。当一个AI解决方案具有巨大的价值潜力时企业、投资者、监管机构和消费者们则更容易联合起来以克服摩擦。价值和摩擦之间的这种简单关系产生了一个有用的框架: AI采用率fAI摩擦AI价值
那么对于你的AI赌注来说大规模采用AI的道路会是怎样的呢?对于任何问题企业或行业该框架可以直接操作。这是一个更详细的分类。
阻碍AI快速应用的顶级摩擦
第一步是对AI摩擦进行深思熟虑的分析这些摩擦可能会减慢你的AI企业的采用速度。人类、数据和市场摩擦都会减缓已验证AI解决方案的采用速度。它们使开发复杂化限制了可伸缩性并引入了用例查杀风险。并不是所有的摩擦都可一概而论的。有些比其他危险得多: AI摩擦预估量
人类对AI的限制
人机回圈要求许多算法需要人的监督。例如Facebook雇佣了超过1.5万人来协助他们的内容审核算法。人工数据标注要求:AI的许多用例需要人类教授算法预测的内容或者在技术术语中“标注”数据。例如百度不得不雇佣数千名翻译人员来训练其中文翻译算法。缺乏人才:全球缺乏数据科学家、机器学习工程师和其他AI人才。这使得企业组建有能力的AI团队具有挑战性。2018年Indeed.com上发布的AI相关职位的信息比搜索量多了3倍。
AI的数据限制
有机数据创建:一些业务模型不能自然地生成AI所需的数据。例如传统的零售企业无法获取关于客户购物模式的丰富数据。如果要整合人工智能零售商需要采用新的商业模式如在线销售和“直接面向消费者”等模式。缺乏数据基础设施:AI需要在技术堆栈的每个级别进行大量投资。On-prem硬件和遗留软件解决方案是AI的诅咒。为了实现人工智能企业必须投资于云平台、数据大集中平台、数据安全和人工智能开发工具。现有数据混乱:数据很少组织在由干净、集中的行和列组成的表中。相反大多数数据存在于凌乱的文档或遗留软件系统中。公司倾向于跨团队和组织存储数据他们通常无法维护存在不同数据的文档并且没有强制执行如何捕获和存储数据的标准。对第三方数据依赖:人工智能渴望数据。当你的公司没有足够的专有数据时便不得不购买数据而授权和维护API以访问第三方数据的成本是非常昂贵的。数据速度很低:大多数人工智能需要数千个完整反馈循环的例子来学习。这在反馈周期较慢的领域是具有挑战性的。例如获取慢性病长期卫生保健结果的数据就是一个代价高昂的过程。
AI的市场限制
捕获AI价值所需的业务模型变化:为了获取AI价值许多行业将不得不更改它们交付产品和服务的方式。例如自动驾驶汽车将迫使汽车制造商采用“运输即服务”的策略。近乎完美的算法性能要求:一些人工智能用例具有很高的失败成本。以医疗和自动驾驶汽车的诊断决策为例在这些情况下AI解决方案会带来重大风险。AI需要流程变更:支持AI的产品通常会引入截然不同的工作流程。例如人工智能招聘解决方案往往更倾向于非传统的面试和工作申请。这让更多传统的人力资源团队感到害怕。无法解释的算法:在许多情况下消费者(甚至监管者)需要能够自我解释的AI工具。不幸的是要想解释有多少人工智能算法在做决定是很困难的。例如如果一家银行拒绝向客户提供信贷他们必须解释原因这就使得人工智能在放贷方面变得困难。有偏算法:AI算法经常做出有偏决策。这在许多领域如执法、人力资源和教育都是违法和令人反感的。繁重的隐私标准:AI是对隐私的一种威胁。人工智能为企业收集大量私人信息创造了动力。此外人工智能还能从无害的数据(比如打字模式)推断出个人信息(比如个人的情绪状态)。这些威胁隐私的AI解决方案可能会面临监管和消费者的抵制。
评估AI价值
一旦了解了企业面临的AI摩擦就要进行价值分析。你的AI解决方案能否降低成本、节省时间、减轻风险、创造新的消费价值?如果能需要多少钱?要做到这一点没有一种放之四海而皆准的方法。一旦你评估了你的AI解决方案请批判性地思考这个值将如何激励利益相关者克服摩擦。在此过程中您应该考虑宏观层面的趋势。在AI不能更普遍地创造重要价值的领域这是很危险的。如果真的到了这一步那么你将会成为一个孤独的人工智能倡导者。麦肯锡全球研究所(MGI)最近评估人工智能和分析的潜力超过了9万亿美元重要的是这个价值并不是按比例地分布在各种用例和行业中。
AI用例
在评估了400多个已知人工智能用例的列表之后MGI发现普通的业务问题——供应链、销售和营销——是人工智能最有价值的用例。 按用例划分AI价值
跨行业AI价值
通过将用例映射到各个行业MGI评估了AI对各个行业的重要性。他们发现在高端功能如销售中有复杂问题的行业将从人工智能中获得最大收益。 AI价值占行业收入的百分比
AI的未来——应用框架
那么哪些行业最容易受到人工智能应用速度低于预期的影响呢?谁最有可能不合时宜地成为AI赌注的炮灰呢?我们可以在宏观层面应用框架来寻找答案。我采访了几位人工智能专家用于估计每个行业的人工智能摩擦强度然后将这些信息汇总并绘制出与MGI的人工智能价值估计相对应的图表: 根据我的分析AI将在三波浪潮中席卷各个行业:
第一波AI浪潮——快速采用者:这波融合了消费科技和媒体的浪潮已经很好地开始了。谷歌、Facebook和Netflix等公司的先进技术引领了这一潮流。第二波AI浪潮-慢采用者:这波浪潮也已经开始但可能推进更缓慢。一些采用者(如制造商和供应链运营商)不太愿意采用人工智能。一些其他企业(如银行)则清楚地知道如果他们成功了将获得巨大的回报但在采用人工智能的过程中必定面临重大挑战。第三波AI浪潮——艰难采用者:医疗、汽车和(可能的)零售行业的AI采用率可能低于预期。在采用人工智能方面它们都面临着巨大的障碍。在一分钱一分货的基础上因此也都不太愿意采用人工智能。值得注意的是零售在这里有些不同于其他行业:传统零售商在一些领域(销售和营销)面临着重大摩擦但在另一些领域(供应链运营)却是人工智能的快速采用者。
那么你的人工智能企业何时才能成功呢?你需要分析面临的人工智能摩擦、评估你想要创造价值的大小然后看看你的企业相对于已知的人工智能成功案例所存在的差距。如果结论是更多的摩擦和更少的价值那么也许现在还不是下这个赌注的时候。但如果你有一个高价值、低摩擦的人工智能解决方案那么就不要再读这篇文章了。全速进击吧!
原文链接 本文为云栖社区原创内容未经允许不得转载。
