如今，人工智能的炒作無(wú)處不在，很多全球科技廠商都在開(kāi)發(fā)和應(yīng)用人工智能技術(shù)，以獲得理想的投資回報(bào)率。但是，目前人工智能創(chuàng)新的速度比分析師最初預(yù)期的要慢得多。

采用舊思維思考人工智能新問(wèn)題

一個(gè)明顯的原因可能是將舊思想應(yīng)用到人工智能的新問(wèn)題中，這些問(wèn)題在實(shí)際應(yīng)用中損害了該技術(shù)的發(fā)展前景。研究機(jī)構(gòu)Lux Research公司最近進(jìn)行一項(xiàng)新研究概述了企業(yè)在人工智能創(chuàng)新方面面臨的挑戰(zhàn)，以及他們?nèi)绾胃淖儎?chuàng)新流程以提高AI成功率。

該公司總監(jiān)兼報(bào)告作者ShriramRamanathan博士說(shuō)：“企業(yè)在人工智能方面受到阻礙，因?yàn)樗鼈円恢痹谑褂脗鹘y(tǒng)流程來(lái)管理人工智能創(chuàng)新。當(dāng)務(wù)之急是不要將舊思想應(yīng)用到新問(wèn)題上，尤其是在人工智能方面。”

由于利益相關(guān)者只專注于投資回報(bào)率、項(xiàng)目選擇和執(zhí)行，因此很少有人關(guān)注用于管理人工智能項(xiàng)目的基礎(chǔ)創(chuàng)新流程。

Ramanathan解釋說(shuō)，“根本的挑戰(zhàn)在于，人工智能解決方案中的底層邏輯與提供洞察力的原始數(shù)據(jù)錯(cuò)綜復(fù)雜地聯(lián)系在一起。盡管這可以使人工智能解決方案輕松適應(yīng)不斷變化的環(huán)境，但這也是人工智能的致命弱點(diǎn)。人工智能解決方案在部署到現(xiàn)實(shí)世界的那一刻，便迅速偏離其原始目的。企業(yè)需要持續(xù)不斷地進(jìn)行開(kāi)發(fā)工作，以使人工智能模型保持最新?tīng)顟B(tài)?！?/p>

由于缺乏用例，并且對(duì)現(xiàn)代人工智能的應(yīng)用缺乏正確的理解，因此，該技術(shù)僅限于研究實(shí)驗(yàn)室，而很少用來(lái)展示業(yè)務(wù)價(jià)值。

馬里蘭大學(xué)助理研究員Hannah Kerner在《麻省理工科技評(píng)論》，大多數(shù)人工智能研究報(bào)告在大型會(huì)議上都處于邊緣地位。他們的作者唯一真正的希望是讓他們的論文在研討會(huì)上被接受，而這些研究報(bào)告很少能得到人們的關(guān)注。

他說(shuō)，“這是一個(gè)問(wèn)題，因?yàn)?a target="_blank">機(jī)器學(xué)習(xí)在促進(jìn)健康、農(nóng)業(yè)、科學(xué)發(fā)現(xiàn)等方面具有廣闊的前景。只有在該領(lǐng)域的其他人優(yōu)先考慮現(xiàn)實(shí)世界中的應(yīng)用程序的情況下，我們才有開(kāi)創(chuàng)性的發(fā)現(xiàn)?！?/p>

美國(guó)宇航局計(jì)算機(jī)科學(xué)家Kiri Wagstaff在題為“重要的機(jī)器學(xué)習(xí)”的論文中說(shuō)：“當(dāng)前許多機(jī)器學(xué)習(xí)研究已經(jīng)與廣泛的科學(xué)和社會(huì)的進(jìn)口問(wèn)題失去聯(lián)系。”

他在論文指出，當(dāng)將機(jī)器學(xué)習(xí)在現(xiàn)實(shí)世界中的應(yīng)用研究排除在主流之外時(shí)，研究人員很難看到他們的偏見(jiàn)模型的影響，從而大大降低了他們解決任何問(wèn)題的可能性。

將人工智能創(chuàng)新推向市場(chǎng)

Ramanathan表示，為了增加將人工智能創(chuàng)新推向市場(chǎng)的成功機(jī)會(huì)，利益相關(guān)者首先應(yīng)該降低人工智能項(xiàng)目的歧義程度，首先要盡可能縮小人工智能用例的范圍，并計(jì)劃一個(gè)廣泛的計(jì)劃和一系列潛在的方案。

更重要的是，他認(rèn)為高管們應(yīng)該在項(xiàng)目初期就計(jì)劃實(shí)際部署。這可能意味著在構(gòu)建人工智能產(chǎn)品時(shí)要整合各種現(xiàn)實(shí)世界的數(shù)據(jù)，確保人工智能解決方案易于跟蹤和更新，并準(zhǔn)備好更新現(xiàn)有的傳統(tǒng)模型和流程，以使其更加敏捷和高效。

數(shù)據(jù)架構(gòu)師AwaisBajwa在最近的一篇文章中也提到，未來(lái)的人工智能浪潮是打破“人工智能黑盒”，并理解機(jī)器學(xué)習(xí)模型做出的決策和預(yù)測(cè)的原因。

換句話說(shuō)，那些在機(jī)器學(xué)習(xí)中應(yīng)用了舊思想的人認(rèn)為這項(xiàng)工作只是簡(jiǎn)單地應(yīng)用已經(jīng)存在的方法。但是實(shí)際上，要使機(jī)器學(xué)習(xí)工具適應(yīng)特定的實(shí)際問(wèn)題，需要大量的算法和工程工作。

機(jī)器學(xué)習(xí)研究人員未能意識(shí)到這一點(diǎn)，并期望工具可以“現(xiàn)成”地工作，往往會(huì)導(dǎo)致創(chuàng)建無(wú)效模型。
責(zé)任編輯:tzh