认清这四个现实绘制AI与企业自动化实施路线图

  然而，AI在自动化和改善业务流程的商务应用方面并没那么普遍。尽管牛津大学的一项研究表明，AI可以在未来20年内使一半以上的工作岗位自动化，但可能是经历了太多媒体过度炒作和不实信息，许多企业高管对这种新兴技术的潜在影响力仍表示怀疑。

  在图像识别、语音到文本转化等任务以及围棋等复杂游戏方面，机器学习算法史无前例地击败了人类。人工智能的繁荣是由以下三个因素综合推动的：深度学习算法的突破、训练这些算法的大数据（结构化数据）的增多，以及机器学习硬件解决能力的急剧加速，例如将机器训练时间从几个月减少到几天和几小时的图形处理器（GPU）芯片组（见图1）。图1

  这三个因素预计都将继续加速发展。到2020年，估计约70%的企业数据都将在云数据库中存储和处理，这为训练机器学习算法提供了前所未有的大数据基础设施。同样，能够加快算法训练速度的硬件芯片也在快速地发展。谷歌、NVIDIA和英特尔都宣布了下一代GPU芯片硬件将把训练速度提高10至100倍。基于一直增长的专利申请数量，底层机器学习算法的进展将继续加快步伐。

  这些趋势提供了有力的证据说明AI将继续改进。对公司高管来说，这在某种程度上预示着AI已经不容忽视。

  那么，在未来五到七年内，AI将能够为企业自动化做些什么呢？大多数专家这样认为，公司将采用窄域人工智能，或专注于一项任务的监督学习。AI算法将可使用训练数据来学习怎么样自动执行任务，但是解决方案应用场景范围小，并且在大多数情况下，机器将无法举一反三地执行其他任务（见图2）。普及广域的、像人类一样的人工智能，换句话说，无监督机器学习和情景感知，则在大多数情况下要几十年的时间。

  为了使用AI来做更高级的发票任务，比如识别欺诈，公司需要通过关注其他更深层次的特性和规律来设计和训练一个全新的解决方案。

  日本保险公司Fukoko计划使用AI取代20多家处理索赔的代理商，高盛公司利用机器学习在2000年把600人的交易员团队改造成为2016年仅200人的精益团队。然而，并非所有公司运营活动都适合于当今的窄域人工智能自动化。描述机器操作任务的一个方法就是计算机科学家吴恩达（Andrew Ng）所提出的A→B活动：处理此活动需使用一系列明确的输入并生成响应（见图3）。例如，零售需求预测是一个A→B活动。通过采用一系列信息，如季节性、区域历史销量、销售趋势、社会化媒体信号以及定价敏感性数据等信息，可以预测需求和人的需求。金融交易是另一个好例子。一种算法可通过历史价格、宏观趋势驱动因素和以往交易者制定的套利规则，确定最佳选择是购买还是卖出。尽管由于市场的不可预测性，依据这一些信息做出正确的决定可能仍然是一个挑战，但如果人工智能解决方案能够在大量交易中超出人类的表现，那么AI解决方案仍然具有吸引力。

  虽然技术上的要求差不多，但是一些AI就比另一些更快地被应用起来。更广泛的解决方案能够保证企业人工智能项目组合不仅在短期内的价值得到释放，而且长久来看还可以为更广泛的应用打好基础。企业引入人工智能技术以实现自动化需要仔细考虑以下几个方面：

  一次性成本。厘清人工智能方案的启动资本，例如算法开发和获取训练数据。利用开源算法或者按使用计费的“AI 服务”平台可以大大降低固定成本负担，但是用于训练的数据库却能成为昂贵的成本瓶颈，或者成为差异于竞争对手的强有力的资源。

  切换成本。评估出与AI连带的现有解决方案所带来的成本，包括打开AI算法的“黑匣子”这类技术门槛，以便追踪和阐释每一个决策；也包括人为阻碍，例如阻碍变革的政治和文化因素。

  生态需求。界定如果采用综合解决方案所需要的补充性技术。例如，AI 解决方案一定与创新的物联网传感器和新兴的机器人技术相结合，而这些技术有时会比AI更加复杂。

  系统扩展障碍。要考虑到AI解决方案扩展到还没有引入新技术的第三方系统所造成的负面影响，但是要知道人工智能的价值会随着更多用户使用它而提高。

  企业在AI应用过程中会遇到各种各样的挑战，而且还应该要考虑各种不同的潜在时间表以达到协同效果最大化。例如，与我们合作的呼叫中心能够将手写表格自动转换成结构化的电子数据记录（见图4）。软件开发和切换成本很低，因为这一解决方案完全基于已有机器学习模块。而且，企业已拥有海量标签化的数据能够适用于训练，透视文字识别扫描仪可处理信息，以及海量数据库基础。这一解决方案扩展的阻碍很低，某一功能的解决方案可完全为其他地域或者单位作为训练数据或参考。这一企业可望在2021年实现更广泛的AI应用。

  我们的呼叫中心客户的另一种解决方案就是对用户的声音和对话自动进行情感分析，从而加强呼叫中心客服互动性。这一解决方案具有更高的切换成本，因为涉及到文化和风险障碍。企业要控制在小范围内以降低对消费的人的负面影响。如果运行良好，企业要对其端到端训练流程进行再设计，以便人工智能引擎能够给代理推送出合理的建议。这一解决方案网络扩展性高，更高层次的应用将会产生更多的训练数据以改善性能，但是采集到有充足规模的训练数据是需要一些时间的，而且也需要得到企业决策层更多的信任。鉴于复杂性较高，人工智能情感分析将会需要7-10年的时间完成，而不像上一个解决方案那样只需要两三年时间就能够达到应用级。

  找出“A→B”的活动和流程。与其使用一次性的、完美的人工智能方案，不如在整个价值链上持续识别和建立从“A得到B”的业务系统，以达成潜在的机器学习自动化。这能确保从一个更宽的视角把下游业务考虑进去，例如潜在价值、时间效应、开发成本以及与企业整体战略的协调统一。

  将AI应用做优先性排序。由于人工智能解决方案不可复制，且需要特殊的数据资源和训练，将可自动化的从A得到B业务系统根据商业影响以及应用复杂程度进行排序，能够保证资源分配的合理性。

  从全产品周期出发做出生产、采购与外部合作决策。AI应用往往考验的是企业多领域能力与前瞻性。既要投入资本培养内部专家、外部顾问和商业合作伙伴，又需要与那些技术创业企业合作，采用最前沿科技和敏捷地捕捉与开发概念性测试，并且在几周内就能推出，而不是耗时几年。在那些AI可以有颠覆性效果的细致划分领域，直接收购，避免因为入场太晚而不得不花费昂贵的代价进行紧急并购。

  平台声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。