很容易誤解任何新技術(shù)。 人工智能方面顯然非常重要。 這與它的潛在影響力創(chuàng)造了一些神話有關(guān)。

“人工智能經(jīng)常被誤解。 因為我們需要探索廣闊的宇宙，所以探索未知可能會讓人感到困惑和焦慮，”工程總裁比爾·布羅克 (Bill Brock) 說。

對于試圖在企業(yè)中構(gòu)建 AI 應(yīng)用程序的 IT 領(lǐng)導(dǎo)者來說，這已成為一個特殊的問題。

“人工智能在企業(yè)中越來越普遍，但在應(yīng)用場景、如何改進(jìn)或更新過去的系統(tǒng)方面仍然存在很多誤解，”布洛克說，盡管有必要將“機器人成為”這個詞“浪漫化”同學(xué)”。 了解不同類型的技術(shù)如何增強我們的系統(tǒng)并創(chuàng)造更高效的環(huán)境。

事實上，“浪漫科技”才是Sky宣傳的主要內(nèi)容，并非戰(zhàn)略CIO通過AI實現(xiàn)的底線功效。

眾所周知，甜蜜的現(xiàn)實常常助長阻礙實現(xiàn)可行目標(biāo)的神話。 為此， 和在座的其他專家要求找出當(dāng)今企業(yè)中關(guān)于 AI 的常見迷思，以幫助 IT 領(lǐng)導(dǎo)者和其他業(yè)務(wù)專業(yè)人員區(qū)分事實與虛構(gòu)。

誤區(qū)一：人工智能等于機器學(xué)習(xí)

不，了解兩者之間的區(qū)別很重要。 機器學(xué)習(xí)更像是人工智能的一個子學(xué)科。

“我認(rèn)為在許多交易所中這些術(shù)語之間沒有區(qū)別，”研究科學(xué)家說，這是有問題的。

例如，如果公司領(lǐng)導(dǎo)認(rèn)為構(gòu)建分類模型無異于用數(shù)據(jù)支撐決策過程it技術(shù)，就會忽略構(gòu)建模型結(jié)構(gòu)和意義這一重要步驟。 這將導(dǎo)致公司對 AI 的投資不足，沒有足夠的人力來深入研究更大的環(huán)境，并最終失敗。

誤區(qū)二：人工智能和人工化是一回事

人工智能和人工化也經(jīng)常被混淆。 它們之間確實存在著重要的聯(lián)系。

“隨著人們對人工智能越來越熟悉，他們會明白這是一臺可以思考的機器，或者至少可以根據(jù)一組預(yù)定義的模型和算法做出明智的決定。 “自動化”只是沒有人為干預(yù)?！?完成工作。 “自動化并不一定意味著人工智能，但一些最具影響力的人工智能示例將以戲劇性的方式擴充手冊，”布羅克說。 “

誤區(qū) 3：更多的數(shù)據(jù)會帶來更好的 AI 結(jié)果 這些誤解非常深遠(yuǎn)。 雖然人工智能成功的唯一真正前提是“數(shù)據(jù)”。

目前，AI 和 ML 團(tuán)隊的工作幾乎完全集中在數(shù)據(jù)挖掘和清洗上。

“重要的不是數(shù)據(jù)的數(shù)量，而是質(zhì)量，” 首席數(shù)據(jù)官 Rick 說。 “很多標(biāo)記不當(dāng)或標(biāo)記不當(dāng)?shù)臄?shù)據(jù)不會讓你更接近結(jié)果。它們實際上可以通過‘準(zhǔn)確’來創(chuàng)建。結(jié)果會誤導(dǎo)建模者，因為殘差公式與樣本量成正比。 “

他說，從早期 AI 失敗中吸取的一個常見教訓(xùn)是，我們只是輸入大量數(shù)據(jù)并假設(shè)它有效。 在早期階段，大量的數(shù)據(jù)可能不會更好。

“質(zhì)量數(shù)據(jù)是有效算法不可或缺的一部分，”Very 的 Brock 說，并指出無論解決什么問題，不良數(shù)據(jù)都會導(dǎo)致不良結(jié)果。

“最佳實踐是使用結(jié)構(gòu)化方法和錯誤測試來創(chuàng)建更好的訓(xùn)練數(shù)據(jù)集，”建模者說，他實際上可以以更低的成本使用更小的數(shù)據(jù)集。

誤區(qū) 4：AI 從部署的那一刻起就會產(chǎn)生價值

并不是說數(shù)據(jù)多好。 其實隨著時間的推移會越來越有必要，但是數(shù)量和質(zhì)量一定要同步。 一般來說，沒有人期望人工智能計劃能帶來投資回報，但有時，很多人會不停地談?wù)撍灰蜷_它，你就能聽到它的魔力。

“AI 和 ML 引擎需要訓(xùn)練，需要大量數(shù)據(jù)才能學(xué)習(xí)?？梢圆シN一些數(shù)據(jù)，”CTO Javed 說，但大部分?jǐn)?shù)據(jù)來自部署領(lǐng)域和 AI/ML 系統(tǒng)的重點學(xué)習(xí)。 期待系統(tǒng)第三天的建議和意見是不合理的。 我們需要在各種環(huán)境中建立流程和分配資源，逐漸學(xué)習(xí)形成魔力。

誤區(qū)五：人工智能和機器學(xué)習(xí)基本上只是“軟件開發(fā)”

首席執(zhí)行官 Diego 認(rèn)為該組織對其他軟件開發(fā)采用相同的方法，但更接近 AI 和 ML。

“人工智能/機器學(xué)習(xí)開發(fā)只是軟件開發(fā)的一個神話，”奧本海默說。 事實上，導(dǎo)致大多數(shù) ML 項目失敗的一個重要因素是 ML 工作負(fù)載的行為與傳統(tǒng)軟件非常不同，需要不同的工具集。 ，大規(guī)模部署和管理基礎(chǔ)設(shè)施和流程。

奧本海默強調(diào)了以下問題：

1. 異構(gòu)性：語言和框架種類繁多且不斷減少。 2.可組合性：AI和ML涉及多組件協(xié)作，每個組件可以由不同的語言和不同的團(tuán)隊構(gòu)建。 3、開發(fā)過程：在傳統(tǒng)的軟件開發(fā)中，輸出的是“在受控環(huán)境中執(zhí)行的代碼”。 在機器學(xué)習(xí)中，輸出是“一個不斷發(fā)展的生態(tài)系統(tǒng)”。 這需要更多的迭代循環(huán)。 4. 硬件/基礎(chǔ)設(shè)施：CPU、TPU、GPU、邊緣計算和任何新的選擇，每個都有不同的優(yōu)勢和挑戰(zhàn)。 5、績效指標(biāo)：沒有一個標(biāo)準(zhǔn)的指標(biāo)適用于每個人甚至很多人。 誤區(qū) 6：AI 只是另一種需要考慮的“技術(shù)”

有時我們使用新舊比較來使令人生畏的事情看起來更容易處理。 雖然重現(xiàn)了往事。

據(jù)數(shù)據(jù)和人工智能首席執(zhí)行官蓋伊說，這可能會導(dǎo)致 IT 團(tuán)隊簡單地將人工智能視為另一個技術(shù)周期。 不是這些情況。

“人工智能更像是人類的大腦或身體：你使用它的次數(shù)越多，它就會變得越強大、越聰明，”他說。

他還指出，大多數(shù)技術(shù)都是“脆弱的”。 您使用它們的次數(shù)越多，它們看起來就越復(fù)雜，它們就越有可能損壞。

誤區(qū) 7：人工智能只適用于科技公司

不想。 AI 并不是所有業(yè)務(wù)問題的答案。

最壞的情況是企業(yè)可以選擇退出 AI 革命。 如果目前的趨勢繼續(xù)下去it技術(shù)，只會讓企業(yè)專注而不是引領(lǐng)。

他說，這個神話已經(jīng)滲透到商業(yè)世界，讓人覺得人工智能的早期開發(fā)者和采用者是技術(shù)最先進(jìn)、最先進(jìn)的公司。

誤區(qū) 8：AI 取代了對人類智能的需求

人工智能的神秘地位部分始于艾未未對人類智慧的追求。 此時，“機器人大師”的敘事開始進(jìn)入高潮。

“這些機器可以像它們獲得的數(shù)據(jù)和它們采取的行動一樣智能，”說。 “人工智能和機器學(xué)習(xí)可以幫助我們識別數(shù)據(jù)海洋中的模式，并在很少或沒有人為干預(yù)的情況下手動操作它們。 決策算法和模型仍然必須由人類提供。”

首席數(shù)據(jù)官麥克法蘭表示，人工智能“像人類一樣”學(xué)習(xí)實際上是一種誤解。

“人類在學(xué)習(xí)或解決問題方面具有先天優(yōu)勢。 就像，無趣，”麥克法蘭說。 “人工智能模型從不以自己的方式無聊或荒謬。他們從幾乎無限的可能性中尋求最佳答案。甚至陷入可能永遠(yuǎn)不會出現(xiàn)的'兔子洞'。相比之下，人類將厭倦追求無限的可能性，重新思考現(xiàn)狀，積極追求不同的道路。”