當(dāng)下，越來越多的公司在人工智能上進(jìn)行投資。然而，要想取得成功，他們需要在推理的可解釋性、低數(shù)據(jù)密度環(huán)境以及實(shí)現(xiàn)更豐富的知識圖譜方面進(jìn)行實(shí)際考量。

在企業(yè)中，人工智能的應(yīng)用正在穩(wěn)步上升。根據(jù)Constellation Research對眾多行業(yè)C級管理人員的調(diào)查，70%的受訪者表示他們的組織目前使用了某種形式的人工智能技術(shù)。此外，大部分受訪者表示，2018年將在人工智能投資上花費(fèi)高達(dá)500萬美元。

[[236524]]

隨著越來越多的公司意識到人工智能帶來的巨大機(jī)遇，他們逐漸意識到需要考慮一些實(shí)際問題，以便在整個(gè)企業(yè)中看到這項(xiàng)新技術(shù)將帶來的重大業(yè)務(wù)影響。根據(jù)我們在眾多客戶環(huán)境中應(yīng)用人工智能的經(jīng)驗(yàn)，我們發(fā)現(xiàn)組織必須解決三個(gè)因素:缺乏可解釋的人工智能、低數(shù)據(jù)密度環(huán)境以及對更豐富的知識圖譜的需求。為了正確采用和實(shí)施，企業(yè)必須首先考慮這些實(shí)際問題，并在整個(gè)AI實(shí)施過程中始終將其放在首位。

1. 缺乏可解釋的人工智能

可解釋的AI集中在回答問題的能力上，“為什么?”“為什么機(jī)器會做出某個(gè)具體的決定?事實(shí)上，許多新出現(xiàn)的人工智能都有一個(gè)固有的“黑匣子”概念。“將很多數(shù)據(jù)輸入到盒子里，然后從盒子里拿出實(shí)際的決定或建議。然而，當(dāng)人們試圖打開盒子并弄清楚它的邏輯時(shí)，它就成了一個(gè)重大挑戰(zhàn)。這在受監(jiān)管的市場上可能很難被采用，因?yàn)槭袌鰰蠊九逗徒忉尵唧w決策背后的理由。此外，缺乏可解釋的人工智能可能會影響整個(gè)公司所需的變更管理，以便成功實(shí)施人工智能。如果人們無法追蹤到原始數(shù)據(jù)集或文檔的答案，那么它可能會成為一個(gè)員工難以接受的價(jià)值主張。

實(shí)現(xiàn)具有可追溯性的人工智能是應(yīng)對這一挑戰(zhàn)的一種方式。例如，商業(yè)銀行管理在線投資組合中的風(fēng)險(xiǎn)。銀行可以向5000家中小企業(yè)貸款。它將在貸款組合的資產(chǎn)負(fù)債表中監(jiān)測他們的健康狀況。這些表可以是不同的語言或有不同的會計(jì)標(biāo)準(zhǔn)。

有了人工智能，銀行實(shí)際上可以利用所有的這些資產(chǎn)負(fù)債表，提取信息，將非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)，然后得出風(fēng)險(xiǎn)評分。該銀行應(yīng)該能夠接受風(fēng)險(xiǎn)評分，點(diǎn)擊并深入查看導(dǎo)致最終評分的子組件編號。如果發(fā)現(xiàn)有一個(gè)分?jǐn)?shù)看起來不太對時(shí)。用戶可以深入到下一個(gè)細(xì)節(jié)層次，依此類推，直到他們得出沒有意義的數(shù)字，然后，例如，可以將他們引向第16頁的第36個(gè)資產(chǎn)負(fù)債表。在那里的腳注里會有系統(tǒng)用來推導(dǎo)分?jǐn)?shù)的信息。用戶可以查看一個(gè)決策并解析驅(qū)動機(jī)器到達(dá)該端點(diǎn)的組件信息。可追溯性的實(shí)現(xiàn)有助于合規(guī)性的滿足并推動人工智能的應(yīng)用。

2. 低數(shù)據(jù)密度環(huán)境

當(dāng)人工智能能夠利用大量數(shù)據(jù)時(shí)，它就能運(yùn)行得很好。例如與Siri等虛擬助手進(jìn)行會話AI，可以訪問電子郵件，在線購物和多個(gè)應(yīng)用程序。這就是為什么大多數(shù)AI應(yīng)用程序都是在企業(yè)對消費(fèi)者(B2C)環(huán)境中開始的，在B2C環(huán)境中，算法可以運(yùn)行在數(shù)百萬個(gè)數(shù)據(jù)點(diǎn)中。企業(yè)通常無法始終訪問相同的數(shù)據(jù)量。例如，如果一個(gè)組織正在準(zhǔn)備過去的合同，那么它可能要處理10萬份合同——而不是100萬或1000萬份。因此，企業(yè)面臨著雙重挑戰(zhàn)：他們需要手動處理的文件太多而無法訓(xùn)練算法。從這些文檔中提取數(shù)據(jù)的一種方法是通過使用統(tǒng)計(jì)方法的傳統(tǒng)自然語言處理算法。此外，我們還發(fā)現(xiàn)，基于上下文來解讀含義和提取數(shù)據(jù)的計(jì)算語言學(xué)在受到少量數(shù)據(jù)的挑戰(zhàn)時(shí)可能是有效的。

在另一個(gè)例子中，一家財(cái)富管理公司可以使用自然語言處理和機(jī)器學(xué)習(xí)等技術(shù)，以高速聚合金融機(jī)構(gòu)和投資者的報(bào)表。每家公司可以有8萬份文件，每份50到60頁長，每頁40到50筆交易，最終從中提取知識。這是一個(gè)相當(dāng)大的數(shù)據(jù)量，并且手動處理非常繁瑣，但只是許多主流人工智能應(yīng)用程序數(shù)據(jù)量的一小部分。

因此，需要注意的是，并非所有人工智能都能獲得其必須的數(shù)據(jù)量。在確定***人工智能解決方案時(shí)，了解數(shù)據(jù)環(huán)境非常重要。在高數(shù)據(jù)密度環(huán)境中，組織可以更有效地運(yùn)行無監(jiān)督學(xué)習(xí)算法。在低數(shù)據(jù)密度的環(huán)境中，監(jiān)督學(xué)習(xí)是最有效的。在缺乏所有必要數(shù)據(jù)的情況下，合成數(shù)據(jù)創(chuàng)建等新技術(shù)可以幫助企業(yè)培訓(xùn)模型。例如，在零售業(yè)，公司可以使用游戲模擬來創(chuàng)建合成數(shù)據(jù)。

3. 需要更豐富的知識圖譜

正如人工智能在低數(shù)據(jù)密度環(huán)境中難以產(chǎn)生***結(jié)果一樣，人工智能目前還缺乏豐富的知識圖譜，無法使人工智能與特定領(lǐng)域和行業(yè)應(yīng)用相關(guān)聯(lián)。

知識圖譜可以捕獲上下文的關(guān)系，在人工智能中訓(xùn)練數(shù)據(jù)模型，并在正確的上下文中對傳入的信息進(jìn)行分類。它們使像Alexa或Siri這樣的語音助手能夠回答常見的問題，比如“最近的星巴克在哪里?”Alexa和Siri可以通過連接數(shù)以百萬計(jì)的參考點(diǎn)(包括來自亞馬遜或蘋果服務(wù)的搜索結(jié)果)為用戶提供即時(shí)答案。雖然對于這些簡單的交互很有用，但是當(dāng)前的AI仍然無法復(fù)制或理解真實(shí)人類對話的復(fù)雜性并捕獲消費(fèi)者期望的經(jīng)過深思熟慮的交互。

例如，如果一個(gè)五歲的孩子抱怨他的母親，“Ben推了我。我摔倒了，我站了起來，把他推了回去。老師看到了我，但是沒有看到Ben，所以只有我被留校了——這不公平。”每個(gè)五歲的孩子都會理解這句話的意思，但是對于人工智能系統(tǒng)仍然會遇到困難，因?yàn)樗麄儾焕斫庖蚬P(guān)系和公平。除了知識圖譜，人工智能系統(tǒng)還需要對話界面來完成他們的思考。

在企業(yè)內(nèi)部，許多人通過聊天機(jī)器人來使用會話式的人工智能，試圖為客戶提供更具互動性的體驗(yàn)。在這方面，銀行一直站在最前沿，允許客戶通過聊天機(jī)器人在他們的在線門戶或移動應(yīng)用程序中獲取基本的賬戶信息。然而，更復(fù)雜的請求，如貸款申請或合同審查，對機(jī)器來說可能是一個(gè)挑戰(zhàn)。機(jī)器人需要能夠?qū)⑺褂玫脑~的本體、所問問題的上下文以及多個(gè)會話流的線程連接在一起進(jìn)行綜合考慮。它需要特定領(lǐng)域、特定語境、特定知識的有機(jī)結(jié)合，才能使整個(gè)過程更加流暢。公司正在積極地開發(fā)特定領(lǐng)域的AI，并將它們嵌入到正確的知識管理系統(tǒng)中，以便在商業(yè)環(huán)境中推動AI實(shí)現(xiàn)更有吸引力的體驗(yàn)和應(yīng)用。

隨著人工智能的不斷投入和實(shí)施，企業(yè)必須考慮這三個(gè)實(shí)際因素:首先，打開黑匣子，跟蹤機(jī)器的決定，并以一種可解釋的方式呈現(xiàn)它。其次，知道如何在沒有大量信息的環(huán)境中應(yīng)用人工智能。***，嵌入領(lǐng)域知識和體驗(yàn)式學(xué)習(xí)，以豐富它們的知識圖譜并推動實(shí)現(xiàn)更有效的人工智能應(yīng)用。