當下，越來越多的公司在人工智能上進行投資。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)境以及實現(xiàn)更豐富的知識圖譜方面進行實際考量。

在企業(yè)中，人工智能的應用正在穩(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高達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遇，他們逐漸意識到需要考慮一些實際問題，以便在整個企業(yè)中看到這項新技術(shù)將帶來的重大業(yè)務影響。根據(jù)我們在眾多客戶環(huán)境中應用人工智能的經(jīng)驗，我們發(fā)現(xiàn)組織必須解決三個因素: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。為了正確采用和實施，企業(yè)必須首先考慮這些實際問題，并在整個AI實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?”“為什么機器會做出某個具體的決定?事實上，許多新出現(xiàn)的人工智能都有一個固有的“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際的決定或建議。然而，當人們試圖打開盒子并弄清楚它的邏輯時，它就成了一個重大挑戰(zhàn)。這在受監(jiān)管的市場上可能很難被采用，因為市場會要求公司披露和解釋具體決策背后的理由。此外，缺乏可解釋的人工智能可能會影響整個公司所需的變更管理，以便成功實施人工智能。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員工難以接受的價值主張。

實現(xiàn)具有可追溯性的人工智能是應對這一挑戰(zhàn)的一種方式。例如，商業(yè)銀行管理在線投資組合中的風險。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標準。

有了人工智能，銀行實際上可以利用所有的這些資產(chǎn)負債表，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)，然后得出風險評分。該銀行應該能夠接受風險評分，點擊并深入查看導致最終評分的子組件編號。如果發(fā)現(xiàn)有一個分數(shù)看起來不太對時。用戶可以深入到下一個細節(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個資產(chǎn)負債表。在那里的腳注里會有系統(tǒng)用來推導分數(shù)的信息。用戶可以查看一個決策并解析驅(qū)動機器到達該端點的組件信息。可追溯性的實現(xiàn)有助于合規(guī)性的滿足并推動人工智能的應用。

2. 低數(shù)據(jù)密度環(huán)境

當人工智能能夠利用大量數(shù)據(jù)時，它就能運行得很好。例如與Siri等虛擬助手進行會話AI，可以訪問電子郵件，在線購物和多個應用程序。這就是為什么大多數(shù)AI應用程序都是在企業(yè)對消費者(B2C)環(huán)境中開始的，在B2C環(huán)境中，算法可以運行在數(shù)百萬個數(shù)據(jù)點中。企業(yè)通常無法始終訪問相同的數(shù)據(jù)量。例如，如果一個組織正在準備過去的合同，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)的計算語言學在受到少量數(shù)據(jù)的挑戰(zhàn)時可能是有效的。

在另一個例子中，一家財富管理公司可以使用自然語言處理和機器學習等技術(shù)，以高速聚合金融機構(gòu)和投資者的報表。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。這是一個相當大的數(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，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行無監(jiān)督學習算法。在低數(shù)據(jù)密度的環(huán)境中，監(jiān)督學習是最有效的。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域和行業(yè)應用相關聯(lián)。

知識圖譜可以捕獲上下文的關系，在人工智能中訓練數(shù)據(jù)模型，并在正確的上下文中對傳入的信息進行分類。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)以百萬計的參考點(包括來自亞馬遜或蘋果服務的搜索結(jié)果)為用戶提供即時答案。雖然對于這些簡單的交互很有用，但是當前的AI仍然無法復制或理解真實人類對話的復雜性并捕獲消費者期望的經(jīng)過深思熟慮的交互。

例如，如果一個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，因為他們不理解因果關系和公平。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。在這方面，銀行一直站在最前沿，允許客戶通過聊天機器人在他們的在線門戶或移動應用程序中獲取基本的賬戶信息。然而，更復雜的請求，如貸款申請或合同審查，對機器來說可能是一個挑戰(zhàn)。機器人需要能夠?qū)⑺褂玫脑~的本體、所問問題的上下文以及多個會話流的線程連接在一起進行綜合考慮。它需要特定領域、特定語境、特定知識的有機結(jié)合，才能使整個過程更加流暢。公司正在積極地開發(fā)特定領域的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實現(xiàn)更有吸引力的體驗和應用。

隨著人工智能的不斷投入和實施，企業(yè)必須考慮這三個實際因素:首先，打開黑匣子，跟蹤機器的決定，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)境中應用人工智能。***，嵌入領域知識和體驗式學習，以豐富它們的知識圖譜并推動實現(xiàn)更有效的人工智能應用。