2018，人工智能可以在哪些领域最快得到应用和普及？（下）

  昨天给大家分享了“**2018，人工智能可以在哪些领域最快得到应用和普及？**”上篇：**人工智能热潮下，你是理性趋势还是人云亦云？可查看12月27日发布的文章。**

  今天，接着分享 IBM 全球杰出工程师、IBM 研究院认知系统全球研究负责人林咏华女士的采访内容（林咏华女士受邀参加2018年1月5日在北京国际会议中心举行的“AI时代的移动技术革新”大会演讲）。

林.jpg

林咏华

 ** 对于在 AI 领域技术基础比较薄弱的企业，如何才能享受到 AI 带来的红利？**

** 为什么今天的企业都争先恐后的想要进入 AI 领域？**他们是希望成为像 IBM、Google 这样的 AI 公司，每年到 AAAI 或 NIPS 发几篇文章吗？答案当然不是。企业想进入 AI 领域，还是希望在自己的业务领域能获得新的增长点，希望借用 AI 的力量能打造出新的产品赢得更多市场份额，希望通过 AI 能把已有的产品提升一个水平从而更快地击败市场上的竞争对手。

  所以，对于这些**希望利用 AI 技术的企业而言有两点是重要的**。第一，找准 AI 技术在自身业务领域的定位，也就是未来产品的战略思考。这一点是无论如何不能由别的公司代替你去思考的，因为只有企业自己最了解自身的业务领域、发展机遇和企业现状。第二，Time-to Market，时间是十分宝贵的。在目前信息平坦的年代，市场机遇的赛跑就是时间的赛跑。

  所以，对于各个行业的企业，如果希望享受到人工智能带来的红利，需要自身花更多时间去思考和策划上面提到的第一点问题(产品战略)，而在第二点(Time-to Market)上，需要懂得借助外力。今天，在与时间赛跑的过程中，企业面临的最大挑战是人才和数据的问题。如何“借助外力”，往往也是企业犹豫的。如果像传统的购买企业服务模式来解决人才问题，对于一些行业会行不通。对于许多行业，他们的数据是具有高度保密的性质，不能把这些数据都交由第三方公司进行数据训练和分析。

  此外，企业的生产环境所针对的数据类型也会随着时间有所改变，例如零售业中货架的商品品类，生产线上产品的批次改变等。因此，哪怕企业交由第三方公司开发了一个机器学习的模型，是否之后所有在生产环境中的变化都要依赖第三方公司进行调整呢？所以，在引入 AI 技术的过程中，企业往往会在“人才培养时间过长”和“把控产品”之间犹豫。

  正因为看到这种现状，IBM 在为企业市场打造的 AI 平台中引入了 “AI for AI”的概念。我们为企业打造的 AI 开发平台不仅仅是一套工具或方法论，而是真正把一个“AI大脑”潜入到 AI 开发平台。我们在“AI大脑”中率先引入了多种深度学习的技术，如迁移学习、自动化机器学习(auto machine learning)、数据增强(data augmentation)等。

  一方面，我们把 IBM 研究院多年的机器学习研究成果内嵌到系统中，让 AI 开发平台更像一个专家系统；另一方面，我们通过AI for AI的技术，让这样的平台可以针对企业自己的数据进行自动化学习和优化。通过这些技术的内嵌，我们希望企业开发团队在没有深度学习的技术背景下，也能很容易地获得好的机器学习准确率。通过“AI for AI”的开发平台，我们希望帮助企业自身拥有 AI 的大脑，应用开发团队很快就能上手，使用企业自己的数据去进行机器学习以及AI 产品的研发。

** 在人才的问题之后，****另一个困扰企业的问题是数据的问题**。过去几年，深度学习的成功是基于海量的互联网开源数据。但这些数据都是互联网的数据，和企业希望解决的问题(如特定病种的医疗影像、产品质量的影像等等)没有直接的关系。所以，当需要使用 AI 技术来赋能自己的业务领域时，企业需要自己准备业务场景的数据集，也需要由具备专业领域知识的人员来标注数据集。因此，准备数据这个过程本身就极耗时间和人力。

  另外，企业往往会面临数据不足的问题，尤其是需要高度关注的数据类型。例如，在医疗影像中，往往有着各种症状的数据比健康人群的数据更为重要；在生产制造中，有着各种瑕疵问题的数据比质量正常的产品数据更需要关注；在汽车驾驶中，在各种恶劣天气路况下的数据比正常天气和光照的时候获得的数据更需要我们注意。但这些数据往往是小概率情况下的数据。

  因此，如何针对这些数量稀少却又十分重要的数据进行机器学习呢？不解决好这个问题，就难以把 AI 真正用到工业界场景。意识到这个问题的重要性，IBM 研究院确立了一系列针对小数据(Small Dataset)的研究，基于迁移学习、数据增强等课题进行深入研发。这些技术也应用到了 IBM 的 Watson 及企业 AI 开发平台(PowerAI)之上，直接帮助企业解决数据的问题。

11b503a224aa962ac0b1807240977659.jpg

请点击输入图片描述

​ 未来几年内，哪些 AI 应用可以大规模投入市场？哪些还需要更长时间的研究及验证？

  由于业界的你追我赶，AI 俨然是在一个高速跑道上发展。大家对短期的定义是1~2年，中长期是3~5年。一个新的 AI 技术是否可以大规模投入市场，应该看这个市场对该技术的差错容忍程度的高或低，例如，该技术能有 80% 的准确度就可以被接受，还是需要有 95%，甚至 99% 的准确度才可以?

  记得在 2015 年，一个玩具厂商推出了 CogniToys(一个能跟孩子对话的绿色小恐龙)，当年还被评为“2015 年度最佳玩具”。其实当年 CogniToys 的对话能力比今天国内好些公司推出的智能音箱要差好些。但因为 CogniToys 只是一个玩具产品，它不需要有很高的准确度。跟孩子的对话对一句错一句也没有多大关系。所以在 2015 年，哪怕机器对话技术还不成熟，也不能阻挡 CogniToys 在亚马逊上热卖。但是，同样的对话技术，如果我们用于要求严谨的医疗行业，或银行理财行业，就需要有更长的技术成熟期。

  又例如，有一些技术今天可能只做到 90% 的准确率，如果我们希望在未来 1~2 年能广泛使用，就需要从应用场景上进行折中。折中的手法可以是多样的，例如加入人为判定。我们在 top1 的准确率不够的情形下，可以提供给用户 top5 的识别结果，让用户再从 top5 人为判断。通过这样的手法，可以让某些 AI 技术加快在一些领域的使用。

  当然，可以使用这样折中手法的应用领域，必须不是工业控制领域的。对于需要实时控制的系统领域，包括无人驾驶、自动化控制等，都必须有完全高准确率的要求。而这种对高准确率有完全硬性要求的应用场景，必然需要更长时间的研究和验证。

  哪怕同一个技术，同一个工业领域，放在不同的地区使用，也会有时间的先后问题。例如，使用 AI 技术进行无人驾驶，目前多个厂商都先挑选诸如特定场区工程车辆、园区班车等，因为路况相对单一和简单。我们最近到印度参展，看到印度的汽车行业，就连辅助驾驶的研发，也都才刚刚开始。重要原因就是该地区的路况复杂度远高于美国和中国。所以，无人驾驶如果要在印度落地，或许需要 3~5 年的时间。

​