你公司的AI实现并不完美，但这是正常的 作者 | Ari Joury 译者 | 王强 策划 | 刘燕等待这项技术变得完善的组织可能会错过它的很多好处。我喜欢不完美的东西。我喜欢我的那件胳膊肘有洞的毛衣，喜欢那幅晾干的时候被我家猫踩过去的画，也喜欢我攻读博士学位时用的那堆源码，虽然它们跑起来似乎从来都不是我想的样子。总之我喜欢这种感觉。不完美会让很多事情变得更有意思。 但如果我们谈的是业务，那就得涉及赚钱这件事了——可能是很多钱。与生活的其他领域不一样的是，在商业世界中，一个小小的缺陷可能会导致价值数百万美元的损失。 这是很可怕的事情。更可怕的是有些损失之所以会发生，是因为工程师在尝试实现一项全新且快速发展的技术时犯了错误，而且还没人能完全理解这种技术的风险，相关的监管措施也才刚开始制定。如果商界领袖面对这样潜在的雷区时会犹豫不决，那也只是人之常情罢了。 我说的就是人工智能。然而，无论这项技术有多么可怕，许多人（包括许多商业领袖在内）仍然对人工智能充满热情。潜在的收益是非常可观的，因为人工智能可以在几秒钟内完成过去需要数小时才能搞定的流程，节约的时间相当于几个数量级的改进。回报如此之高，难怪企业界每年都要在人工智能领域投入数十亿美元。 尽管有那么高额的投资，但人工智能技术的应用仍然步履蹒跚。这里面临的困难不仅来自风险和法规的不确定性，还源于以下事实：许多企业（至少在一开始）无法对人工智能能够和不能带来的变化类型进行切实评估。 孤注一掷的心态 Larry Clark 在《哈佛商业评论》中分享了一桩轶事，完美地概括了这个问题。他采访了一位顾问，后者的客户对他们所在行业做出正确预测的概率是 25%。顾问告诉他们，人工智能解决方案可以使这个数字达到 50%。然而，该团队的高管拒绝实现一个“一半情况下都不对”的解决方案。 毫无疑问，在大多数情况下，50% 的错误率都不是小数字。但它仍然是现有解决方案的两倍之多！ 许多高管意识到人工智能不会在一夜之间彻底改变他们的公司时，他们就会感到失望。但正如《连线》杂志的创始编辑 Kevin Kelly 所言：“未来是一点一滴的量变积累起来的，然后一下子会迎来质变。” 我认为这条规则适用于科技的许多领域，尤其是人工智能这块。当然，伟大的新进展即将到来，但你不能指望它们明天就会发生。好的东西需要时间去发展。即使在快节奏的科技世界中，耐心也是一种美德。 因此，如果人工智能并没有突然将他们的业务转变为下一个谷歌，企业领导者也不应该感到不满。事实上，如果一个新的人工智能解决方案能随着时间的推移带来许多小的改进，那么从长远来看，这可能更有价值。大跃进往往会损害其他标准的业务流程，尽管大跃进有其好处，但这种跨越行为到头来可能会是一个冒险的举动。 人工智能并不总是最好的解决方案 简单为美 如果你以前用过 AI，那么你肯定听说过准确度、精度、召回率、F1 分数、欠拟合、过拟合、假正和假负等概念。但是，如果你满嘴都是这样的技术名词，大多数商业领袖会认为你是一个外星人。高管们更关心结果而不是技术细节。 Ron Glozman 创立了一家为保险业构建人工智能解决方案的公司，他明确指出了这一点。真正重要的是人工智能解决方案能否让人类劳动者的工作变得更轻松、能否降低成本或增加利润。只要你的解决方案改善了公司的现状，你是否在技术层面上获得了惊人的成果并不重要。 当然，数据科学家将继续用技术术语表达他们的目标，因为这对他们来说是很好用的。然而，为了将这种行话翻译成商业术语，高管们需要与数据科学家密切合作，让后者参与业务运营，并且随时询问他们五花八门的技术指标是如何影响整个业务的。 然而，数据科学家的需求量是很大的，这让问题变得更复杂了。正因如此，许多公司在这方面的人手并不够用。于是许多肩负着太多项目的数据科学家需要优先考虑技术分析任务，而没有多余时间去思考他们工作中的业务部分。 为避免这种情况，请在你真正需要数据科学家之前就把他们招进公司，并为新来的团队成员提供内部培训。当然，在公司内部增加培训计划需要一些前期投资，但这样做有两大好处。 首先，内部培训会让数据科学家从一开始就熟悉公司的具体情况；其次，这种类型的培训对年轻的求职者特别有吸引力，而恰恰这些年轻人经常会带来新的想法，并且对薪水的要求不及资深同行。建立严格的内部培训方案可能需要一段时间，但从长远来看会物有所值。 准确性不是一切 机器学习算法应该尽可能准确，对吧？毕竟，我们不希望我们的机器做出错误的判断，例如将癌性肿瘤错误分类为良性肿瘤。这个概念听起来是对的，但准确性并不总是我们的目标。下面我具体来解释。 首先，这里存在过度训练的风险。人工智能模型可以充分学习数据集，甚至可以识别出与结果实际上没什么关系的小细节。设想一个人工智能解决方案，该方案可以对包含许多不同动物物种的数据集进行分类。我们进一步假设这个数据集只包含猫、狗和长颈鹿三类动物中的各一种子类别。但它也包含两种类型的猴子：分别是黑色和橙色。 如果你把这个模型训练得很好，以至于它不仅能认出猴子，而且还知道它是黑色的还是橙色的，会发生什么呢？这听起来可能很厉害，但如果你在一张灰色猴子的照片上测试模型就会出现问题了。这个模型会如何分类这只灰猴子呢？说它是一只猫？一只灰狗？ 在这个例子中，由于模型在训练期间变得过于准确，因此出现了对新数据进行错误分类的风险。为了避免这个问题，数据科学家和业务主管需要在训练期间减少对准确性的关注，而在测试期间更多关注性能。这里的目标并非追求完美。 在上面的肿瘤示例中，这意味着我们要允许算法在训练时对肿瘤进行错误的分类。这种重新校准可能意味着以 90% 的准确度目标取代 98% 的目标。然后，当算法在现实生活中部署时，它会更好地对看起来在训练阶段没见过的那些肿瘤进行分类。 这是最重要的，因为模型经常会遇到与其他数据点都不一样的数据。此外，你还能让算法有机会提高其在现实生活中的准确性，因为每个新数据点都会被反馈到系统中，并帮助系统对其进行重新训练。 一步一步来 千里之行始于足下 高管们不止需要在模型训练这一步骤中收敛他们的雄心壮志。正如 Jon Reilly 为 Dataversity 所写的那样，企业倾向于将 AI 技术投入到重大问题上，并期望得到有意义的结果。 然而，这还不是人工智能技术擅长的事情。相反，它最适用于需要以某种方式处理大量数据的那种小型、非常专业的任务。我们一开始应该将人工智能应用于一些对人类来说过于重复的工作上，然后从那里开始一点点发展起来。应该把它看作是一种自下而上的方法。 自上而下的方法很难用今天的人工智能技术来实现。将知识从一个领域转移到另一个领域的人工智能离我们还很遥远，广义智能更是长远的未来才可能实现的目标。目前，即使手头有足够的时间，教机器以极快的速度完成无聊和重复的任务，也比让它完成复杂的任务要容易得多。不过，并不排除这种情况在未来可能会发生某种变化。 如果高管真的想把人工智能用在所有能用的地方，他们应该记住经典的 80/20 规则，即 20% 的工具和资源会带来 80% 的产出。你首先应该关注这些工具和资源，以确保你的解决方案产生最大的影响。 再强调一次，最好从更容易的部分开始，而不是把整个公司重新设计成一个人工智能算法。你应该优先考虑拼凑一些实际可行的解决方案碎片，而不是费劲打造一个过于复杂，而无法有效部署的大型整体解决方案。 犹豫不决的公司将面临失败 与每一项成为主流的新技术一样，人工智能早期采用者将赢得所有收益。好消息是现在进入人工智能领域还为时不晚。 不过，这并不是你潜心完善自己的 AI 模型并在五年后才开始使用它的借口。尽管我已经提到了所有那些障碍（除此之外还有其他障碍），但越来越多的公司正在看到人工智能的潜在好处并开始使用它，哪怕一开始只是从小处着手，或者遇到各种各样的麻烦。 这是正确的方法。这项技术太新了，我们还没有测试所有的利基和边缘案例。你应该测试半生不熟的解决方案，然后对其进行迭代。如果你不定期推送你的 AI 更新并将其提供给所有利益相关者，你可能会错过关键的经验。 在我研究期间，我自己恰恰遇到了这个问题。我正在研究一种用比以前更有效的方式处理大量数据的程序。该程序是我项目的一部分，所以我想在与我的团队分享之前尽可能独自开发和完善它。 然而，当我在三个月后终于把它分享出来时，我从同事的反馈中意识到自己错过了一些关键的想法。我自己设法让代码比旧版本的效率提高了三倍。然而，在实现了我同事的想法后，改进不止是三倍，而是五倍之多。尽管我的工作是一项公共研究项目，不是一项业务，而且也几乎没有任何风险，但没有早点与我的同事交流而浪费了几个星期，这一事实仍然令人痛心。 过早追求完美或迟迟不能决定实现人工智能的公司将被抛在赛道后面。矛盾的是，如果你想领先他人，你需要能够收敛你的野心，并容忍一个不完美的解决方案。 不要太担心不完美的代码 追求完美会让你永远等待下去 不完美的解决方案会让人不舒服，因为你永远不能下班开车回家，假装你的工作已经完全完成了。总有一个错误要发现，一个调整要进行，一个功能要添加。 如果你的业务需要人工智能，你将需要学会拥抱这一现实。当然，这条规则不仅仅与业务有关系。打个比方，完美协调的流程往往意味着一旦公共汽车晚点一分钟就会搞砸，相比之下粗糙和难看的实用主义在许多生活场景中更有成效。 这不是懒惰的借口，也不是说仅仅付出最低限度的努力，只是为了不被竞争对手抛开。你还是一直都要尽力而为。请记住，最好的选项往往离完美差得很远。 原文链接：https://thenextweb.com/news/your-companys-ai-implementation-isnt-perfect-and-thats-okay 你也「在看」吗？??