關于人工智能的七大常見誤解與七個真相！

　　如果你是商界英才(而不是數(shù)據(jù)科學家或者機器學習專家)，你也許對主流媒體宣傳的人工智能(artificial intelligence，AI)已經(jīng)耳熟能詳了。你在《經(jīng)濟學人》和《名利場》雜志上讀過相關文章，你看到過特斯拉自動駕駛的煽情文章，聽到過史蒂芬?霍金講述人工智能威脅人類的聳人聽聞，甚至迪爾伯特關于人工智能和人類智能的玩笑你都知道。

　　此時，胸懷大志要把自己的生意做大做強的你，面對媒體關于人工智能的碎碎念，可能萌生了兩個疑問——

　　第一，人工智能的商業(yè)潛力是真是假?

　　第二，這玩意怎么用到我的生意上?

　　對第一個問題，答案是：千真萬確。今天的商業(yè)活動，可以開始應用人工智能來將要求人類智能的活動替換為自動處理以降低成本。人工智能可以允許你將一個需要人海戰(zhàn)術的工作通量增加100倍而成本減少90%。

　　第二個問題的答案要長一些。首先得消除主流媒體鼓吹導致的誤解。一旦誤解消除，我們才能為你介紹如何應用人工智能到自己的生意中去。

　　誤解一：人工智能是魔術

　　我們只需為大魔術師般的公司，如Google，F(xiàn)acebook，Apple，Amazon和Microsoft等鼓掌歡呼即可。這樣的描述只是在幫倒忙。如果我們想要人工智能應用到商業(yè)活動中，至少需要讓公司的執(zhí)行官們理解它。人工智能不是魔術。人工智能是數(shù)據(jù)、數(shù)學、模式和迭代。如果我們想要人工智能應用到商業(yè)活動中，我們必須更加透明，并解釋清楚人工智能的3個互相連鎖的關鍵概念。

　　1.訓練數(shù)據(jù)(TrainingData，TD)——

　　訓練數(shù)據(jù)是機器可以用來學習的起始數(shù)據(jù)集。訓練數(shù)據(jù)有輸入值和自帶答案的輸出值，這樣機器學習模型可以從答案中尋找模式。比如，輸入可以是客服單，帶有客戶和公司的客服代表之間的電子郵件。輸出可以是基于公司某個分類定義的從1到5的分類標簽。

　　2.機器學習(MachineLearning，ML)——

　　機器學習是軟件從訓練數(shù)據(jù)中學習到某種模式，并把它應用到新的輸入數(shù)據(jù)中。比如，一個新的客服單，帶有某位客戶和某位公司客服代表的郵件來了，機器學習模型可以預測出一個分類，告訴你它對該分類的把握有多大。機器學習的關鍵特征是，它不是通過固定的規(guī)則來學習。因此，當它消化新的數(shù)據(jù)后，它會調(diào)整其規(guī)則。

　　3.人機回圈(Human-in-the-Loop，HITL)——

　　人機回圈是人工智能的第三個核心成分。我們不能指望機器學習萬無一失。一個好的機器學習模型大概只有70%的準確性。因此你需要一個人機回圈流程，當模型的可信度低時，還可以依靠人。

　　因此，別被人工智能的神話愚弄了?，F(xiàn)在，有了人工智能的公式，在此基礎上，你可以對人工智能有一個基本的理解了。AI = TD + ML + HITL

　　誤解2：人工智能是給科技精英用的

　　媒體報道似乎暗示，人工智能只是科技精英的菜——只有像Amazon，Apple，F(xiàn)acebook，Google，IBM，Microsoft，Salesforce，Tesla，Uber這些公司能斥上億美金巨資組建龐大的機器學習專家團隊。這個概念是錯的。

　　今天，十萬美元即可在商業(yè)過程中開始應用人工智能。因此，如果你的公司是全美營業(yè)額在5千萬美元以上的26，000家公司之一，你就可以投入營業(yè)額的0.2%，來啟動人工智能。

　　因此，人工智能不只屬于高科技公司。它屬于任何行業(yè)。

　　誤解3：人工智能只解決億萬美元級的大問題

　　主流媒體敘說的故事，通常是未來式的例子，比如無人駕駛汽車，無人機投遞包裹。Google，Tesla和Uber這些公司投入了數(shù)億美元爭奪無人駕駛汽車領域的領先地位，因為“贏者通吃”的想法在作怪。這樣的故事給人工智能打上了“花費億萬美元開拓創(chuàng)新領域”的烙印。但事實并非如此。

　　人工智能也可以用幾百萬美元來解決現(xiàn)有問題。讓我解釋一下。任何生意的一個核心任務都是了解客戶。這在最早的市場——古希臘的阿格拉如此，在古羅馬的競技場里面對面做買賣時如此，在網(wǎng)購盛行的今天也如此。許多公司坐擁非結構化的客戶數(shù)據(jù)寶庫，有電子郵件，也有Twitter評論。人工智能可以用于解決客服單分類或者理解推文情感這樣的難題。

　　因此人工智能不止是為了解決如無人駕駛汽車這樣的億萬美元級“讓人興奮”的新問題，它也可以解決百萬美元級的現(xiàn)有“無聊”問題，如通過客服單分類或者社交媒體情感分析來了解你的客戶。

　　誤解4：算法比數(shù)據(jù)更重要

　　主流媒體對人工智能的報道偏重于關注機器學習算法，將其視為最重要的部分。主流媒體似乎把算法與人腦等同了。他們隱約傳達著這樣一個信息：復雜的算法最終會超越人類的大腦并創(chuàng)造奇跡。媒體拿機器在國際象棋和圍棋比賽里擊敗人類的故事作為例子。而且他們主要關注“深度神經(jīng)網(wǎng)絡”和“深度學習”，以及機器是如何做出決策。

　　這種報道給人的印象是，一個公司要想應用人工智能就需要聘請機器學習專家來建立完美的算法。但如果一個企業(yè)沒有思考如何獲得高質量的算法，即使機器學習模型經(jīng)過大量的特定訓練數(shù)據(jù)學習之后，仍然會產(chǎn)生一個與期望(“我們有一個偉大的算法”)不匹配的結果(“我們的模型的準確率只有60%”)。

　　現(xiàn)如今，沒有計劃或訓練數(shù)據(jù)的預算就從微軟，亞馬遜和谷歌購買商業(yè)機器學習的服務，就像買一輛無法接近加油站的車，只是買了一塊昂貴的金屬。汽車和汽油的類比有些不貼切，因為如果你給機器學習模型的訓練數(shù)據(jù)越多，機器學習模型就會越準確。這就像不斷給汽車加油，汽車的燃料利用率會不斷提高。訓練數(shù)據(jù)對于機器學習模型的重要性比汽油對汽車的重要性更高。如果想深入了解對這類誤解性的報道的話，你可以閱讀我們以前的帖子《更多的數(shù)據(jù)擊敗更好的算法》。

　　所以關鍵就是訓練數(shù)據(jù)的質量和數(shù)量至少是和算法一樣重要的，要確保你部署人工智能的計劃和預算反映這一點。