欢迎来到北大总裁研修网!

网站地图
联系方式

010-62760270

您当前的位置 : 首页 > 新闻资讯 > 企业真正享用AI的能领,北京大学EMBA总裁研修班告诉你要解开这三道题 >

热门关键词Keywords

联系我们Contact Us

北京大学总裁研修班培训官网

咨询电话:010-62760270

地址:北京市海淀区颐和园路1号

网址:www.pkucn.net

咨询北大总裁班教务老师

企业真正享用AI的能领,北京大学EMBA总裁研修班告诉你要解开这三道题

2019-02-15
198次

  AI是现在非常火的一个话题,已经在多个领域证明了它强大的能力。但我今天要跟大家分享的是AI落地,如何让AI真正在各行各业发挥作用?这是现在很多人都非常关心的问题。

  在大多数人的眼里,AI指的是那些让机器拥有人类技能的技术。所以,如果一个技术能帮助人做听、看、说、跑等一些事情的话,都会被认为是AI。我们会比较关注人脸、语音、无人车这样的AI。但从另一个角度上看,国内外科技巨头这些已经成功利用AI获得巨大收益的公司,并不是靠听、看、说、跑这类AI技术进行公司经营的。

  那真正能帮助企业进行经营的AI能力什么呢?我们认为一个企业的经营通常来说分为三层,高层来决定战略,中层来决定策略,底层来决定执行。在过去,互联网或者移动互联网解决的是执行问题,不需要我们业务员再去街上发传单、不需要一个个去打电话,我们通过互联网可以去触达到很多很多客户,但在过去,中层策略的制定,还是由人来做的。

  而现在真正利用AI创造核心价值的公司,都是将AI技术提到了中层的策略制定层,让机器自己能够在给出战略目标后自动精细化决策。

  企业要解决的三个瓶颈问题

  智能化地决策在一些头部企业已经产生了非常多的成功案例,像是内容推荐、风险预判等。但它怎么能推广到更多的行业和企业中去呢?我们不得不承认这有很大的瓶颈。我们总结起来,企业首先需要解开三个瓶颈问题:

  第一道题:算法科学家与业务人员的认知鸿沟

  如何解释用人脸识别去抓坏人这个问题,深度学习科学家他会告诉你什么是卷积操作、池化、梯度、学习率,这些事情无异于一个脑外科神经学家通过给你讲怎么从视神经到V1、V2、V3、V4,到脑顶层来告诉你人怎么识别一个物体。显然,业务人员根本听不懂这样的语言,从业务人员的角度看来,看到的是全国哪些城市犯罪率高、男性还是女性更容易犯罪、早上还是晚上犯案、动机是什么?所以,业务人员的关注点和科技人员的关注点差别非常大。要让各行各业的业务人员也能够用上AI,存在一个巨大的认知鸿沟。

  那么第四范式做了一件什么事情?第四范式把构建人工智能的过程做了标准化,借助教育领域库伯的学习圈理论,我们标准化成了四个步骤,分别是行动、反馈、反思和理论。通过学习圈理论,我们将业务闭环与AI产生的过程融合到一起,能够大幅的降低非机器学习专业人士认知AI的门槛,让更多普通人也能够使用上人工智能。

  第二道题:BI的数据系统无法满足AI需求

  库伯学习理论里,反思和理论部分,就是深度学习的建模过程。但巧妇难为无米之炊,如果说人工智能没有好的数据,无法拥有一个好效果。前面的行为、反馈这两个步骤其实是采集数据和标注数据的过程。可能很多企业都拥有数据,但他们过去收集的数据并不是照着AI方式来做的。一般来说,数据有两种方式,一种叫做BI数据,一种叫做AI数据。BI的目标是让人来总结出新的规则,它要知道一些统计的概况,并且一定要抓大放小,因为人不可能看到所有的方面,只需要看到最主要的因素。但是AI数据不同,AI数据是给机器来看的,给机器看的一个核心目标是要做到面面俱到,把所有能够提供给机器的数据,完整而原封不动地喂给机器,所以说,AI大数据其实要做到完整和实时。

  这样的差异导致了现在的数据处理系统也没有办法满足AI需求。在这种的情况下,第四范式也开发了一套AI大数据系统,从数据收集、数据管理到数据应用,整个步骤都根据AI应用的目标进行设计,可以存储PB级别巨大的数据,可以实时的存取并快速的进行批量处理。

  第三道题:算法科学家的稀缺难以满足AI落地需求

  刚才提到行动和反馈是指数据门槛,但最终我们还需要对数据进行反思和理论。反思和理论是人在学习的一个名词,对于机器学习来说,就是机器学习,这需要非常深的理论基础,以及非常广泛的应用经验。仅有少数的杰出的科学家拥有扎实的建模理论,以及知道对于一个具体的实际问题,应该怎样设计网络结构。但这些需要时间与学识的积累,没有办法复制到所有行业,最后导致即使很多行业有他的数据,但是并没有办法使用AI。

  所以,怎么样能够让机器学习自动的建模、自动的调参、自动的选择网络结构,甚至是自动选择的数据、自动决定数据组合的方式,就变得非常关键。在学术领域里这些工作被称作自动机器学习(Auto-ML),这个领域即使在学术界也是非常前沿,在全世界领域内的研究都还在早期,而第四范式三年前开始率先研究这个领域,在这个方向的研究与推进上在国际上扮演着非常重要的角色。人工智能最高的学术会议之一NIPS,今年将Auto-ML方向的比赛首次交给企业来办,就选择了第四范式,这获得了学界非常大的关注。

  第四范式的Auto-ML已经封装到先知平台中,帮助众多客户使用上机器学习,来解决他们的实际问题。某家国有银行客户的业务人员,使用第四范式先知,在60%召回的情况下,将反欺诈线上效果提升了7倍。也有客户使用学习圈技术参加国际的反欺诈大赛,一些非专业数据科学家的比赛选手,在大赛上获得了第二名,打败了中众多反欺诈领域的专业公司。在医疗领域,第四范式与瑞金医院的合作中,共同发布了瑞宁知糖的应用,判断一个人3年之后患糖尿病的概率,利用Auto-ML技术,医生找到了超过50万条规则,相比于传统的欧美标准、中国标准,都有非常显著的提高。在去年英国首相访问中国的时候,还专程参观了瑞宁知糖的应用。最后,在图象领域应用同样一套理论,我们帮助表单OCR识别完成了效能的巨大提升,手写大写、小写数字识别的准确率分别都达到了97%之上,使用大小写互相校验的话,测试准确率可以达到100%。

  一套构建AI能力的方法论

  第四基于机器学习圈理论,总结了一套AI落地企业,构建AI能力的方法论,这套方法论首先是定义目标问题(Needs),然后拥有过程数据(Big Data),以及反馈数据(Response),通过AI算法(Algorithm)加上底层的计算能力(Infrastructure),完成AI的闭环,最后形成AI应用。这套理论我们称为BRAIN理论,只要能满足BRAIN的五大条件,就能让一个企业拥有AI能力。

  基于BRAIN理论,AI落地会产生一个比较本质的改变,在过去,AI的落地只能被称之为“用能”:当企业自身不能够构造AI能力时,只能基于外部通用AI方案的固定能力,适配到一个特殊的领域与场景。这样做最大的问题在于“用能”所使用的方案不可能针对于每个客户单独设计,自然也无法识别其非标的价值。而现实中每家客户的问题不一样,要提升的目标点也不完全相同,如果走“用能”的模式,没有公司能服务所有的企业,并针对性解决企业个性化的目标与问题。同时,“用能”的成本非常高,用标准能力的成本看起来是降低了,但是一旦有任何改变,就只能完全依赖技术提供商的支持,相当于把自己AI的半条命放在了别人手上。

  第四范式希望将来把AI落地改变为“赋能”的模式。第四范式有底层的AI平台,在这个AI平台之上,有非常多的合作伙伴,甚至是终端用户都可以进行AI的应用开发。这样的话,企业就能自建完整的AI能力,且门槛低,成本合理可控,还可以任意根据自己的需求进行改变。

  第四范式也在这样的思路之下,希望通过一个应用,把平台化低门槛AI做到极致。今年3月份我们发布的国内第一款全免费的智能客服,可以向大家展示,人工智能应用开发门槛能被降低到什么样的程度。

  接入第四范式智能客服只需要三步:

  第一,构建机器人;

  第二,确定并对接企业需要接入的渠道;

  第三,发布使用。

  用这种方式,接入一个公众号智能客服只要5秒钟,让一个IOS、安卓应用程序原生内置智能客服能力也只需要短短3分钟,同时后台可以自学习迭代,并且企业可以定制化专有的应用与场景。目前,已有上千家客户已经很快的接入。

  最后总结一下,第四范式认为AI的落地需要一个更强大的平台,降低进入的门槛。第四范式一直在通过产品致力于降低认知的门槛、数据的门槛与算法的门槛,通过这样的产品,希望将来AI的落地模式产生根本性的变化,从“用能”到“赋能”,让AI不再神秘,成为所有企业标配且普惠的技术。

标签

no cache
Processed in 0.353335 Second.