人工智能 就像个不时挪动的标靶，而企业要做的就是努力“正脱靶心”。

当然，当我们看到Alexa、Siri以及AlphaGO不时占据旧事头条的同时，不得不供认的另一个理想状况是——包括机器学习、深度学习等在内的诸多人工智能技术依然存在十分多的局限性，这还需求我们投入宏大的精神和工夫去克制。

为此，在明天的文章中，我们将片面讨论人工智能技术目后面临的妨碍以及对应的处理办法。

据 麦肯锡 全球研讨院在最近的研讨报告（相关文章《麦肯锡在全球调研剖析了160个案例，给出5个行业的34个AI使用场景》）中指出，行业中的指导企业往往更喜爱于对人工智能技术的投资和使用。

因而，要提升企业在将来的竞争力，就必需要有才能掌握更为充沛的信息以应对人工智能难题。换句话来说，我们不只需求了解AI在促进创新、洞察力以及决策、推进营收增长乃至改良效率程度等层面的理想意义，同时也有必要深化理解人工智能还无法完成价值的范畴。

应战、局限与机遇：从深度学习技术谈起

可以说，深度学习是人工智能范畴目前最受关注的开展效果，应用包括数百万个分层构建的模仿“神经元”的大型神经网络，它正在协助我们提升分类与预测的精确性。其中，最罕见的网络被称为卷积神经网络（简称CNN）与递归神经网络（简称RNN）。这些神经网络可以经过 数据 训练，并配合反向传达算法完成“学习”。

虽然这一技术曾经获得了一系列停顿，但需求留意的是，其中还有最关键的一步，就是如何将人工智能办法与成绩和可用数据婚配起来。由于这些零碎是“训练”而来，而非编程而来互联网思维，就是在(移动)互联网+、大数据、云计算等科技不断发展的背景下，对市场、用户、产品、企业价值链乃至对整个商业生态进行重新审视的思考方式。的，因而其学习进程往往需求少量标志数据才干精确执行复杂的义务。但是，获取大规模数据集往往相当困难，即便可以完成，标志任务也需求宏大的人力投入。

此外，我们很难判别深度学习训练所运用的数学模型要如何才干达成特定的预测、引荐或决策要求。这就是“黑匣子”成绩，即便模型可以支持完成既定的目的，但功效恐怕也将非常无限。思索到这一点，用户有时分确实需求理解这面前的运作原理，以及为何在特定状况下某些要素的权重要比其它要素更初等等。但是，这并不容易。

基于此，上面我聚焦消费升级、多维视频、家庭场景、数字营销、新零售等创新领域，为用户提供更多元、更前沿、更贴心的产品，满足用户日益多样化、个性化的需求。们罗列了人工智能技术及其使用目前存在的五大局限，以及与之对应的处理方案：

1、需求少量的数据标志

大少数现有的AI模型都是经过“监视学习”训练而成的。这意味着人类必需对样本数据停止标志与分类，但这一进程很能够存在一些难以发觉的错误。强化学习与生成式对立网络（GAN）是处理这一成绩的两个重要手腕。

强化学习。强化学习是一种无监视学习的办法，它允许算法经过重复实验完成学习义务。有点像是“胡萝卜加大棒”的复杂训练方式：即关于算法在执行义务时所做出的每一次尝试，假如其行为取得成功，则给予“报酬”（例如更高的分数）; 假如不成功，则给予“惩罚”。经过不时反复，使得学习环境可以精确反映理想状况，从而提升模型的效能。

目前这一办法曾经普遍使用于游戏范畴，AlphaGo就是一个典型例子。此外，强化学习还拥有在商业范畴使用的宏大潜力，比方，经过构建一套人工智能驱动型买卖组合，从而在盈利与盈余之间学习发现正确的买卖规律; 比方，打造产品引荐引擎，以积分方式为销售活动提供决策建议; 甚至以按时交付或增加燃油耗费作为报酬目标，开发运输道路选择的软件等等。

生成式对立网络。生成式对立网络是一种半监视学习的办法，经过两套互相对立的神经网络，不时完善各自对同一概念的了解。以辨认鸟类图像为例，一套网络担任正确分辨鸟类图像，而另一套网络则担任生成与鸟类十分类似的其它图像对前者停止迷惑。当两套网络的表现最终趋于波动时，其各自对鸟类图像也拥有了更为精确的认知。

生成式对立网络可以在一定水平上降低对数据集数量的要求。举例来说，经过训练算法从医学图像当中辨认不同类型的肿瘤时，以往迷信家们往往需求从人类标志的数百万张包括特定肿瘤类型或阶段的图像当中提取信息并创立数据集。但经过训练的生成式对立网络就可以经过绘制逼真的肿瘤图像，从而训练肿瘤检测算法，在此根底上将小型人类标志数据集与生成对立网络的输入后果相结合，疾速完成学习。

2、需求海量的数据集

目前，机器学习技术要求训练数据集不只包括人工正文信息，同时在体量上也需求够大、够片面。而深度学习也要求模型可以对不计其数条的数据记载停止学习，才干取得绝对理想的分类才能; 甚至在某些状况下，其需求学习的数据要到达数百万条才干完成与人类相近的判别精确率。举例来说，假如希望让自动驾驶车辆学会如何在多种天气条件下行驶，就需求在数据集当中输出能够遇到的各类不同环境条件。

但是，在理想使用中少量数据集往往很难获取。对此，一次性学习（One-shot learning）是一种可以增加对大型数据集需求的技术，只需求应用大批理想的演示或示例（在某些状况下甚至只需求单一示例）就可以完成学习，疾速掌握新技艺。如此一来，人工智能的决策行为将更接近于人类，即只需求单一的样本就可以准确辨认出同一类别的其它多种实例。

详细而言，数据迷信家们首先会在变化的虚拟环境中事后训练出一套模型，使其可以应用本身的知识顺利找到正确的处理方案。一次性学习通常被以为是计算机视觉中的对象分类成绩，旨在从一个或仅多数几个训练图像中学习关于对象类别的信息，并且曾经成功使用到包括计算机视觉和药物研发在内的具有高维数据的范畴。

3、 “黑匣子”成绩

可解释性关于人工智能零碎绝不是什么新成绩。随着深度学习的逐渐普及，其使用范围将不时扩展。但这也意味着，更为多样化以及更前沿的使用往往存在着更严重的不通明成绩。

规模更大、复杂度更高的模型使得人们很难解释计算机作出某项决策的缘由。但是，随着人工智能使用范围的扩展，监管机构将对人工智能模型的可解释性作出严厉规则。

对此，目前有两种新的办法用以进步模型的通明度，辨别为与模型有关的解释技术（Local Interpretable Model-Agnostic Explanations，简称LIME）与关注技术（attention techniques）（如图2）。

LIME办法是在一套经过训练的模型当中，确定其作出某个决策进程中更多依赖的那局部输出数据，并应用可解释代理模型对此停止预测。这种办法经过对特定的数据区段停止剖析，并察看预测后果的变化，从而对模型停止微调，最终构成更为准确的解释。

注技术（attention techniques）则是对模型以为最重要的输出数据停止可视化处置，并剖析这局部数据与所作出决策之间的关系。

 除此之外，还有另一种办法——狭义相加模型（简称GAM）（简称GAM）。线性模型复杂、直观、便于了解，但是，在理想生活中，变量的作用通常不是线性的，线性假定很能够不能满足实践需求，甚至直接违犯实践状况。狭义加性模型是一种自在灵敏的统计模型，它可以用来探测到非线性回归的影响。经过对单特征模型的应用，它可以限制不同变量的互相作用，从而确保每项特征的输入更容易被加以解释。

经过这些办法，我们正在渐渐揭开人工智能决策的“奥秘面纱”，这一点关于加强人工智能的采用范围具有极为重要的理想意义。

4、学习模型的“通用性”

与人类的学习方式不同，人工智能模型很难将其学习到的经历触类旁通。因而，即便在类似度很高的案例中，企业也必需屡次投入资源来训练新的模型，而这就意味着新的本钱。

处理这个成绩其中的一种的无效方式是迁移学习。即把一个范畴(即源范畴)的知识,迁移到另外一个范畴(即目的范畴),使得目的范畴可以获得更好的学习效果。在人工智能范畴，就是经过训练人工智能模型完成某项义务，并将其迅速迁移至另一项相似但有所不同的义务环境中来完成“触类旁通”。

随着迁移学习的逐渐成熟，其将可以协助企业更快构建起新型的使用顺序，并为现有的使用顺序提供更多功用。

举例来说，在创立虚拟助理时，迁移学习可以将用户在某一范畴（例如音乐）的偏好推行到其它范畴（例如书籍）。再比方，迁移学习还能协助石油自然气消费商，扩展AI算法训练规模，从而对管道及钻井平台等设备停止预测性维护。

另一种办法，是应用可以在多个成绩当中使用的狭义性架构。譬如DeepMind在AlphaZero当中就设计了一套对应三种不同游戏的架构模型。

5、数据与算法中的“成见”

假如输出的数据掺杂了人的偏好或许某些数据被疏忽、某些数据被侧重，那么就有能够使得算法后果存在“成见”。在详细的使用中，有能够形成错误的招聘决策、不当的迷信或医疗预测、不合理的金融形式或刑事司法决策，甚至在法律层面引发滥用成绩。但是，在大少数状况下，这些“成见”往往难以被发觉。

目前，业界正在停止多项研讨任务，从而树立最佳理论以处理学术、非营利与私营部门所面临的这一实践成绩。

企业应该如何击中“挪动中的标靶”

要处理下面提到的这些局限性难题，我们还有很长的路要走。但是，现实上，人工智能面临的最大局限能够在于我们的想象力。上面，麦肯锡为希望应用人工智能技术完成飞跃的企业指导者提出了一些建议：

做好功课，紧盯目的，并随时跟进。虽然大少数高管并不需求理解卷积神经网络与递归神经网络之间的区别，但也要对目前它们所能完成的功用有大致理解，在掌握其短期开展的能够性的同时着眼将来。

理解数据迷信与机器学习专家提出的专业知识，同时与AI先行者们停止交流，补齐本人的短板。

采用精准的数据战略。人工智能算法需求人为的协助与引导，为此，企业可以提早制定片面的数据战略。该战略不只需求关注对来自不同零碎的数据停止汇总的技术，同时还应关注数据可用性，以及数据的获取、标志、管理等义务。

虽然如上文所说，一些办法可以增加AI算法训练所需求的数据量，但监视式学习依然是目前的主流。同时，增加对数据的需求并不意味着不需求数据。因而，企业最关键的还是要理解并掌握本人的数据，并思索如何对其加以应用。

打通数据，横向考虑。迁移学习技术目前仍处于起步阶段。因而，假如您需求处理大型仓储体系的预测性维护成绩，您能否可以应用相反的处理方案支持消费产品？面对多种销售渠道，适用于其中之一的处理方案能否也可以作用于其它渠道？因而，要让算法可以“触类旁通”，还应该鼓舞业务部门停止数据共享，这关于将来人工智能的使用将具有十分重要的意义。

自动当一个先行者。当然，只是单纯跟受骗前的人工智能技术还缺乏以坚持企业临时的竞争优势。企业指导者需求鼓舞本人的数据迷信任务人员或协作同伴与内部专家协作，应用新兴技术来处理使用成绩。

此外，要随时理解技术的可行性与可用性。目前各类机器学习工具、数据集以及规范使用（包括语音、视觉与心情检测）类训练模型正失掉普遍使用。随时关注相关项目，并对其加以应用，将无效提升企业的先发优势。

这两年来，虽然人工智能技术曾经令人们变得兴奋不已，但实践上目前它的开展所需求的技术、工具与流程还没有完全成形，研讨人员正积极处理各类最为顺手的理想成绩，作为企业，如今应该做的就是抓紧工夫理解AI前沿所发作的一切，并以此为根底定位组织与学习思绪，最终应用甚至推进由此带来的一切能够性。