首次发布 -中国电子健康基金战略投资同和毓承资本，专注医疗健康投资
06-17
雷锋网注：【图片来源：Future of Life 拥有者：The FLI Team】这个AI不是AI改变人们可能听腻了科技公司 这是陈词滥调。
但抛开市场炒作不谈，人工智能公司有充分的理由研究如何利用人工智能来最大化公司利润。
首先，我们需要把人工智能这个词抛到脑后。
虽然“人工智能”可以用来代表致力于构建智能机器的学术领域，但不得不说它是一个松散定义的术语。
这个术语为不道德的供应商利用这一噱头重塑其软件的古板形象留下了空间。
华威商学院的帕诺斯·康斯坦丁尼德斯（Panos Constantinides）表示，“现在，几乎一切都可以与人工智能相关，这就是炒作的关键点。
”他补充道：“这种炒作之所以存在，是因为我们对人工智能的理解。
缺乏清晰度。
“所以，为了避免这种情况，我们要明确一点：当今天大多数技术供应商谈论人工智能时，他们实际上指的是机器学习。
机器学习是人工智能的一个子集。
通过机器学习，计算机可以自行分析大量数据然后执行相应的任务，而无需等待程序员的指令。
最近，由于计算机视觉、语音识别和自然语言理解等领域的突破，人们对机器学习产生了浓厚的兴趣，这些领域的繁荣实际上是由于新的技术。
实现机器学习的方法，例如深度学习，这反过来又受益于现代处理器的强大功能和可以收集的大量数据资源。
理论上，机器学习有潜力使大量工作自动化。
目前需要人类手动完成的任务虽然机器学习已经应用于客户查询服务、后端管理甚至汽车驾驶，但现实是云运中距离完全依赖系统还有很长的路要走。
基于机器学习技术的生产。
。
O'reilly 进行了一项调查以确定人工智能在企业中的使用情况。
虽然不同行业对AI的使用情况有所不同，但不到75%的受访者表示，他们的企业要么正在评估“AI”，要么还没有开始使用“AI”：雷锋网 注：【图片来源：ZDNet 所有者：O’ Reilly]机器学习非常普遍。
许多知名公司已经使用了机器学习：劳斯莱斯分析来自互联网传感器的数据。
及时发现飞机发动机的磨损迹象并提前进行维修；谷歌利用 DeepMind 的技术将用于冷却数据中心的能源减少约 40%；亚马逊使用图像识别来识别顾客从Go商店购买的商品，而Go商店是亚马逊旗下的自助商店。
机器学习多年前就已经在各大公司使用，但它的表现却有点不起眼：亚马逊的智能系统会推荐你购买更多的产品； Netflix的智能系统会推荐您观看更多节目；在微软等公司运营的全球安全系统中，一旦出现网络威胁，系统就会发出警告。
最近，花旗集团等金融投资公司也开始使用机器学习来警惕欺诈交易和支付错误。
您的公司很可能也使用基于机器学习的服务，即使它们与机器学习远程相关。
例如，机器学习用于自然语言处理和语音识别，以驱动??客户服务中心或其他自动响应系统中的聊天机器人。
总体而言，O'reilly 的受访者认为客户服务和 IT 是他们的公司使用“人工智能”最多的两个领域。
其他公司已经开始使用机器学习来模拟员工执行的重复性任务，试图将其自动化。
目前，有几家公司专门从事这一领域，也称为机器人流程自动化（RPA）。
事实上，RPA 并不总是涉及机器学习，而且从历史上看，RPA 是由为软件流程自动化制定规则的开发人员实施的。
RPA 不应与机器学习相混淆（因为自动化流程的步骤可以由开发人员编写），但是，Forrester 预测机器学习未来将在 RPA 中发挥更重要的作用。
该分析公司在一份报告中指出：“目前，许多企业已将包括机器学习和文本分析在内的人工智能模块构建技术与RPA结合起来，为数字工人带来更大的好处。
”然而，在生产过程中使用机器学习的公司仍然只有少数。
大多数公司只试用机器学习系统，或者只使用 Gmail 等包含机器学习功能的服务。
华威商学院教授马克·斯基尔顿表示：“企业追求 RPA 是可以理解的。
据我估计，社会上20%到30%的工作岗位已经使用了这项技术，但机器学习应用的范围还很小。
“然而，正如 O'reilly 的报告所示，近三分之二的受访公司计划在明年将至少 5% 的 IT 预算投资于人工智能项目。
公司开始意识到，在未来几年中，机器学习系统有潜力提高公司现有的效率、服务和产品质量。
许多公司告诉 Forrester，他们投资自动化的主要原因是为了节省成本。
下图显示了公司对“什么是或可以”这个问题的回答。
采用自动化技术的最大好处是什么？” Forrester 整理并分析了这些回复。
雷锋网注：【图片来源：ZDNet 所有者：Forrester】机器学习的正确打开方式。
当然，在不知道这样做的原因的情况下仓促进入机器学习是不明智的。
那么，机器学习到底能做什么呢？机器学习最经典的任务就是在大量数据中寻找目标。
实际上，这种识别能力可以从音频中识别单词，从照片中识别人脸，或者理解句子中单词的含义。
如果你想引入机器学习，你将需要该领域专家的帮助，并且你还需要一个内部数据库。
在开始项目之前，你还有很多事情需要考虑，比如你想要使用机器学习来完成什么目标，机器学习是否是完成你的目标的一个不错的选择，以及你需要的机器学习类型（监督机器学习） 、无监督机器学习和增强机器学习）。
另外，你还需要知道你正在收集什么类型的数据，如何让这些数据适合训练机器学习模型，以及这些数据的哪些特征有利于训练机器学习模型。
Constantinides 教授表示：“数据科学家需要创建机器学习算法，但如果数据错误，就无法正确运行机器学习。
”另一个问题是，使用现有数据训练模型可能需要您寻求进一步的许可，或实施额外的保护措施以遵守隐私法规，例如欧盟的 GDPR。
Constantinides 教授表示，在训练深度神经网络时获得 GDPR 同意尤其具有挑战性，因为 GDPR 为机器学习技术的使用带来了额外的障碍。
“数据如此之多，很难确切地知道它来自哪里，”他解释道。
在技??术选择方面，您需要决定是租用云硬件还是构建自己的深度学习平台。
亚马逊、微软和谷歌等公司是主要的云平台提供商，提供一系列即用即付的机器学习服务，包括语音识别、计算机视觉、自然语言处理、情感分析、数据预测和翻译。
有时，这些服务会捆绑到更高级和复杂的产品中，例如聊天机器人创建工具包和零售商推荐引擎。
除了按需服务之外，包括AWS、Google Cloud和Microsoft Azure在内的云平台还提供其他服务，允许企业使用这些平台的云基础设施来训练和运行自己的机器学习模型。
模型训练完成后，可以满足这些公司的数据需求，但这个目标需要内部数据科学家、领域专家、IT运维人员的共同努力。
云平台提供商甚至开始提供部分自动化训练机器学习模型过程的服务，尽管这些服务旨在增强数据科学家的技能而不是取代他们。
还有一些服务可以简化机器学习模型的训练过程，例如微软的机器学习工作室、谷歌的Cloud AutoML和亚马逊的AWS SageMaker。
与此同时，机器学习模型训练数据的准备工作（例如，在计算机视觉任务中标记图像）通常通过众包网站外包给自由职业者。
如果您决定在内部构建自己的机器学习系统，那么成本将是巨大的。
但如果您预计培训过程将持续几个月并且工作量很大，那么它可能比使用云服务更实惠。
另外，你需要投资强大的GPU来完成你想做的一切，而不仅仅是训练神经网络，因为训练这种支持机器学习的类脑数学模型相对简单。
一般来说，GPU 是训练神经网络的必需品，因为它们能够并行执行大量矩阵乘法，这有助于加快训练速度。
如果你不打算训练大量层的神经网络，你可以选择消费级显卡，比如Nvidia的GeForce GTX，它的成本只有1英镑左右，但仍然提供了CUDA核心。
然而，繁重的训练需要更专业的设备。
用于机器学习的最强大的GPU之一是NVIDIA的Tesla V，它包含AI定制的张量计算核心和通用高性能计算CUDA核心。
不过，这款显卡的价格远高于消费级显卡，PCI Express 版本起价为 1 英镑。
如果要搭建一个AI工作终端或者服务器，成本要高一个数量级。
NVIDIA 的 DGX-2 专门从事机器学习和人工智能研究。
它包含 16 张 Tesla V 卡，售价高达 399,000 美元。
还有无数的深度学习软件框架允许用户使用不同的编程语言设计、训练和验证深度神经网络。
其中，谷歌的TensorFlow软件库之所以受欢迎，是因为它具有很多优点：它允许用户使用Python、Java、C++和Swift等多种编程语言；可用于多种深度学习任务，如图像识别、语音识别等；它可以在CPU上使用，在GPU和其他处理器上运行；有许多教程和实施模型可用。
另一个常用的框架是 PyTorch，它对初学者很友好，因为它提供了开发人员熟悉的命令式编程模型，并允许程序员使用标准的 Python 语句。
PyTorch 还可以与从 CNN 到 RNN 的各种深度神经网络配合使用，并在 GPU 上高效运行。
其他框架包括 Cognitive Toolkit、MATLAB、MXNet、Chainer 和 Keras。
从计算机硬件到机器学习框架的技术进步，意味着企业部署训练有素的机器学习模型来识别物联网传感器收集的数据中的目标不再是遥不可及的事情。
更方便。
机器学习应远离核心业务 企业可以使用哪些类型的项目来测试机器学习的有效性？ Constantinides教授建议从简单的任务开始，这意味着从非关键业务领域开始，然后扩展。
Constantinides教授以客户服务中心的聊天机器人为例，为广大企业提供了可行的选择。
这种聊天机器人可以回答一些重复的问题，如果问题太复杂，它可以将客户转介给人工客服。
“大多数公司认为客户服务中心不属于公司的核心能力，”康斯坦丁尼德斯教授说。
“因此，从这里开始的风险相对较低。
” Constantinides补充说，一旦公司的聊天机器人项目稳定，它就可以转向另一种基于机器学习的服务，即所谓的推荐引擎。
这项服务可以帮助扩大公司的人工智能项目规模。
一旦获得了有关客户的数据，公司就可以开始做出不同类型的预测或提出诸如“您会考虑购买其他产品吗？”之类的问题。
同样，Forrester 的 Gownder 强调了这一点：将启动项目的重点缩小到特定任务非常重要。
在一份报告中，他引用了一家医疗技术公司的例子，该公司专注于为放射科医生分析医学扫描结果，而不是设定更广泛、更难以捉摸的整体攻击癌症的目标。
对于企业来说，对机器学习项目有一个清晰的了解至关重要，因为项目随时都有可能失败。
Forrester的Gownder还表示，在人工智能、自动化和机器人领域，因野心过大而失败并不是什么新鲜事。
就像安德森癌症中心花费数万美元使用IBM的Watson帮助患者确定治疗方案一样，该项目最终失败了。
一般来说，在使用机器学习技术时，有必要控制你的期望，并意识到机器可能会产生不完美的结果：语音识别会错误地转录，面部识别系统会识别出错误的人。
正因为如此，这些系统的目的是辅助人类做出判断、缩小选择范围，而不是直接取代人类。
虽然自动化的趋势减少了社会从业人员的数量，但以目前的技术水平，全面实现自动化还为时过早。
Gownder 还在 Forrester 的报告中指出了自动化太多太快的危险。
报告引用了汽车制造商特斯拉的例子，该公司在发现机器人不适合某些任务后决定让人类重返生产线。
他说，“自从允许人类重返生产线以来，特斯拉的 Model 3 已经成为美国最畅销的汽车之一，它已经从 1 月份只生产一辆汽车发展到 7 月 12 日生产 0 辆汽车。
”此外，该公司还面临着进一步的复杂性，即运行机器学习项目需要数据科学专业人员的帮助。
例如，O'Reilly 的调查中超过一半的受访者表示，他们的公司需要相关领域的专家指导。
在另一份 O'Reilly 报告中，数据科学和数据工程再次被列为企业在分析相关技能方面差距最大的两个领域。
雷锋网注：【图片来源：ZDNet 所有者：O'Reilly】华威商学院的 Skilton 认为，技术和前景都存在，真正的问题是如何标记数据，以及如何获取知识来理解“我如何准备好数据，以便开始从中学习？”尽管存在这些问题，越来越多的公司正在尝试机器学习技术，Skilton 表示，2019 年是公司挑战机器学习的好时机。
雷锋网注：原作者为Nick Heath。
本文由ZDNet雷锋网编译【封面图片来源：网站名称：Future of Life，作者：The FLI Team]雷锋网版权所有文章，未经授权禁止转载，详情请参阅转载说明。
版权声明：本文内容由互联网用户自发贡献，本站不拥有所有权，不承担相关法律责任。如果发现本站有涉嫌抄袭的内容，欢迎发送邮件 举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
标签：
相关文章
06-17
06-06
06-17
06-18
06-17
最新文章
三只松鼠：门店扩张已全面暂停
Nvidia 已准备好“统治”AI
【创业24小时】2023年11月16日
【创业24小时】2022年10月20日
倒计时一天，浙江这座小镇要火了！
沃图网络获数千万A轮投资，加大投入海外网红营销SaaS平台建设
泰山天使基金部分退出拉手半年回报180倍
西格数据完成1000万元A+轮融资，国发创投领投