江苏龙网

  1. 首页 > 人文 > >

人工智能|我们不要自然地愚昧，我们要人工地智能( 四 )


顾卿华（安永咨询服务合伙人）：我就举一个例子 。
我们最近完成的一个项目 ， 是帮一家客户做风险决策引擎 。 这家客户每天面临上千万笔的交易 ， 这个引擎要做的事情就是识别、判断其中有风险的、伪造的、欺诈的交易 ， 相当于设计一个安检设备 ， 帮客户挽回经济损失 。 这个过程中就用到了包括机器学习、自然语言处理等一部分AI的技术 。
从替代性来讲 ， 这项工作原先需要200多人力 ， 甚至200多人力可能都做不好 。 但AI自动地、更准确和可靠地完成了 。
从学习性来讲 ， 该引擎会逐步更新和迭代算法 ， 让其慢慢从事后研判 ， 变成事前的预测和拦截 。
从经济性来讲 ， 它也具有业务性价值 ， 每年给这家企业挽回上千万的经济损失 。
这是我们看到相对比较完整的有AI技术、业务应用场景和实际价值 ， 也在不断演进和迭代的案例 。
徐明强（微软全渠道事业部首席技术官）：刚才丁老师讲到AI可以具体应用在人类可做 ， 但是比较慢 ， 还有不是很安全的工作中 ， 我这里也举个例子 。
上汽仓库要做盘点 ， 首先他们的工作人员要操作叉车把货物取下 ， 人走上去一一扫描把货物记下来 ， 再恢复原处 ， 这中间有什么问题呢？
首先是安全问题 ， 大家试想 ， 叉车会把重达数吨的货物 ， 叉到三层楼的高度后 ， 将其插进一个很小的槽里 。 这难度好比用叉车把线穿到针眼里 ， 需要工作人员具备相当的技术与经验 。 一旦出错货物掉下来 ， 后果不堪设想 。
第二是时间长 。 过去盘点一个仓库要花360小时 ， 而今天使用AI视觉系统自动辨认和无人叉车 ， 可以将该工作的用时降到4小时 。
当然 ， 这项工作的难度不在于判断 ， 而在于会有很多预处理 。
所以 ， 关于AI落地 ， 起初大家都以为是模型问题 ， 但这仅是其中一部分 ， 更重要的是很多标签贴得对不对 ， 比如有些货物需要斜着放 ， 有些则是正着放等等 ， 对于细分场景都要做好预处理 ， 才能把事情做好 。
三、知易行难：
AI在企业级的商业应用中为何进展缓慢 ，
遇到哪些坑点？
主持人（李梦平 ， 微软中央市场部数字营销经理）：在AI商业应用这条路上 ， 大家普遍会遇到什么样的坑点？
顾卿华（安永咨询服务合伙人）：AI落地阶段确实是个知易行难的阶段 ， 我们从“AI熟悉度白皮书”中的所调研的各位企业高管的反馈里也能看到 。
第一 ， 人的因素 。 大家会在白皮书里看到 ， 企业管理者认为“AI落地中最有挑战内容”TOP10中 ， 三项跟人有关 ， 包括管理层、决策者的支持和意识 ， AI技术人才的缺失 ， 员工对AI技术的信任 。 决策者、AI设计和执行者、普通员工 ， 这是非常有代表性的 ， 体现出领导者对企业宏观业务方向的把握 ， 对AI技术本身设计和落地的把握 ， 以及在员工中构建信任和拥抱变化的文化也非常重要 。
第二 ， 数据的因素 。 企业需要扎实的数据基础 ， 如果缺少比较统一、标准化、高质量的数据 ， AI应用可能会是无米之炊、无源之水 。 我们看到很多企业在重复、反复、持续地做数据方面的治理 ， 包括数据质量提升、数据平台建设、数据应用构建 ， 这些都是为了给后面AI应用奠定一个好基础 。
第三 ， 不容忽视的还有风险与合规因素 。 AI让企业把很多业务转移至自动化平台 ， 企业开始大量依赖机器帮忙做决策 。 在这个过程中会带来业务连续性、隐私保护、AI可信度、伦理和社会的问题等 ， 这些在AI落地过程中都不能忽视 。
第四 ， 所有的创新最后都会落到规模化问题上 ， 而大多数AI创新可能都是点状、实验性质、局部地创新 ， 其非规模化、商业化、运行态的业务创新 。 这个时候领导者对业务策略的把握和选择、对应用场景的把控 ， 包括对未来运营模式的设计 ， 就是非常重要的先决条件 ， 不能把AI仅仅当做基础性的项目来做 。


推荐阅读


上一篇：一手Hao牌|卫衣今秋怎么穿？5种颜色卫衣的15套流行搭配示范，轻松又好看

下一篇：穿搭|这些年来，你对丝袜的看法有哪些改变？