
作者 | Daniel Newman
编译 | 张大笔茹
来源|网络大数据
4 Growing Enterprise AI Trends: Where Are We Now And Where Are We Going?
人工智能比传统的工业自动化和数据处理更牛吗?
答案是肯定的!现在一些诸如图像识别、自然语言处理等AI基本功能已经发展成熟,随着研究的不断深入,AI将来一定会变得越来越强大,能实现的功能也越来越多。
根据麦肯锡预计,到2030年GDP的增长中将会有13万亿美元是来自AI,AI会影响到零售、旅游、交通、物流、医疗、制造业等各个方面,吴恩达也呼吁,企业要设立CAIO(首席人工智能官)。
那现在的人工智能在企业的应用现状如何呢?将来会有怎样的发展?近日,福布斯的一份报道总结了人工智能在企业的四个应用方面和发展趋势,快跟文摘菌一起看看吧。
趋势1:AI必然会超越传统分析
大多数公司已经开始使用一些常见的人工智能功能,而且用户们也基本满意。其中包括个性化定制(个性化广告、电子邮件、自动文本等)和精准营销(您在Spotify,Netflix或亚马逊购物卡等应用上看到的那些推荐)以及其他的营销技术,现在广泛使用的功能是适用于任何规模的企业的。
许多技术也比较成熟了:其中最重要的是机器人流程自动化(RPA)。RPA是AI的初级成果,它即智能又简单。RPA侧重于自动化一个流程,而不是整个企业的垂直流程。
RPA虽然为公司节省了大量的时间和金钱,但尚未达到一定规模。有许多公司最近才刚开始使用RPA技术,而积累一定用户的公司已经开始着手开始进一步流程优化了。
现在既然许多公司已经掌握了基础知识,早期尝到甜头的公司就会想走得更远。他们越来越多地关注AI和ML驱动的预测分析,即企业从数据(特别是实时数据)中提取更多的有价值的信息,甚至利用这些信息做出决策。对知识图谱的理解也更加深入,人工智能可以根据大量数据分析出我们从未想到过的结果。
趋势2:企业使用AI还是会有一定门槛
事实上,目前企业完成人工智能项目还是有难度的。许多公司的项目要么超期,要么需要花很多时间来建立相应的系统,Pactera技术公司最近的一份报告反映了Gartner之前报道的问题:85%的企业AI项目无法如期交付。
Dimensional Research最近发布的另一份报告显示,在人工智能和机器学习方面,每10家企业就有8个表示这他们的AI项目是停滞不前的,而96%的人表示他们在数据质量、数据分类和建模的置信度上遇到了问题。即使像IBM,Uber和亚马逊这样的高科技巨头也不得不在面临巨大的挑战时放弃一些数百万美元的大项目。
这时候是否还要坚持下去呢?其实大可不必!目前对于在AI项目中什么该做,什么不该做已经有足够的总结经验了。一些常见的误区有:起始目标不明确,太多数据(或不当使用数据),使用错误算法,交付成果的周期过长(应该在工作过程中实时检查,保持平衡)。
趋势3:交互性和人性化更强
随着强化学习领域技术的重大进步,人工智能能够通过完成特定目标获得反馈,AI开始变得有“意识”起来。它开始以一种类似人类的但奇怪的方式思考,这也意味着它也有能力开始工作了。人工智能似乎已经到了无限趋近人类的三岔口。
AI正在朝着能够流畅地与人类对话这个目标迈进,初创公司和技术领导者都在争夺聊天机器人,它们不仅能回答问题,而且还具有先进的推理功能。谷歌,微软,亚马逊和IBM都想在会话式人工智能方面取得进步,让AI学会人性化的沟通,就是说人工智能可以根据场景的变化灵活应变。
会话式人工智能的实现需要有力的后端支撑—比如说更强大的硬件。这使得像英特尔这样的公司开始研发用专用推理芯片,以及开发他们声称可以加快计算机深度学习推理过程的DL boost技术。GPU也是竞争越来越激烈,传统上专注于训练的GPU也变得越来越有推断能力,上周NVIDIA公布了一项会话式AI,展示了GPU如何通过推理,实现延迟更短、更自然、更人性化的对话体验。
趋势4:道德问题始终会是个问号
随着人工智能确实变得更加人性化,企业也开始意识到使用,如果AI使用不当会产生严重后果,不仅仅是失业问题,AI算法会是在“不经意间”建立的,且是有偏见的。例如,白人男性写的用于招募的AI软件可能“意外地”选择白人男性作为高度匹配的应聘特征,或者在人脸识别上更多的关注白人。
特别是像IBM这样的公司,他们不仅使用人工智招聘,还用它评价员工的工作表现。你会信任一个机器人来评判你的工作表现吗?来决定你是否应该加薪?这公平吗?
未来,会有更多的与AI相关的道德规范出台。例如,甲骨文建立了一个道德委员会来讨论公平性、问责制和算法的透明度等问题。
IBM也正在研究“可解释的AI”,Microsoft制定了使用聊天机器人责任的指导原则(例如,公司应始终提醒客户他们正在与机器人而不是人进行通信,并提醒他们注意限制)。
由于担心隐私泄露的道德问题,有的城市停止使用人工智能程序面部识别功能,亚马逊也因为同样的原因叫停了员工监控跟踪AI。
人们开始明白虽然人工智能力量强大,现在相互提取或处理的数据类型是没有限制的。但我们必须回答的问题是:应该这样做吗?
展望未来,公司应制定合理的人工智能的发展路线,并且建立例行审计制度来确保他们的人工智能在管理员的掌控之下。这个过程也许会伴随着无休止的辩论:它在哪些方面进行了优化?是否会取代人类?如何对其进行监管以及道德风控等。人工智能的未来令人兴奋,与此同时,这或许也是一个疯狂的旅程。
但是有一点是确定的,那就是人工智能时代已经到来!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15