AI尚未重塑大多數業務的原因分析

對於很多公司來說,部署AI看起來更慢,更昂貴。

--布萊恩·伯格斯坦

自19世紀80年代開始使用合成成分以來,製作香水和古龍香水的工藝並沒有太大改變。專業香水創造者修補化學品的組合,希望產生引人注目的新氣味。因此,世界上最大的香水製造商知悉Symrise的高管Achim Daub想知道如果他將人工智能引入到這個過程會發生什麼。一臺機器會建議人類可能不會嘗試的吸引人的公式嗎?

Daub聘請IBM設計一個計算機系統,該系統可以挖掘大量信息-現有香水的公式,消費者數據,監管信息等,然後為特定市場提出新的配方建議。該系統被命名為Philyra,僅次於希臘香水女神。除了令人回味的名字,它聞不到東西,所以不能代替 人類調香師,但它讓他們在創造新奇事物上有了先機。

Daub對目前的進展感到滿意,針對巴西年輕客戶的兩塊香水將於6月在那裡上市銷售。該公司70名香水設計師只有少數人使用過該系統,但Daub系統將其最終推廣到所有人身上去。

然而,他謹慎地指出,到目前為止這需要近兩年的時間,而且還需要一段時間才能收回投資。Philyra最初的建議非常糟糕:它一直暗示著洗髮水配方。畢竟它看了銷售數據,洗髮水的數據遠遠超過香水和古龍水。Symrise的培訓師接受了大了培訓。此外,該公司仍在努力進行昂貴的IT升級。這些升級必須將數據從不同的記錄保存系統導入Philyra.,同事保持一些信息對調香師本身保密。“這是一種誇張的學習曲線,” Daub說,“在我們的學習系統中,我們還離完全建立人工智能差的很遠”。

香水業務並不是唯一一個在沒有看到快速變化的情況下采用機器學習的行業。儘管您可能聽說過人工智能席捲全球,但各行各業的人士表示,該技術的部署非常棘手,它可能非常昂貴,而最初的彙報則往往是適度的。

人工智能的突破可以超越Go的大師,甚至擁有可以按照你的命令打開音樂設備,這是一回事。使用AI在非固有數字化的業務中進行更多增量變更是另一回事。

人工智能最終可能通過預測人類無法預見的事物,以及通過減輕員工的苦差事來改變經濟-使新產品和新商業模式成為可能。但這可能需要比希望或擔心更長的時間,這取決於您所處的位置。大多數公司從員工投入的時間來看並沒有產生更多的產出。在最大和最富有的公司中,這種生產率的提高是最大的,這些公司可以在人力和技術基礎設施上投入大量資金,以使AI運作良好。

這並不一定意味著AI被誇大了,只是在重塑業務的方式時,模式識別算法只是重要的一小部分,更重要的是從IT部門一直到業務前線的組織元素。幾乎每個人都必須適應人工智能的工作方式以及盲點,特別是那些期望相信其判斷的人。所有這些不僅需要金錢,更需要耐心,細緻和其他典型的人力技能,而這些技能往往是供不應求的。

尋找獨角獸

去年9月,一位名叫Peter Skomoroch的數據科學家在推特上寫到:“根據經驗,你可以預期,企業公司向機器學習的過渡將比你向移動設備過渡的難度高出100倍”。這是個玩笑,但是Skomoroch並不是在開玩笑。有幾個人告訴他,聽到他們的公司並不孤單,他們感到寬慰。ShipFlag 的CEO 說道:“我認為,過高的期望會帶來很多痛苦”,該公司表示,它可以將公司的內部溝通轉變為成員工的知識庫。“人工智能和機器學習被視為魔法仙塵”。

最大的障礙之一是讓不同的記錄保存系統相互通信。這是Richard Zane在UC Health(科羅拉多州,懷俄明州和內布拉斯加州的醫院和醫療診所網絡)擔任首席創新官時遇到的問題。他最近推出了一看名為Livi的會話軟件代理,它使用一家名為Avaamo的初創公司的自然語言技術來幫助致電UC Health或使用該網站的患者。Livi指示他們更新處方,書記並確認他們的預約,並向他們展示有關他們的條件的信息。

Zane很高興Livi處理常規查詢時,UC Health的員工可以花更多時間幫助患者解決複雜問題。但他承認,這個虛擬助手幾乎沒有人工智能最終可能在他的組織中做什麼。“這只是冰山一角,或者說是積極的版本”,Zane說。部署Livi需要一年半的時間,主要是因為將軟件與患者醫療記錄,保險計費數據和其他醫院系統相關聯的IT問題令人頭疼。

類似的設置也困擾著其他行業。例如,一些大型零售商在單獨的系統中保存供應鏈記錄和消費者交易,這兩個系統都沒有連接到更廣泛的數據倉庫。如果公司不停止並建立這些系統之間的連接,那麼機器學習將只對他們的一些數據祺作用。這就解釋了為什麼迄今為止人工智能的最常見用途設計的是孤立的業務流程,但仍然用用豐富的數據,例如銀行的計算機安全或欺詐檢測。

即使公司從許多來源獲取數據,也需要進行大量的實驗和監督,以確保信息的準確性和有意義。 當一家IT服務公司Genpact幫助企業推出他們認為的人工智能項目時,“0%的工作是AI”,首席數字官Sanjay Srivastava說。 “百分之九十的工作實際上是數據提取,清理,規範化和爭論”。

對於Google,Netflix,亞馬遜或Facebook,這些步驟可能看起來無縫。 但這些公司的存在是為了捕獲和使用數字數據。 他們還擁有數據科學,計算機科學和相關領域的博士學位。 “這與大多數企業公司的等級和檔案不同”,Skomoroch說。

事實上,較小的公司通常要求員工深入研究幾個技術領域,位於休斯頓的能源公司桑切斯油氣公司的數據科學家Anna Drummond說。 Sanchez最近開始實時流式傳輸和分析井中的生產數據。 它沒有從頭開始構建功能:它從一家名為MapR的公司購買了該軟件。 但Drummond和她的同事仍然必須確保來自該領域的數據採用計算機可以解析的格式。 Drummond的團隊還參與設計軟件,將信息提供給工程師的屏幕。 她說,熟悉所有這些事情的人“不容易找到”。 “這就像獨角獸,基本上。 這就是減緩人工智能或機器學習採用的速度”。

Fluor是一家大型工程公司,花了大約四年的時間與IBM合作開發人工智能系統來監控大規模的建設項目,這些項目可能耗資數十億美元並涉及數千名工人。 該系統吸收數字和自然語言數據,並向Fluor的項目經理發出有關可能導致延遲或成本超支的問題的警報。

Fluor的信息管理副總裁Leslie Lindgren表示,IBM和Fluor的數據科學家並不需要很長時間來模擬系統會使用的算法。 花費更多時間的是在使用該系統的Fluor員工的密切參與下完善技術。 Lindgren說,為了讓他們相信自己的判斷,他們需要對如何運作提出意見,他們必須仔細驗證其結果。

為了開發這樣的系統,“你必須從業務中吸引你的領域專家 - 我的意思是你最好的人,”她說。 “這意味著你必須把它們從別的東西中拉出來。”她補充說,使用頂尖人物是必不可少的,因為構建AI引擎“太重要,太長,而且太昂貴”,否則就無法做到。

人工智能的種子

一旦創新出現,它將以多快的速度在經濟中蔓延? 經濟學家Zvi Griliches在20世紀50年代提出了一些基本答案 - 通過研究玉米。

Griliches研究了該國各地玉米種植者轉向產量高得多的雜交品種的比率。 對他感興趣的不僅僅是玉米本身,而是混合動力車的價值,正如我們今天所稱的未來創新平臺。 “雜交玉米是一種發明方法的發明,是一種為特定地區培育優質玉米的方法,”Griliches在1957年的一篇具有里程碑意義的論文中寫道。

20世紀20年代末和30年代初,愛荷華州引入了混合動力車。 到1940年,他們幾乎佔了該州種植的所有玉米。 但是在德克薩斯州和阿拉巴馬州這樣的地方,採用曲線遠遠不夠陡峭,後者在20世紀50年代初引入了雜交種,並覆蓋了大約一半的玉米種植面積。 一個重要原因是雜交種子比傳統種子更貴,農民每年都不得不購買新種子。 對於這些州的農場而言,轉向新技術對於中西部富裕且生產力更高的玉米帶來說是一個風險更高的主張。

Griliches所捕獲的內容以及隨後的經濟學家所證實的是,技術的傳播不僅受到創新內在品質的影響,也不受用戶經濟狀況的影響。 對於技術專家來說,用戶的關鍵問題不是“技術能做什麼?”而是“我們將從投資中獲益多少?”

今天,機器學習正在為Facebook,谷歌和亞馬遜等公司以及許多初創公司的運營的各個方面提供支持。 它使這些公司異常豐富。 但是在人工智能帶之外,出於理性的經濟原因,事情的發展速度要慢得多。

在Symrise,Daub認為香水AI項目落入了一個甜蜜點。 這是一個相對小規模的實驗,但它涉及香水客戶的實際工作,而不僅僅是實驗室模擬。

“我們都承受著很大的壓力,”他說。 “沒有人真正有時間進行綠地學習。”然而,即便如此,這也需要對技術有一定的信心。“這完全取決於信念,”他說。 “我非常堅定地認為,人工智能將在我們今天看到的大多數行業中發揮作用,其中一些行業占主導地位。 完全忽略它不是一種選擇。”

歡迎評論並轉發本文,關注@Ai技術聯盟,會定期推送AI專業技術知識文章,有問題可以在下面留言,小編都會回覆的,謝謝。


分享到:


相關文章: