AI中国网 https: //www.cnaiplus.com
误解6：“所有的人工智能黑盒子都需要是可解释的。”
事实上并非如此。不同的业务线、客户、参与者、监管机构，对隐私、安全、算法透明度和科技伦理有不同的要求，根据这些要求，AI的可解释性也会有不同。比如，作为系统组成部分的AI模块，对可解释性的要求就不高。然而，如果涉及刑事判决、信贷资格、非歧视性雇佣等与人相关的决定，就需要AI有较高的可解释性。再如，像自动驾驶这样的技术，由于伦理和法律原因，也需要较高的可解释性。
如果你需要使用这个“黑盒子”，以下三点建议可能会有帮助：
1.解决同一个问题可以选择不同的AI模型，有的模型更具有可解释性，有的模型性能更好，你需要权衡哪种模型最适合当前的业务环境；
2.尽可能向客户和相关人员公开不涉及隐私和保密性的训练数据，让人工智能模型的输入步骤、训练步骤和输出步骤更加透明；
3.咨询相关业务部门或法律部门，以确定对可解释性的要求。将人工智能模型放在特定的场景中，并定义好人工智能模块如何嵌入到业务整体解决方案当中发挥功效。
误解7：“DNN（深度神经网络）是最好的人工智能方法。”
什么是“最好的人工智能方法”？每隔一段时间就会有一种新的方法来竞争这个头衔，目前呼声最高的就是DNN。然而，任何技术都有其最合适的领域，没有一种技术是所有问题的最优解。虽然DNN在很多领域都带来重大突破，但是很多AI问题也可以通过基于规则的系统或传统的ML有效地解决，这样做的成本和风险更低。Kaggle网站（2010年创立于墨尔本，是一个举办ML竞赛、托管数据库、编写和分享代码的著名平台，已吸引了大约80万名数据科学家的关注）就是一个很好的例子，这里发布的很多AI问题仍然是通过集成技术来解决的，集成技术结合了各种传统的ML算法，而不仅是深度学习。
另外，比如DNN，较为传统的ML算法在诸多领域具有相对优势。一个典型的例子是“小样本”条件下的建模问题，小样本指的是训练数据的规模相对较小。例如，军事上要对敌方无人机的电磁信号进行探测，就不可能采集到大量的有标注的数据样本。在几十个样本甚至更少的条件下，DNN因为网络层数很深，总体的神经元数量太多，参数估计变得非常困难，导致其性能往往不如传统的擅长小样本学习的ML算法，如支持向量机（Support Vector Machine，SVM）算法，或者基于军事专家知识形成的决策树算法（Decision Tree）。
那么，在实际工作中，如何选择最合适的AI方法呢？这里有两个建议：
1.以实用指标来选择最佳的解决方案，例如：AI应该在本地运行还是在云端运行？解决方案的性能是否足够好？能否解释AI模型输出结果的准确性？
2.优先使用传统的ML方法，只有当这些方法被认为不够好的时候，才使用深度学习。
误解8：“人工智能只会取代不需要高学历的重复性工作。”
“人工智能只取代不需要高学历的重复性工作”这个看法，确实是普遍存在的。而其实，根据估计，AI能够对至少70%的工作领域进行优化。目前，AI技术正在深入到工作的各个场景中，而不仅仅是取代一般的重复性工作。AI通过在复杂的非结构化数据（如图像、音频和文档）或结构化历史数据中查找模式，使企业能够通过预测、分类和聚类，做出更高质量的决策。
比如，在法律领域，AI不仅可以完成重复、乏味、低技能的任务，而且可以在几分钟内读取数千份法律合同中的关键信息，与律师相比，能够速度更快、错误更少地提取所有有用的信息。
在图像识别领域，深度学习算法在某些感知任务上比人类完成得更好更快。例如，在检查胸部X光片时，AI能够比放射科医生更快地发现一些典型的疾病。
AI也被用于撰写体育赛事的文章，确定酒店房间和机票的价格，在金融服务公司提供财富管理。
AI还可用于确定保险索赔的支付时间和金额，确定在网上用户面前投放哪些广告（如谷歌和百度广告投放），执行外汇交易，等等。
作为企业管理者，面对这样一个现实，你应该怎么做？这里有两条建议：
1.评估AI对现有业务的价值，确定AI可以增强或自动化的环节。然后重新定义工作流程，调整长期规划以配合更高的生产效率，并为现有员工启动再培训计划；
2.与员工和其他利益相关者进行坦诚的沟通，为即将到来的变革做好准备。
误解9：“我们不需要人工智能策略，人工智能还不适用于我们的业务。”
实际工作中，抱有这个观念的管理者相当多。然而，AI的发展如此迅猛，对市场的影响是如此深远，如果不去审视企业与AI的关系，可能会造成企业未来处于竞争劣势。我们认为，企业管理者应当做到以下三点：
1.企业应该基于对自身、对整个市场、对竞争对手的三到五年预测，做出一个人工智能战略。无论是采用AI还是采用非AI的工作方式，都不应该是随波逐流的，而应该是经过慎重考虑的、有目的的决定，而且应当定期审视这些决定；
2.调查现有的或潜在的竞争对手，了解同行的业务动向；寻找实施和落地周期较短的AI应用机会，尤其是那些增强人工操作、避免重复性劳动、辅助决策和人机交互的机会；
3.与相关的同行进行战略合作，深入开展关键业务的合作，洞察最有前景的人工智能使用场景。
误解10：“必须选择最知名的那一个AI平台提供商。”
选择平台不应该只考虑它的知名度，而是应该根据你的企业/组织目前的需求和条件来慎重考虑。云服务提供商、系统集成商和专用的数据科学与ML平台供应商，都是可行的选择。
对于选择AI平台提供商的具体操作，这里有三个建议：
1.在探索AI服务落地的同时，优先选择组织内部现有的云供应商，在产品的组合创新、功能改善、集成部署等环节中，会有更好的兼容性、更小的实现阻力和更大的可扩展性；
2.可以优先选择内部青睐的系统集成商，进行特定的AI应用模型的开发，利用预训练的模型，进行快速的集成。同时，应该评估集成商的优势领域，跟踪需求变化，审查AI模型的知识产权等；
3.还有一种选择是通过AI数据科学和ML平台供应商，基于基础的算法库、软件API接口，进行自定义的AI应用开发。同时需要注意成本的控制、可访问性和开发周期的控制。
结语
2019年5月24日，《中国新一代人工智能发展报告2019》发布，指出人工智能正在从少数大国关注走向全球布局的新格局。中国人工智能迅猛发展，论文发文量居全球最高，企业数量、融资规模居全球第二。在这样的局势之下，中国的企业管理者对AI的巨大潜力和目前进展要有更加明确的认识。对于企业管理者，我们从三个方向给出了建议：一是准确地定义AI能够解决的业务问题，二是监管AI模型的局限性和潜在风险，三是根据实用指标、可解释性、自身业务流程与场景特点等角度选择技术途径。希望企业能够用合理的方式设计未来战略或增强现有战略，从而实现业务价值。未来可期，让我们一起努力。
AI中国网 https: //www.cnaiplus.com
本文网址：
