人工智能(AI)作為數(shù)字時代的轉(zhuǎn)型技術(shù)脫穎而出——人工智能在整個經(jīng)濟(jì)中的實(shí)際應(yīng)用正在快速增長。為了撰寫《人工智能前沿記：數(shù)百用例知道多》這一簡報，我們將傳統(tǒng)分析和更新的“深度學(xué)習(xí)”技術(shù)及其可以解決的問題映射到公司和組織的400多個特定用例中。借助麥肯錫全球研究院的研究以及麥肯錫分析人工智能的應(yīng)用經(jīng)驗(yàn)，我們評估了跨行業(yè)和業(yè)務(wù)職能的高級人工智能技術(shù)的實(shí)際應(yīng)用和經(jīng)濟(jì)潛力。我們的研究結(jié)果強(qiáng)調(diào)了在整個經(jīng)濟(jì)中應(yīng)用深度學(xué)習(xí)技術(shù)的巨大潛力，但隨著技術(shù)的不斷發(fā)展，我們也意識到一些揮之不去的局限和障礙(以及未來的機(jī)遇)。最終，人工智能的價值不在于模型本身，而在于公司是否有能力使用人工智能。

 

即使我們意識到使用人工智能技術(shù)的經(jīng)濟(jì)潛力，數(shù)據(jù)的使用也必須始終考慮到數(shù)據(jù)安全性、隱私和潛在的偏見等等的問題，這一點(diǎn)不得不強(qiáng)調(diào)。

 

 

隨著人工智能技術(shù)的發(fā)展，到底是哪種技術(shù)構(gòu)成了人工智能的定義也在不斷發(fā)展。出于本簡報的目的，我們將使用人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)的簡稱為人工智能。我們還考察了其它機(jī)器學(xué)習(xí)技術(shù)和傳統(tǒng)分析技術(shù)。

 

神經(jīng)網(wǎng)絡(luò)(neural network)是機(jī)器學(xué)習(xí)技術(shù)的一部分。神經(jīng)網(wǎng)絡(luò)本質(zhì)上是基于通過模擬方式連接的“神經(jīng)元單元(neural unit)”的人工智能系統(tǒng)，這些系統(tǒng)粗略地模擬了神經(jīng)元在大腦中的相互作用方式。自20世紀(jì)40年代以來，人們已經(jīng)研究了受神經(jīng)連接啟發(fā)的計算模型，并且隨著計算機(jī)處理能力的提高和大型訓(xùn)練數(shù)據(jù)集成功地用于分析輸入數(shù)據(jù)(如圖像、視頻和語音)而再次聲名大噪。人工智能從業(yè)者將這些技術(shù)稱為“深度學(xué)習(xí)”，因?yàn)樯窠?jīng)網(wǎng)絡(luò)具有很多(“深”)層的模擬互連神經(jīng)元(simulated interconnected neuron)。

 

 

• 前饋神經(jīng)網(wǎng)絡(luò)(feed forward neural network)：最簡單的人工神經(jīng)網(wǎng)絡(luò)。在這種架構(gòu)中，信息僅在一個方向上移動，從輸入層向前移動，經(jīng)過“隱藏”層移動到輸出層。網(wǎng)絡(luò)中沒有環(huán)路(loop)。首個單神經(jīng)元網(wǎng)絡(luò)是由人工智能先驅(qū)Frank Rosenblatt在1958年提出的。雖然這個想法并不新鮮，但計算能力、訓(xùn)練算法和可用數(shù)據(jù)的發(fā)展促成了高于以往的性能水平。

 

• 遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent neural network，RNN)：人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間的連接包含環(huán)路，這些環(huán)路非常適用于處理一連串輸入。2016年11月，牛津大學(xué)的研究人員報告說，基于遞歸神經(jīng)網(wǎng)絡(luò)(和卷積神經(jīng)網(wǎng)絡(luò))的系統(tǒng)在唇讀(reading lips)方面達(dá)到了95%的準(zhǔn)確率，優(yōu)于經(jīng)驗(yàn)豐富的人類唇讀者，后者的準(zhǔn)確率為52%。

 

• 人工神經(jīng)網(wǎng)絡(luò)，其中神經(jīng)層之間的連接受到動物視覺皮層(animal visual cortex)的啟發(fā)，動物視覺皮層是大腦處理圖像的部分，非常適用于感知方面的任務(wù)。

 

對于我們的用例，我們還考慮了另外兩種技術(shù)——生成對抗網(wǎng)絡(luò)(GAN)和強(qiáng)化學(xué)習(xí)——但未將它們包含在我們對人工智能的潛在價值評估中，因?yàn)樯蓪咕W(wǎng)絡(luò)這一新生技術(shù)尚未得到廣泛應(yīng)用。

 

生成對抗網(wǎng)絡(luò)(GAN)使用兩個神經(jīng)網(wǎng)絡(luò)在零和游戲(zero-sum game)框架中相互競爭(因此是“對抗”)。生成對抗網(wǎng)絡(luò)能學(xué)會模擬各種數(shù)據(jù)分布(例如文本、語音和圖像)，因此，一旦沒有數(shù)據(jù)分布可用的話，該網(wǎng)絡(luò)就能生成測試數(shù)據(jù)集，這很有用。

 

強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)的子領(lǐng)域，在強(qiáng)化學(xué)習(xí)中，系統(tǒng)通過接收虛擬“獎勵”或“懲罰”來得到訓(xùn)練，這實(shí)際上是通過試錯法來學(xué)習(xí)。谷歌DeepMind已經(jīng)使用強(qiáng)化學(xué)習(xí)來開發(fā)可以玩游戲的系統(tǒng)(包括視頻游戲和圍棋(Go)等棋類游戲)，其能力勝過人類冠軍棋手。

 

在業(yè)務(wù)環(huán)境中，這些分析技術(shù)可用來解決現(xiàn)實(shí)問題。最普遍的問題類型是分類、連續(xù)評估(continuous estimation)和聚類(clustering)。側(cè)欄中提供了問題類型及其定義的列表。

 

 

我們整理并分析了19個行業(yè)和9個業(yè)務(wù)職能部門的400多個用例。這些用例為特定部門里的領(lǐng)域帶來了這樣的洞察——深度神經(jīng)網(wǎng)絡(luò)在這些領(lǐng)域里所能創(chuàng)造的最大價值，這些神經(jīng)網(wǎng)絡(luò)相較于傳統(tǒng)分析所能產(chǎn)生的增量提升，以及為了實(shí)現(xiàn)潛力而必須得到滿足的貪婪的數(shù)據(jù)需求(就數(shù)量，種類和速度而論)。我們的用例庫雖然范圍很廣，但并不詳盡，可能會夸大或低估某些部門的潛力。我們將繼續(xù)對它進(jìn)行改進(jìn)和擴(kuò)充。

 

 

• 預(yù)測性維護(hù)(predictive maintenance)：機(jī)器學(xué)習(xí)檢測異常的能力。深度學(xué)習(xí)能分析大量高維數(shù)據(jù)(high dimensional data)，因此它可以將現(xiàn)有的預(yù)防性維護(hù)系統(tǒng)(preventive maintenance system)提升到一個新的水平。如果將額外的數(shù)據(jù)(例如來自其它傳感器的音頻和圖像數(shù)據(jù)，來自麥克風(fēng)和攝像機(jī)等相對便宜的傳感器也算)加入分層中，神經(jīng)網(wǎng)絡(luò)就可以增強(qiáng)并取代更傳統(tǒng)的方法。人工智能能夠預(yù)測故障并使有計劃的干預(yù)措施成為可能，這些能力可以減少停機(jī)時間和運(yùn)營成本，同時提高生產(chǎn)力。例如，人工智能可以用傳統(tǒng)的分析技術(shù)延長貨機(jī)的壽命，使其壽命大大超出預(yù)期，方法就是將飛機(jī)模型數(shù)據(jù)、維護(hù)記錄、物聯(lián)網(wǎng)傳感器數(shù)據(jù)(例如發(fā)動機(jī)振動數(shù)據(jù)的異常檢測)和表明發(fā)動機(jī)狀況的圖像和視頻通通結(jié)合起來。

 

• 人工智能驅(qū)動的物流優(yōu)化可以通過實(shí)時預(yù)測和行為指導(dǎo)來降低成本。物流中使用人工智能技術(shù)(如連續(xù)評估)可以為各個部門帶來實(shí)實(shí)在在的增值。人工智能可以優(yōu)化運(yùn)輸路線，從而提高燃油效率并縮短交付時間。有一家歐洲貨運(yùn)公司將燃油成本降低了15%，其方法五花八門，比如使用能同時監(jiān)控車輛性能和駕駛員行為的傳感器，讓司機(jī)接收實(shí)時指導(dǎo)(包括何時加速或減速)、優(yōu)化油耗并降低維護(hù)成本。

 

• 人工智能可以成為解決客服管理和個性化服務(wù)方面的難題的有用工具。因?yàn)槿斯ぶ悄芗夹g(shù)的應(yīng)用，呼叫中心管理和呼叫路由(call routing)中的語音識別得到了改善，為客戶提供了更加無縫的體驗(yàn)(和更高效的處理能力)。這些功能不僅僅停留在文字上。例如，對音頻進(jìn)行深度學(xué)習(xí)分析使系統(tǒng)能評估客戶的情緒;如果客戶對系統(tǒng)反應(yīng)不佳，呼叫會自動再路由到接線員和管理員。人工智能技術(shù)在營銷和銷售的其它領(lǐng)域也能產(chǎn)生重大影響。將客戶人口統(tǒng)計、過去的交易數(shù)據(jù)與社交媒體監(jiān)控相結(jié)合有助于生成個性化的產(chǎn)品推薦。面向個人客戶的“下一個要購買的產(chǎn)品(next product to buy)”推薦(亞馬遜和網(wǎng)飛等公司已成功實(shí)施)可以使銷售轉(zhuǎn)化率提高兩倍。

 

 

在我們研究的69%的用例中，深度神經(jīng)網(wǎng)絡(luò)可用于提高性能，其提升性能的能力優(yōu)于其它分析技術(shù)。我們將不得不使用神經(jīng)網(wǎng)絡(luò)的情況姑且稱為“綠地(greenfield)”案例，這種情況僅占總數(shù)的16%。對于剩下的15%，人工神經(jīng)網(wǎng)絡(luò)在性能上略勝于其它分析技術(shù)，原因之一是數(shù)據(jù)的局限導(dǎo)致這些案例不適用于深度學(xué)習(xí)。

 

綠地人工智能解決方案(Greenfield AI solution)在客戶服務(wù)管理等業(yè)務(wù)領(lǐng)域以及數(shù)據(jù)豐富且數(shù)量龐大并且有時會整合人類反應(yīng)的一些行業(yè)中非常普遍。在各大行業(yè)中，我們發(fā)現(xiàn)醫(yī)療領(lǐng)域里綠地用例尤其多。這其中有一些用例涉及疾病診斷和護(hù)理改善，這些用例還依賴于包含圖像和視頻輸入的富數(shù)據(jù)集(MRI發(fā)來的圖像和富數(shù)據(jù)集也算)。

 

平均來看，我們的用例表明，現(xiàn)代深度學(xué)習(xí)人工智能技術(shù)對附加值的提升可能遠(yuǎn)高于傳統(tǒng)分析技術(shù)，高出30%到128%不等，具體要看行業(yè)。

 

然而，在我們掌握的大量用例中，由于人工智能在某些情況下潛力有限，所以傳統(tǒng)分析和機(jī)器學(xué)習(xí)技術(shù)繼續(xù)支撐著行業(yè)(包括保險、制藥和醫(yī)療產(chǎn)品以及電信)中很大一部分的價值創(chuàng)造潛力，人工智能則局限于某些環(huán)境中。在某種程度上，這歸咎于這些行業(yè)使用數(shù)據(jù)的方式，歸咎于監(jiān)管問題。

 

 

要在大多數(shù)應(yīng)用中高效使用神經(jīng)網(wǎng)絡(luò)就需要大型的經(jīng)過標(biāo)記的訓(xùn)練數(shù)據(jù)集，同時充分使用計算基礎(chǔ)設(shè)施。此外，這些深度學(xué)習(xí)技術(shù)特別強(qiáng)大，能從復(fù)雜的多維數(shù)據(jù)類型(如圖像，視頻，音頻或語音)中提取模式。

 

深度學(xué)習(xí)方法需要成千上萬的數(shù)據(jù)記錄才能使模型在分類任務(wù)中表現(xiàn)得相對較好，在某些情況下，該方法要數(shù)百萬的數(shù)據(jù)記錄才可以達(dá)到人類的表現(xiàn)水平。根據(jù)一個估計，有監(jiān)督深度學(xué)習(xí)算法(supervised deep-learning algorithm)往往能達(dá)到可接受的性能(每個類別有大約5,000個標(biāo)記示例)，并且當(dāng)人們用包含至少1,000萬個標(biāo)記示例的數(shù)據(jù)來訓(xùn)練有監(jiān)督深度學(xué)習(xí)算法時，該算法能達(dá)到或超越人類的表現(xiàn)水平。在目前使用高級分析的某些情況下，可用的數(shù)據(jù)非常多(每個數(shù)據(jù)集有數(shù)百萬甚至數(shù)十億行)，以至于人工智能非用不可。但是，如果數(shù)據(jù)量閾值未達(dá)到，人工智能可能無法為傳統(tǒng)的分析技術(shù)增值。

 

對于很多業(yè)務(wù)用例而言，這些海量數(shù)據(jù)集很難獲取或創(chuàng)建，并且標(biāo)記仍是一個難題。當(dāng)前大多數(shù)人工智能模型都是通過“有監(jiān)督學(xué)習(xí)”進(jìn)行訓(xùn)練的，有監(jiān)督學(xué)習(xí)要求人類對基礎(chǔ)數(shù)據(jù)進(jìn)行標(biāo)記和分類。然而，有前景的新技術(shù)將克服這些數(shù)據(jù)瓶頸(例如強(qiáng)化學(xué)習(xí)，生成對抗網(wǎng)絡(luò)，轉(zhuǎn)移學(xué)習(xí)和“一次性學(xué)習(xí)”)，使訓(xùn)練有素的人工智能模型可以根據(jù)少量(有時只有一個)真實(shí)的演示或示例來學(xué)習(xí)主題。

 

組織必須采用和實(shí)施能大規(guī)模收集和整合數(shù)據(jù)的戰(zhàn)略。即使組織有大型數(shù)據(jù)集，它們也必須防止“過擬合(overfitting)”，即模型與訓(xùn)練集的“嘈雜的”特征或隨機(jī)特征過于匹配，過擬合會導(dǎo)致未來性能缺乏相對的準(zhǔn)確性，它們還要防止“欠擬合(underfitting)”，即模型無法捕獲所有相關(guān)功能。將客戶群和渠道之間的數(shù)據(jù)連接起來，而不是讓數(shù)據(jù)在孤島中衰敗，這對于創(chuàng)造價值尤為重要。

 

 

神經(jīng)人工智能技術(shù)(Neural AI technique)擅于分析圖像、視頻和音頻數(shù)據(jù)類型，因?yàn)樗鼈兙哂袕臉I(yè)者稱為“高維度”的復(fù)雜的多維性質(zhì)。神經(jīng)網(wǎng)絡(luò)擅長處理高維度，因?yàn)榫W(wǎng)絡(luò)中的多個層可以學(xué)會表述數(shù)據(jù)中存在的很多不同特征。因此，對于人臉識別來說，網(wǎng)絡(luò)中的第一層可以關(guān)注原始像素，下一層則關(guān)注邊緣和線條，再下一層則關(guān)注通用面部特征，而最后一層則可以識別人臉。這些神經(jīng)網(wǎng)絡(luò)技術(shù)不同于前幾代人工智能(前幾代人工智能往往需要人的專業(yè)知識來做“特征工程”)，它們往往能夠?qū)W會在模擬神經(jīng)網(wǎng)絡(luò)中表述這些特征，成為訓(xùn)練過程的一部分。

 

除了和數(shù)據(jù)量和數(shù)據(jù)有關(guān)的各種問題，速度也是一個需求：人工智能技術(shù)需要重新訓(xùn)練模型，以匹配可能的條件變化，因此訓(xùn)練數(shù)據(jù)必須經(jīng)常刷新。在三分之一的案例中，模型至少每月更新一次，幾乎四分之一的案例需要每天更新;在營銷和銷售以及供應(yīng)鏈管理和制造方面尤其如此。

 

 

我們估計，我們在本次簡報中引用的人工智能技術(shù)有可能在19個行業(yè)的9個業(yè)務(wù)職能中每年創(chuàng)造3.5萬億至5.8萬億美元的價值。這構(gòu)成了每年總體影響力(即9.5萬億到15.5萬億)約40%的比重，這個比重也許可以由所有的分析技術(shù)實(shí)現(xiàn)。

 

按行業(yè)來看，我們估計人工智能的潛在價值相當(dāng)于2016年收入的1%至9%。按行業(yè)收入百分比衡量的價值在不同行業(yè)之間大不相同，這取決于具體的適用用例、大量的復(fù)雜的數(shù)據(jù)的可用性，以及監(jiān)管和其它限制因素。

 

這些數(shù)字不是某個特定時期的預(yù)測，但它們表明了高級分析所代表的全球經(jīng)濟(jì)的巨大潛力。

 

從我們研究過的用例中，我們發(fā)現(xiàn)使用人工智能產(chǎn)生的最大潛在價值影響都包含在以銷售收入為導(dǎo)向的功能中，例如營銷和銷售，也包含在以損益表底線為導(dǎo)向的運(yùn)營功能，包括供應(yīng)鏈管理和制造業(yè)。

 

零售和高科技等消費(fèi)行業(yè)往往在營銷和銷售人工智能方面的應(yīng)用程序中更有潛力，因?yàn)闃I(yè)務(wù)和客戶之間的頻繁數(shù)字互動會產(chǎn)生更大的數(shù)據(jù)集，以便用上人工智能技術(shù)。特別是電子商務(wù)平臺將受益。這是因?yàn)檫@些平臺可以輕而易舉地收集客戶信息(例如點(diǎn)擊率數(shù)據(jù)或客戶在網(wǎng)頁上花費(fèi)的時間)，然后能動態(tài)、實(shí)時地為每個客戶定制促銷、價格和產(chǎn)品。

 

 

• 在零售業(yè)，營銷和銷售是人工智能能發(fā)揮最大潛在價值的領(lǐng)域，在該職能范圍內(nèi)，定價和促銷以及客戶服務(wù)管理是主要的價值領(lǐng)域。我們的用例表明，使用客戶數(shù)據(jù)將促銷活動個性化(例如，包括每天定制個別優(yōu)惠)就可以使實(shí)體零售商的增量銷售額增加1%到2%。

 

• 在消費(fèi)品中，供應(yīng)鏈管理是可以從人工智能部署中受益的關(guān)鍵功能。在我們所列舉的用例中，我們發(fā)現(xiàn)基于需求的潛在因果驅(qū)動因素(而不是先前的結(jié)果)的預(yù)測如何能夠?qū)㈩A(yù)測準(zhǔn)確性提高10%到20%，這意味著庫存成本可能會降低5%，收入可能會增加2%到3%。

 

• 在銀行業(yè)，尤其是零售銀行業(yè)(retail banking)，人工智能在營銷和銷售方面具有巨大的價值潛力，絲毫不亞于它在零售業(yè)的價值潛力。然而，由于評估和管理銀行業(yè)風(fēng)險的重要性(例如貸款承保和欺詐檢測)，人工智能在提高銀行業(yè)風(fēng)險績效方面所具有的價值潛力要高于很多其它行業(yè)。

 

 

人工智能正在吸引越來越多的企業(yè)投資，隨著技術(shù)的發(fā)展，可發(fā)掘的潛在價值很可能會增長。然而，到目前為止，只有約20%意識到人工智能重要性的公司目前在核心業(yè)務(wù)流程中使用其中一項(xiàng)或多項(xiàng)技術(shù)，或大規(guī)模使用這些技術(shù)。

 

盡管人工智能技術(shù)前景廣闊，它仍有很多需要克服的局限。這些局限包括上面列出的苛刻的數(shù)據(jù)需求，還包括一下五個局限：

 

• 第一個局限是標(biāo)記訓(xùn)練數(shù)據(jù)的挑戰(zhàn)，這些數(shù)據(jù)往往必須手動完成，它們對于監(jiān)督學(xué)習(xí)是必要的。有前景的新技術(shù)正在不斷涌現(xiàn)，旨在應(yīng)對這一挑戰(zhàn)，例如強(qiáng)化學(xué)習(xí)和流內(nèi)監(jiān)督(in-stream supervision)，在這些技術(shù)里，數(shù)據(jù)可以在自然使用過程中進(jìn)行標(biāo)記。

 

• 第二個局限是難以獲得足夠大且全面的數(shù)據(jù)集用于培訓(xùn);對于很多商業(yè)用例來說，創(chuàng)建或獲取此類海量數(shù)據(jù)集可能很困難——例如，有限的臨床試驗(yàn)數(shù)據(jù)可以更準(zhǔn)確地預(yù)測醫(yī)療治療結(jié)果。

 

• 第三個局限是難以用人類的話來解釋大型復(fù)雜模型得出來的結(jié)果：為什么達(dá)成了某個決定?例如，醫(yī)療以及汽車和航空航天工業(yè)中的產(chǎn)品認(rèn)證可能是一個障礙;除了其它限制因素外，監(jiān)管機(jī)構(gòu)往往希望規(guī)則和選擇標(biāo)準(zhǔn)能夠得到清楚的解釋。

 

• 第四個局限是學(xué)習(xí)的普遍性：人工智能模型從一種情況轉(zhuǎn)移到另一種情況時仍然存在困難。這意味著公司必須投入資源來訓(xùn)練新模型，即使是與之前類似的用例。遷移學(xué)習(xí)(人工智能模型在這里得到訓(xùn)練以完成某項(xiàng)任務(wù)，然后快速將學(xué)到的知識應(yīng)用于類似但不同的活動)是對這一挑戰(zhàn)的一個有前景的回應(yīng)。

 

• 第五個局限涉及數(shù)據(jù)和算法偏差的風(fēng)險。這個問題本質(zhì)上涉及更具社交意義的憂慮，并且可能需要更廣泛的步驟來解決，例如，要了解用來收集訓(xùn)練數(shù)據(jù)的流程以什么樣的方式影響曾經(jīng)受過它們訓(xùn)練的模型的行為。例如，當(dāng)訓(xùn)練數(shù)據(jù)不代表應(yīng)用人工智能模型的較大人口時，人們可能會引入非預(yù)期的偏差。因此，當(dāng)人們將人臉識別應(yīng)用到具有更多不同特征的群體時，在與人工智能開發(fā)者的人口統(tǒng)計相對應(yīng)的面部群體上受到訓(xùn)練的人臉識別模型可能會遇到困難。最近關(guān)于惡意使用人工智能的報告突出了一系列安全威脅，如復(fù)雜的入侵自動化、超個性化的虛假政治宣傳活動等等。

 

 

計劃采用重要深度學(xué)習(xí)工作的組織要考慮一系列有關(guān)如何做到這一點(diǎn)的選擇。選擇范圍包括構(gòu)建完整的內(nèi)部人工智能功能，將這些功能外包或利用人工智能即服務(wù)(AI-as-a-service)產(chǎn)品。

 

公司要根據(jù)計劃要構(gòu)建的用例來制定一個能產(chǎn)生結(jié)果和預(yù)測的數(shù)據(jù)計劃，這些數(shù)據(jù)計劃可以輸入設(shè)計的界面，供人類在交易系統(tǒng)上進(jìn)行操作。關(guān)鍵的數(shù)據(jù)工程難題包括數(shù)據(jù)創(chuàng)建或數(shù)據(jù)獲取，定義數(shù)據(jù)本體(data ontology)以及構(gòu)建適當(dāng)?shù)臄?shù)據(jù)“管道”。鑒于深度學(xué)習(xí)的重要計算要求，因?yàn)榉ㄒ?guī)或安全問題，有些組織將維護(hù)自己的數(shù)據(jù)中心，但資本支出可能相當(dāng)大(特別是在使用專用硬件時)。云供應(yīng)商提供另一種選擇。

 

如果組織在數(shù)字化方面不成熟，流程也可能會成為成功采用的障礙。在技術(shù)方面，組織必須開發(fā)強(qiáng)大的數(shù)據(jù)維護(hù)和治理流程，并實(shí)施現(xiàn)代軟件規(guī)程，如敏捷(Agile)和開發(fā)運(yùn)維(DevOps)。在規(guī)模方面，更難的是克服“最后一英里”問題，即確保人工智能提供的卓越洞察在企業(yè)人員和流程的行為中得到實(shí)例化。

 

從人的陣線來說，深度神經(jīng)網(wǎng)絡(luò)的大部分建設(shè)和優(yōu)化仍然是一種藝術(shù)，因此需要真正的專家才能提供逐步改進(jìn)的性能。這些技能供不應(yīng)求;根據(jù)一些估算，具備解決嚴(yán)重人工智能問題所需的技能的人不到10,000個?？萍季揞^們紛紛展開激烈的人才爭奪戰(zhàn)。

 

 

在人工智能技術(shù)和數(shù)據(jù)可用且價值得到明確驗(yàn)證的情況下，組織就可以抓住機(jī)遇。在某些領(lǐng)域，當(dāng)今的技術(shù)可能已經(jīng)成熟并且數(shù)據(jù)已經(jīng)可用，但考慮到人工智能可能生成的價值，部署人工智能的成本和復(fù)雜性可能根本不值得。例如，航空公司可以使用人臉識別和其它生物識別掃描技術(shù)來簡化登機(jī)流程，但這么做所帶來的價值可能無法證明與隱私和個人身份有關(guān)的成本和問題的合理性。

 

同樣，我們看到了很多潛在案例，在這些案例中，數(shù)據(jù)和技術(shù)日趨成熟，但價值尚不明朗。最不可預(yù)測的情況是，數(shù)據(jù)(類型和數(shù)量)或技術(shù)都太新，且未經(jīng)檢驗(yàn)，以至于無法知道數(shù)據(jù)到底能發(fā)掘多少價值。例如，在醫(yī)療方面，如果人工智能能在驚人的精細(xì)度上再接再厲(我們要做X光分析才能看得到)，將這種精度拓寬到醫(yī)療診斷乃至醫(yī)療程序上，這種經(jīng)濟(jì)價值是不可估量的。與此同時，抵達(dá)這一前沿的復(fù)雜性和成本也令人生畏。除其他問題外，這還需要完美的技術(shù)執(zhí)行和解決醫(yī)療事故保險和其他法律問題。

 

社會問題和法規(guī)也可能限制人工智能的使用。監(jiān)管限制在與個人身份信息相關(guān)的使用案例中尤為普遍。在一些關(guān)于某些在線平臺上個人數(shù)據(jù)的使用和商業(yè)化的公眾辯論日益激烈的時期，這一點(diǎn)尤為重要。個人信息的使用和存儲在銀行、醫(yī)療、醫(yī)藥和醫(yī)療產(chǎn)品以及公共和社會部門等部門尤為敏感。除了解決這些問題之外，企業(yè)和其它人工智能數(shù)據(jù)用戶還要繼續(xù)發(fā)展與數(shù)據(jù)使用相關(guān)的業(yè)務(wù)模式，以解決社會關(guān)注的問題。此外，監(jiān)管要求和限制因國家和部門而異。

 

 

正如我們所看到的，真正創(chuàng)造價值的是公司對人工智能模型的執(zhí)行能力，而不是模型本身。在最后這一節(jié)，我們概述了研究人工智能技術(shù)提供者、人工智能技術(shù)的應(yīng)用者和政策制定者的案例所隱含的一些高層次的影響，這些人兩種情況都占了。

 

• 對于提供人工智能技術(shù)的公司來說：很多為其它公司開發(fā)或提供人工智能的公司在技術(shù)本身和數(shù)據(jù)科學(xué)家所需的數(shù)據(jù)方面具有相當(dāng)大的優(yōu)勢，但這些公司可能缺乏對終端市場的深刻理解。了解人工智能跨部門和職能的價值潛力有助于塑造這些人工智能技術(shù)公司的投資組合。也就是說，它們不一定只是優(yōu)先考慮潛在價值最高的領(lǐng)域。相反，它們可以將所有的資源(對競爭格局的互補(bǔ)分析、對自身現(xiàn)有優(yōu)勢的互補(bǔ)分析、部門或職能領(lǐng)域的知識和客戶關(guān)系)結(jié)合起來，以打造投資組合。在技術(shù)方面，將問題類型和技術(shù)對應(yīng)到具有潛在價值的部門和職能對具有特定專業(yè)領(lǐng)域的公司所要關(guān)注的重點(diǎn)具有指導(dǎo)作用。

 

• 很多設(shè)法在運(yùn)營中采用人工智能的公司已開始在業(yè)務(wù)中進(jìn)行機(jī)器學(xué)習(xí)和人工智能實(shí)驗(yàn)。在推出更多試點(diǎn)項(xiàng)目或測試解決方案之前，走出藩籬并采取整體方法來解決問題，進(jìn)而在整個企業(yè)中確立一系列重要的計劃(包括人工智能和更廣泛的分析和數(shù)字技術(shù))，這是十分有用的。要讓業(yè)務(wù)負(fù)責(zé)人確立適當(dāng)?shù)耐顿Y組合，重要的是要了解哪些用例和領(lǐng)域有望為公司帶來最大價值，以及需要對哪些人工智能和其它分析技術(shù)進(jìn)行部署，獲取這個價值。這個投資組合必須得到兩方面的啟迪，即在哪里能踐行理論價值以及如何在整個企業(yè)范圍內(nèi)大規(guī)模部署技術(shù)。分析技術(shù)如何擴(kuò)展的問題不僅取決于技術(shù)本身，更取決于公司的技能、能力和數(shù)據(jù)。公司要考慮“最初一英里”(和“最后一英里”)方面的工作，即如何獲取和組織數(shù)據(jù)和工作，或者如何將人工智能模型的輸出整合到工作流程中(從臨床試驗(yàn)經(jīng)理和銷售隊(duì)伍管理者乃至采購人員)。麥肯錫全球研究院以往的研究表明，人工智能領(lǐng)導(dǎo)者在最初一英里和最后一英里的這些工作中投入了大量資金。

 

• 政策制定者要在支持人工智能技術(shù)的發(fā)展和管理不良行為者的風(fēng)險之間取得平衡。他們有意支持廣泛采用，因?yàn)槿斯ぶ悄芸梢詭砀叩膭趧由a(chǎn)率、經(jīng)濟(jì)增長和社會繁榮。他們的手段包括對研發(fā)的公共投資以及對各種培訓(xùn)計劃的支持，這些手段有助于培養(yǎng)人才。在數(shù)據(jù)問題上，政府可以通過開放的數(shù)據(jù)計劃直接刺激訓(xùn)練數(shù)據(jù)的開發(fā)。開放公共部門數(shù)據(jù)可以刺激私營部門的創(chuàng)新。設(shè)立通用數(shù)據(jù)標(biāo)準(zhǔn)也大有裨益。人工智能也給政策制定者提出了新的問題，即傳統(tǒng)的工具和框架可能不夠用的問題。因此，人們可能需要一些政策創(chuàng)新來應(yīng)對這些快速發(fā)展的技術(shù)。但鑒于商業(yè)、經(jīng)濟(jì)和社會受到了巨大的積極影響，其目標(biāo)不應(yīng)該只限制人工智能的采用和應(yīng)用，而是鼓勵人工智能得到有益和安全的使用。