以下四個問題 可以判斷您的AI解決方案是否真的是AI

在流行語不斷出現(xiàn)的世界中，人工智能已經非常耐用。自從1950年代首次成為一種概念以來，一直存在著相對穩(wěn)定的技術，產品，服務和公司，它們聲稱是AI。您今天投資的解決方案很可能被稱為支持AI或機器學習驅動的解決方案。

但是，真的嗎?

對于大多數(shù)組織而言，當今的現(xiàn)實是，人工智能和機器學習在整個分析工作中只占很小的一部分。確實，總部位于倫敦的投資公司MMC Ventures進行的研究表明，歐洲40%的人工智能初創(chuàng)企業(yè)根本沒有使用任何AI。此外，許多初創(chuàng)公司和分析提供商的產品(即使相當先進)甚至都無法滿足基本AI的要求。

我們將AI定義為觀察，分析和學習的任何基于計算機的系統(tǒng)。這里的關鍵是這些系統(tǒng)是迭代的-它們在收集和分析更多數(shù)據(jù)時會變得更好，更準確，而無需人工干預。顧名思義，這些是學習的機器，無論學習多么簡單。

什么不是人工智能

正如定義將系統(tǒng)表征為AI的特征很重要一樣，識別什么不是AI也同樣重要。將先進的分析和計算技術誤用于AI和機器學習通常會導致混亂，以下部分詳細介紹了一些最常見的AI謬誤，供領導者理解。

1.僅僅因為系統(tǒng)使用算法??和高級統(tǒng)計信息，但這并不能使其成為AI。

算法只是解決問題的一組預定義步驟或規(guī)則。這些可能很簡單(想像一個if-then語句)，也可能很復雜(想像一個國際象棋游戲機)。但是，大多數(shù)算法都是靜態(tài)的：給定相同的輸入，它們將始終返回相同的輸出。也就是說，他們不適應或學習。

這些算法通常使用相關或回歸等標準統(tǒng)計模型進行編碼，這些模型非常善于在定義明確的數(shù)據(jù)中識別趨勢線。這些趨勢線使他們能夠基于一組過去狀態(tài)提供對未來狀態(tài)的預測。但是，真正的AI能夠處理結構，定義不完善甚至數(shù)字化的數(shù)據(jù)。人工智能和機器學習的一些最大突破來自自然語言，圖像和視頻數(shù)據(jù)產生的見解。

2.僅僅因為系統(tǒng)回答了問題，但這并不能使它成為AI。

有很多技術，例如對話代理，都能夠回答向他們提出的問題?；叵胍幌?980年代和1990年代流行的決策支持系統(tǒng)。這些工具可通過數(shù)字儀表板提供對各種問題的自動響應，并且這些系統(tǒng)的版本甚至在今天仍存在，可用于庫存管理和銷售預測等任務。在大多數(shù)情況下，他們可以通過將問題與預先填充的答案的數(shù)據(jù)庫進行匹配(例如軟件的“幫助”功能)，或者通過將算法應用于數(shù)據(jù)來計算答案。如果在數(shù)據(jù)庫中找不到合適的內容，則有些人會通過搜索互聯(lián)網走得更遠。這些系統(tǒng)中的大多數(shù)都沒有能力將問題放在上下文中，也無法從過去答案的準確性中學習。因此，它們不具備AI資格。

3.僅僅因為一個系統(tǒng)被宣傳為AI，就不能使它成為AI。

我們遇到了許多初創(chuàng)公司，供應商和“分析”提供商，他們通過提供先進的AI /機器學習解決方案而自我提升。不幸的是，我們對其中大多數(shù)感到失望。盡管它們確實確實擅長高級統(tǒng)計方法，但它們無法從結構化和非結構化數(shù)據(jù)(尤其是構建有用模型通常需要的大量數(shù)據(jù))中構建學習模型。

AI 真正做什么?

為了評估您正在評估的策略或方法是否需要人工智能，讓我們回到我們對AI的定義，即任何觀察，分析和學習的基于計算機的系統(tǒng)。

首先，它需要觀察。這意味著它需要能夠擴展其信息和見解數(shù)據(jù)庫。豐富而靜態(tài)的數(shù)據(jù)集是不夠的，因為它在創(chuàng)建時就過時了。因此，真正的AI系統(tǒng)能夠感知其自身的環(huán)境并以接近實時的方式增強其知識基礎。大多數(shù)特斯拉汽車都有至少21個傳感器，包括攝像頭，超聲波傳感器和雷達。這些傳感器的目的是觀察汽車周圍的環(huán)境并將實時信息提供給強大的車載自動駕駛系統(tǒng)。基于AI的數(shù)字營銷初創(chuàng)公司OrangeShark會密切跟蹤過去廣告效果的各種指標，并自動調整廣告展示位置，以針對未來廣告的創(chuàng)意內容為目標。

其次，人工智能需要分析—即了解其環(huán)境。AI系統(tǒng)需要能夠分析它觀察和收集的信息，即使該信息非?；靵y。因此，它需要具有高級工具才能在非常嘈雜的數(shù)據(jù)集中找到信號。特斯拉(Tesla)的車載計算機會分析其收集的圖像，斑點和其他數(shù)據(jù)，以了解其周圍環(huán)境，從而實現(xiàn)多個駕駛決策的自動化。Gong.io通過分析銷售電話的各個方面(包括語音情感和語氣)來幫助高影響力B2B環(huán)境中的銷售人員。利用這些數(shù)據(jù)，公司和銷售專業(yè)人員可以得出許多與直覺相反的見解-例如，積極情緒較高的電話實際上比積極情緒較低的電話的成交率低。

第三，人工智能系統(tǒng)需要能夠學習。這第三個標準是AI系統(tǒng)與普通數(shù)據(jù)科學之間最重要的區(qū)別。測試，學習和改進的能力僅適用于當今最先進的機器學習系統(tǒng)。這些系統(tǒng)能夠主動進行假設，創(chuàng)建和檢驗假設并從中學習。因此，隨著時間的推移它們變得更加準確。特斯拉的無人駕駛技術每行駛一公里，就會變得更加智能。它通過觀察和分析來自數(shù)十萬輛特斯拉汽車的數(shù)據(jù)，然后從這些數(shù)據(jù)中學習以提高自動駕駛能力來做到這一點。它可能會學會區(qū)分道路中間的動物和被風吹來的塑料袋，從而弄清楚它首先需要停止，而第二次可以安全地繼續(xù)行駛。如今，包括Netflix和Stitch Fix所使用的推薦系統(tǒng)在內的一些推薦系統(tǒng)(當他們對您的首選項知之甚少時)就開始提出通用推薦。隨著時間的推移，他們會從您的選擇中吸取教訓，并不斷改進以提出更具針對性的個性化建議，這是沒有機器學習的系統(tǒng)所缺乏的能力。