IT思维

公众号/AI前线

作者 | Vikram Mahidhar

译者 | Sambodhi

编辑 | Natalie

AI 前线导读：元末明初的陶宗义曾在《南村缀耕录》写道：五台山有鸟，名曰寒号虫。 当盛暑时，文采绚烂，乃自鸣曰：“凤凰不如我！” 比至深冬严寒之际，毛羽脱落，索然如鷇雏，遂自鸣曰：“得过且过。”

这篇就是现在小学二年级的课文《寒号鸟的故事》的原型。在人工智能风起云涌的今天，有些公司对人工智能的态度，又何尝不是 “寒号鸟” 呢？我们已经真真切切生活在人工智能时代了。这是最好的时代，也是最坏的时代。这个时代的伟大之处在于，它永远在更新，永远在前进；但是这个时代的悲哀之处在于，跟不上时代的人，可能永远就跟不上了。

更多优质内容请关注微信公众号“AI 前线”（ID：ai-front）

尽管一些公司，如大多数大型银行、Ford（福特汽车）和 GM（通用汽车）、Pfizer（辉瑞，总部位于纽约的跨国制药公司），以及几乎所有的科技公司，都在积极拥抱人工智能。然而，还有很多公司并没有这么做。相反，它们都在观望，等待这一天的到来：技术成熟，人工智能专业知识得到更广泛的应用。它们都在盘算小九九，想当一个 “后起之秀”，这是一种与大多数信息技术合作的策略。

我们认为，这并不是一个好主意。诚然，有些技术确实需要进一步的发展，但有些技术（像传统的机器学习）已经相当成熟，并以某种形式存在了几十年。更近一些的技术，如深度学习，就是基于上世纪 80 年代的研究成果。新的研究一直在进行，但目前人工智能的数学和统计基础已确立。

除了技术成熟度的问题之外，还有其他几个问题：即一旦技术变得更有能力，公司就能够迅速采用的想法。首先，开发人工智能系统需要时间。如果这些系统是完全通用的，那么它们可能不会为你的业务增加什么价值，因此，要根据你的业务及其中的特定知识领域来对它们进行定制和配置，而这就需要时间。如果你采用的人工智能使用的是机器学习，那么你就必须收集大量的训练数据。如果它操纵的是语言，就像自然语言处理应用那样，那么让系统启动和运行起来就可能会更加困难。需要将分类学和当地知识集成到人工智能系统中，类似于用于专家系统的旧的 “知识工程” 活动。这种类型的人工智能不仅仅是一个软件编码的问题，还是一个知识编码的问题。发现、消除歧义和部署知识，无一例外都需要时间。

特别是，如果供应商或顾问没有为你的知识领域建模，那么架构师通常就需要耗费数月的时间。对于复杂的知识领域尤为如此。例如，凯特琳癌症研究中心（Memorial Sloan Kettering Cancer Center）与 IBM 合作，使用 Waston 治疗某些类型的癌症已有六年多的时间，尽管在癌症护理和人工智能方面拥有高素质的人才，但这个系统仍然没有做好广泛应用的准备。有些领域和业务问题需要具备必要的知识工程。但是，它仍然需要根据公司的具体业务环境进行操纵。

即使你的系统已经构建完成，但也存在将人工智能系统整合到你组织中的问题。除非你使用的是嵌入在公司已使用的现有应用系统中的某些人工智能功能（如 CRM 系统中的 Salesforce Einstein），否则，要与你的业务流程和 IT 架构相适应，就需要大量的规划和适应时间。从试点和原型过渡到人工智能生产系统，这一过程可能既困难又耗时。

就算你的组织擅长将试点和原型迁移到生产中，也必须重新设计业务流程，以对你的业务和行业产生全面的影响。在多数情况下，人工智能支持的是单个任务，而不是整个业务流程。因此，需要重新设计业务流程和针对它的新人工任务。例如，如果你希望影响客户参与，那么你就需要开发或调整与营销、销售和服务关系不同方面相关的多个人工智能应用和任务。

最后，人工智能还需要克服人类的挑战。很少有人工智能系统能够做到完全自主，它们更关注的是人工智能的增强和那些由人类完成的工作。新的人工智能系统通常意味着与它们一起工作的人们需要转变新角色，掌握新技能。而且，要重新培训员工熟悉新的流程和系统，通常需要相当长的时间。例如，向客户提供 “机器人咨询” 的投资咨询公司，往往试图让人力顾问将注意力转移到“行为金融”，或提供建议和“助推”（nudges），以鼓励明智的投资决策和投资行动。但是这种技巧，与提供有关购买购票和债券的建议截然不同，需要一些时间来反复灌输。

即使人工智能系统的目标是达到完全自主，也可能需要一段时间的增强模式。在此期间，机器学习的关键部分，是通过系统与人类用户和观察者之间的交互实现的。这就是交互学习，是组织了解系统如何与其生态系统交互的关键步骤。它们通常可以收集新的数据集，并在这段时间内开始将其转化为算法，通常需要耗费数月或数年的时间。

虽然应用人工智能系统的目的是提供指数缩放和预测，但它们需要一种新的管理方法，比传统的控制和测试驱动方法要更为广泛。人工智能算法的效率会随着时间的推移而下降，因为它们是基于历史数据和最近的业务知识构建的。当机器从新数据中的模式中学习时，算法可以得到更新，但它们需要由主题专家监控，以确保机器能够正确地解释业务环境的变化。算法还必须连续监测偏差。例如，如果人工智能系统经过训练，能够根据客户人口统计数据来创建产品推荐，并且新数据中的人口统计数据发生了显著的变化，就有可能会提供有偏见的推荐。

管理还包括监视客户欺诈行为。随着系统变得智能化，用户也会变得更加聪明。他们可能会试图用欺诈性的数据和活动来玩弄这些系统。监视和预防客户的欺诈行为需要在你的业务环境中部署复杂的仪器，并配置人工监视。

因此，要开发和完全实现人工智能系统，可能需要很长的时间，而且在必要步骤上几乎没有捷径可走。一旦成功实施，规模化可能会非常迅速——尤其是如果公司拥有丰富的数据供应并掌握知识工程。当晚期采用者刚完成所有必要的准备工作时，早期采用者早就占据了相当大的市场份额——他们将能够以更低的成本、更好的性能来运营。简而言之，可能会出现赢者恒赢的局面，后来者可能永远再也赶不上了。例如，想一想 Pfizer 这样的公司吧，这家公司的学习经验和能力，据该公司的分析和人工智能实验室的主管称，他们已经积累了 150 多项人工智能项目在进行。像 Alphabet 这样的科技公司则拥有更多的学习经验，早在 2015 年，该公司就有 2700 个正在进行的人工智能项目。

诚然，如果公司愿意牺牲其独特的知识和经营方式，那么，通过等待可以加快某些步骤。供应商正在开发各种各样的知识图和模型，这些图和模型使用的技术，涵盖了从自然语言处理到计算机视觉技术的各种技术。如果你的行业或者业务存在这样的问题，并且愿意在不做任何修改的前提下采用它，那么就可以加快人工智能的采用过程。但是，如果你不进行调整以适应你的环境并围绕它构建一切，那么你可能会失去独特的能力或竞争优势。

显而易见，如果你想在人工智能方面取得成功，并认为可能存在某些威胁，这些威胁来自于由人工智能驱动的竞争对手或新加入市场的公司。那么，你现在就应该开始学习如何在多种不同的应用和人工智能方法中使其适应你的业务。一些领先的公司已创建集中式人工智能小组来大规模地做这件事。这些核心团队专注于拟定问题、证明业务假设、人工智能资产模块化以实现可重用性，创建管理数据管道的技术，以及跨业务的培训。另一种可能性是收购一家已积累大量人工智能能力的初创公司，但仍然需要将这些能力应用到你的业务中。简而言之，如果你还没有开始采用人工智能技术，那么你应该做的就是：立即开始！希望为时不晚。

原文链接：

https://hbr.org/2018/12/why-companies-that-wait-to-adopt-ai-may-never-catch-up