人工智能的五个神话

人工智能（AI）风靡一时-从自动驾驶汽车和Siri个人助理，到聊天机器人和电子邮件安排员工，他们将从人手中完成日常任务。每个技术组织-无论是创业还是长期建立-现在都在其产品中都有“AI”，而且许多技术组织都在承诺，我们应该说是有抱负的功能。对于试图弄清楚这种令人困惑的景观的高管来说，能够将现实与市场中的神话分开是至关重要的。

年，艾伦·图灵设计了同名的图灵测试，以解决机器是否可以思考的问题。在这个测试中，一个人通过书面文本询问“认知”机器和人类的问题。为了使机器通过测试，该人必须无法区分哪些答案来自机器，哪些答案来自人类应答者。但是机器通过这个测试的频率是多少？不是特别的。此时，机器无法回答问题并以人们的方式进行互动。像智能助手这样的应用程序开始模仿这种能力，但它们依赖于信息源的精心开发，使其能够正确运行并准确地解释和回答问题。对于研究人工智能潜力的许多商业和技术领导者而言，这一过程的运作机制是神秘的。很容易受到流行的神话和对空间的误解的误导。以下是一些关于人工智能的神话，您应该了解这些神话，以便更好地决定在何处投入时间和资源。

误区1：

人工智能算法可以神奇地理解你的任何和所有凌乱的数据。

现实：

AI不是“加载和运行”，数据的质量比算法更重要。AI工具最重要的输入是数据-不仅是数据，而是正确的数据。这意味着与问题相关的数据正在被解决，并且特定于一组用例和知识领域。技术行业中的许多人错误地声称AI解决方案只能指向数据，并且正确的答案将由强大的机器学习算法产生。我听过的术语是“加载和运行”，其中“所有”数据被摄入系统。

这种方法的问题在于明确和编纂的企业知识的广阔前景。AI无法理解太宽泛或未经过系统处理的数据处理过的数据。当IBM研究人员开发Watson来玩Jeopardy时，他们发现加载某些信息源会对性能产生负面影响。人工智能系统不需要摄取任何东西，而是需要经过精心策划并具有高质量的信息和内容。无论系统是什么，不良数据都会提供不良结果。算法是程序，程序需要良好的数据。当系统使用“机器学习”时，程序通过连续近似得到答案，并通过调整处理数据的方式“学习”获得答案的最佳方法。拥有正确的数据比算法更重要。

误区2：

您需要数据科学家，机器学习专家和巨额预算才能将AI用于业务。

现实：

许多工具越来越多地面向商业用户，不需要Google规模的投资。某些类型的AI应用确实需要博士和计算语言学家的大力提升;然而，越来越多使用AI的软件工具越来越容易被业务用户访问。人工智能技术的一端确实需要在编程语言和复杂技术方面的深厚专业知识。大多数组织将选择利用基于Google，Apple，亚马逊，Facebook和资金充足的初创公司等公司构建的工具开发的业务应用程序。

例如，亚马逊的Alexa已经解决了与扬声器无关的语音识别和噪声消除技术这一难以解决的问题，该技术允许在不太理想的环境中使用语音命令（即声学效果差的嘈杂房间）。为业务应用程序开发语音接口然后变得更容易解决（但不是微不足道）。业务价值在于使用现有的AI工具来处理应用程序的组件，并根据业务的特定需求配置这些组件。该过程需要较少的数据科学专业知识和更多的核心业务流程和需求知识。

“训练”人工智能是一个有点神秘的概念，经常被技术语言所笼罩，被认为只是数据科学家的任务。然而，对于某些应用程序（例如支持客户服务的聊天机器人），用于训练AI系统的信息通常与呼叫中心员工为完成其工作所需的信息相同。技术人员的作用是将AI模块连接在一起并与现有的企业系统集成。其他专家也参与了该过程（内容专家，对话设计师，用户体验专家，信息架构师等）。

误区3：

“认知AI”技术能够以人类大脑的方式理解和解决新问题。

现实：

“认知”技术无法解决他们无法解决的问题。所谓的“认知”技术可以解决通常需要人类解释和判断的问题类型，标准编程方法无法解决这些问题。这些问题包括使用模糊语言，图像识别以及无法预测精确条件和结果的复杂任务的执行。第一个例子可能是从特定情境中的使用来解释“股票”的正确含义-无论是零售商手头上的东西还是财务顾问推荐的工具。通过使用定义不同元素之间关系的本体，系统可以通过从句子语法，用法和其他上下文线索中解释正确的用法来区分这两个含义。第二个例子是在不同的照明，风景或物理定位条件下识别人，动物或其他图像。第三个例子（具有未知结果的复杂任务）将在不断变化的条件下导航物理空间，如自动驾驶车辆或制造机器人。

认知AI模拟人类如何处理歧义和细微差别;但是，我们距离人工智能还有很长的路要走，可以将学习扩展到新的问题领域。人工智能与训练的数据一样好，人类仍然需要定义场景和用例。在这些场景中，认知AI提供了重要的价值，但AI无法定义可以成功运行的新场景。这种能力被称为“一般人工智能”，关于何时会出现这种能力存在很多争议。对于计算机来回答广泛的问题并解决问题，人类的做法将需要尚未出现的技术突破。（见误区4）。

误区4：

使用“神经网络”进行机器学习意味着计算机可以学习人类学习的方式。

现实：

神经网络是强大的，但距离实现人类大脑的复杂性或模仿人类能力还有很长的路要走。为AI提供动力的最令人兴奋的方法之一是使用“深度学习”，它建立在所谓的“人工神经网络”之上。这种设计允许计算机芯片仿效生物神经元学习识别模式的方式。该方法被用于解决许多挑战，从改进语言翻译到语音识别，欺诈识别，图像识别和自动驾驶汽车。

虽然神经网络可以解决许多类型的问题，但它们无法实现人类思维特征的各种概念和信息源的创造性综合。有些人认为，扮演Jeopardy的Watson电脑的功能展现了这种创造性的概念合成。它确实模仿了将不同概念联系起来的广泛能力。例如，当给出线索时：“一个泡沫馅饼顶部发出的冗长，令人厌倦的演讲”Watson提出“什么是蛋白酥皮-讨论？”

Watson作为一项强大的技术获得了广泛的认可，而Jeopardy的胜利是一项了不起的成就。但是，如果没有大量工作，这种成功并不会转化为每个领域，问题和信息来源。Jeopardy项目使用精心挑选的来源和精细调整的算法。它需要三年的努力和万美元。

人脑包含更多的亿个神经元，每个神经元通过突触连接多达10,个其他神经元。然而，突触不像开关。它可以包含多达1,个分子开关。除此之外，还有大约种神经递质调节神经元的通信方式，复杂程度令人惊讶。据估计，人类的大脑比地球上的所有计算机，路由器和互联网连接都有更多的交换机。因此，现在可用的技术不能重复人类思想，这并不奇怪。

误区5：

人工智能将取代人类并使联络中心的工作变得过时。

现实：

人工智能与其他技术进步没有区别，因为它可以帮助人们提高效率，提高处理效率。在整个历史中，技术一直在威胁就业和取代工作岗位。电话交换技术取代了人类操作员自动呼叫导演取代了接待员。文字处理和语音邮件取代了秘书，电子邮件取代了办公室之间的信使。呼叫中心技术创新在提升客户服务能力的各个阶段增加了效率和有效性-从使用机器学习招聘新代表到筛选简历，到根据特定学习方式选择正确的培训计划，根据情感调用路由。代表的调用和处置，以整合各种信息源和通信渠道。在每个过程中，技术增强都增强了人类的能力。是否取代了一些工作？也许，但创造了更多的就业机会。

AI驱动的聊天机器人和虚拟助手的使用是这种持续发展的又一次迭代。它需要被视为增强而不是完全自动化和替换。人类参与，机器简化。循环中的人类总是需要在某种程度上与人类进行交互。机器人和数字化工作者将实现未来的“超级企业社会责任”，并通过降低成本实现更高水平的服务。与此同时，我们世界的信息复杂性正在增加，并促使人们需要做出判断。一些工作将会丢失，但关键决策点人员互动的需求和愿望将会增加，CSR的角色将从回答死记硬背问题转变为更高层次的更好的客户服务，特别是对于需要情感参与和判断的交互。

结论

最重要的是，虽然你不应该相信神话，但你应该相信AI。它是人类如何使用工具和技术的必然演变的一部分。您的组织需要继续阻止和处理核心客户服务，同时仔细研究为呼叫中心流程提高效率和效率的新方法。由AI驱动的数字化工作人员在这里-他们已经在使用现有技术为您工作，使用AI。现在的工作是将这种增强提升到一个新的水平。

转载请注明：http://www.meifashipin.net/jxwyzyz/11105.html