是否应该将人工智能应用于商业中:从发展蓝图到落地实践

人工智能的现状包括四个方面:模型,训练数据,硬件和人员。新的模型(如Generative AdversarialNetworks)正在取得巨大的成功;更大的数据集可供训练;硬件改进正在加速数据训练;而这一领域的每一次成功都让更多的人进入这个行业。(Ed Newton-Rex,Jukedeck)

人工智能的进步是连贯的,但对社会有直接的影响需要来自组织投入时间和金钱推动研究进程。数据的可用性,计算的能力以及每个模型的训练周期和智能都有限制。在无监督学习方面的进步正在使商业应用发生革命性的变化,从而节省时间和金钱——2010至2014年间,全球AI技术投资从17亿美元增长到149亿美元。

尽管人工智能并不是一个新的概念,但是到主流实施的过程已经花费了很久的时间,近几十年来发展最为迅速。这意味着,由于我们目前使用arXiv和社交媒体来进行传播,新的进展很快就会过时。人工智能中的这种“多动症”可能是颠覆性的,迫使企业重新考虑他们正在设计的产品(Hugo Larochelle,谷歌)。

人工智能发展中的那些因素给我们带来了今天的模型?

研究人员想出了如何使用图形处理单元(GPU)来加速神经网络的训练。这些方法使我们能够扩大到更大的数据集,并在对较小的学术思想的数据集进行研究时迭代得更快。

DL社区开发了更好的开源库和深度学习工具。例如,Theano在我们如何实施深度学习模型方面取得了突破,这启发了现在广泛流行的TensorFlow。

ArXiv和社交媒体已成为宣传研究的主要策略。这使得人们能够以更高的速度迭代和借鉴其他研究人员的工作。 (Hugo Larochelle,谷歌)

如何将人工智能的进步应用到商业?

机器学习总是受限于我们可以使用的计算量。这些方面的进步能够对现实世界的问题产生非常明显的影。

IanGoodfellow解释说:“2017年5月新一代Google TPU的发布是有着巨大影响的。新的Google TPU有助于缩小我们在深度学习实验中可以利用的计算量与生物神经系统中使用的计算量之间的差距。上一代只有Google的工程师才能使用,但是新的一代将会面向Cloud用户,而且研究人员可以申请免费使用。

虽然我们看到在无监督学习方面取得了很多进展,尤其是在生成式建模方面,但我们还没有看到它的全部潜力。将进展归因于某种特定技术是不可能的,但可以说,新的想法和洞察力促进了进步,而不是更大的数据集和更快的计算机。“(JörgBornschien,DeepMind)

随着越来越多的公司能够通过云平台(例如谷歌,亚马逊,微软)在他们的业务中实施人工智能模型,人工智能技术将继续更容易为整个工业界和社会所接触。没有任何特定的产业需要被抛在后面,所有的行业都被人工智能的进步所积极地颠覆(Hugo Larochelle,谷歌)。

商业智能工具能够搜集,分析,转换和报告数据,提供有价值的客户见解,并使企业能够将时间和金钱投入到正确的地方。

那些努力与用户建立情感联系的公司将会看到情感人工智能带来客户的满意度增加,毕竟“在现实生活中,人们的情商实际上很糟糕”,导致我们最后毫无意义的吵架,拒绝好的观点仅仅因为他们违背我们的偏见,并以陈规定型的观点来判断人们。

一旦人工智能可以受到没有偏见的训练,它应该能够提供比人类更合理的反应(Mikko Alasaarela,Inbot,2017年10月)。

在多个行业,由于数据准备,语音识别,文本理解,电脑游戏,网络安全等的深度学习,我们看到令人震惊的结果。深度学习在人工智能的历史上(以及可以说是在计算机科学史上)提供了最大的性能飞跃,并使许多传统方法已经过时。因此,在未来的十年内,任何一个不深度依赖深度学习的公司都将被抛在后面(Deep Instinct首席技术官Eli David)。

人工智能并不只为“科技”公司所用

2018年将有20%的商务内容来自AI(Salesforce,2017)。

57%的消费者预计到2020年声控智能助手会对他们的日常生活产生重大或中等的影响。(Salesforce,2017)。

由于其在云计算领域的地位,在下个十年的初期,60%的AI平台将由亚马逊,Alphabet,IBM和Microsoft托管。(IDCFutureScape,2017)

到2018年,75%的开发团队将在一项或多项业务应用或服务中使用AI技术(IDC FutureScape,2017)

到2020年,80%的客户关系管理将在没有人际交往的情况下完成(Salesforce,2017)

一些深入的解释

什么是GPU?

图形处理单元(GPU)通过允许计算机将大量应用程序迁移到GPU,而其余的代码在CPU上运行,加速了深度学习应用程序。 英伟达于2007年率先推出GPU加速器,现在为世界各地的政府实验室,大学,企业和中小型企业提供高能效数据中心。 (NVIDIA,2017)

什么是TPU?

张力处理单元(TPU)加速了幕后的神经网络计算,性能比现代CPU和GPU高出15-30倍,每瓦特性能高出30-80倍。这些优势有助于Google的许多服务以较低的成本有规模地运行最先进的神经网络。

(Google,2017)

是否应该将人工智能(AI)运用在商业中(案例分析)

雷诺数字是雷诺汽车公司100%掌控的子公司,并在2017年1月1日开始运营。目的是对其在全球的员工、合作伙伴、客户的核心业务进数字化。雷诺数字的任务是为公司所有的业务线实现数字化,不管是上游业务(工厂里的汽车设计),还是下游业务(销售点,电商,售后)。

我们将自己的方法建立在一个鼓舞人心的初创生态系统上。数据科学与人工智能是雷诺数字最重要的核心竞争力之一。无人驾驶汽车是主要目标。在(AD/ADAS)这个项目中,重点是向市场推出最广泛的先进驾驶辅助系统(ADAS),提高汽车安全,在某些情况下驾驶不需要驾驶员干预。ADAS是自动驾驶汽车的起点,能够代表驾驶员进行决策。”

人工智能的积极影响

通过机器语言和数据科学进行预测性维护:

预测什么会失败,什么时候可以比常规或基于时间的预防性维护节约成本,因为任务只在有保证的时候执行。

准确地结合客户反馈的分析:

帮助建立车辆和子系统性能,指导未来的产品设计。这也有助于检测故障模式,建立故障与故障原因之间的关系。举一个例子,在汽车的几次运行中发生故障的原因,正好与燃油质量差,气候条件,道路基础设施等地区性问题有关。

将联网汽车带上公路

汽车从开始经过工程设计和制造到服务和处置的产品生命周期为5年。智能手机定期提供新功能,如系统升级和应用程序,但是这不能被叫做汽车。必须优化AI模型来加速这个过程,允许联网汽车运行复杂的应用程序。除了消耗能量和电池,联网汽车还会消耗带宽。在这里,我们需要谈论移动运营商:将数据从车辆传递到网络(反之亦然)将代表不可忽视的数据量。运营商需要与汽车制造商合作,实现无缝过渡。

联网汽车推出的障碍:

数据&隐私

正在收集和分析的个人隐私数据每天都处于风险之中。数据来源于导航,多媒体和其他应用程序。

它提供了驾驶员习惯的信息,可能会被传送给汽车制造商和第三方。欧盟的“通用数据保护条例”(GDPR)将于明年生效,处罚更加严格,范围更广。

自动驾驶汽车推出的障碍:

可靠性

车辆必须能够完美地感知周围环境,做出正确的决定并安全地执行此操作。

在现实世界中,道路是一个高度动态、多变的环境,因此车辆必须学习数以百万计的使用案例。

人工直觉

其他用户的行为有时可以逃避人工智能,人类可以凭直觉行事而人工智能却不可以。

人们习以为常地观察微妙的提示:交通管制员的身体语言,或与自行车手眼神交流。 机器将能够学习这些与AI的交互,但是这可能需要无限的驾驶和测试时间。

法律体制

“维也纳公路交通公约”(欧洲公路标准的基础)规定,驾驶员必须始终保持对车辆的控制。这个是必须要改进的。

大多数制造商正在与这些变化的权威机构合作,可以假设在2020年之前能够完成。

雷诺数字如何在其他项目上使用AI技术

1.需求预测。

2.优化生产。

3.分销和供应链流程和网络。

4.通过识别具有相同上下文的现有问题并使用自然语言处理(NLP)将其链接起来,找出项目不同阶段发生的事件之间的相关性。

5.通过对诊断故障码进行分组,优化车载诊断(OBD)。并将其作为带标签的模式提供给技术人员使用相应的解决方案,从而节省时间和精力。

雷诺数字如何实现AI相关?

他们的人工智能团队的架构不是一个巨头公司的架构,可以被不同规模的企业复制:所用的项目开发方法不是瀑布式的,而是依靠小团队的敏捷方法。团队自我组织和运行周期短,与领域专家紧密联系,系统反馈给用户,验证概念,快速推导出价值。