飞艇官网-10分飞艇官网人工智能前沿记:深度学习的应用和价值

  • 时间:
  • 浏览:0
  • 来源:UU直播快3-UU直播快3官方

  在整个经济中应用高度学习技术的巨大潜力,但随着技术的不断发展,亲戚亲戚一帮人也意识到一些挥之不去的局限和障碍(以及未来的机遇)。最终,人工智能的价值没人于模型一些,而在于公司是有无有能力使用人工智能。

  有一份对19个行业和9个业务职能的400多个用例进行分析的报告突出了先进人工智能技术的广泛应用和重大经济潜力。

  人工智能(AI)作为数字时代的转型技术脱颖而出人工智能在整个经济中的实际应用正在快速增长。为了撰写《人工智能前沿记:数百用例知道多》一些,亲戚亲戚一帮人将传统分析和更新的“高度学习”技术及其还都要处里的大大问题映射到公司和组织的400多个特定用例中。借助麦肯锡全球研究院的研究以及麦肯锡分析人工智能的应用经验,亲戚亲戚一帮人评估了跨行业和业务职能的高级人工智能技术的实际应用和经济潜力。亲戚亲戚一帮人的研究结果强调了在整个经济中应用高度学习技术的巨大潜力,但随着技术的不断发展,亲戚亲戚一帮人也意识到一些挥之不去的局限和障碍(以及未来的机遇)。最终,人工智能的价值没人于模型一些,而在于公司是有无有能力使用人工智能。

  即使亲戚亲戚一帮人意识到使用人工智能技术的经济潜力,数据的使用也都要始终考虑到数据安全性、隐私和潜在的等等的大大问题,一些点不得不强调。

  随着人工智能技术的发展,到底是哪种技术构成了人工智能的定义也在不断发展。出于本的目的,亲戚亲戚一帮人将使用人工神经网络的高度学习技术的简称为人工智能。亲戚亲戚一帮人还考察了其它机器学习技术和传统分析技术。

  神经网络(neural network)是机器学习技术的一偏离 。神经网络本质上是基于通过模拟法律方法连接的“神经元单元(neural unit)”的人工智能系统,什么系统粗略地模拟了神经元在大脑中的相互作用法律方法。自20世纪40年代以来,亲戚亲戚一帮人可能研究了受神经连接的计算模型,一些随着计算机处能不能力的提高和大型训练数据集成功地用于分析输入数据(如图像、视频和语音)而再次声名大噪。人工智能从业者将什么技术称为“高度学习”,可能神经网络具有越多(“深”)层的模拟互连神经元(simulated interconnected neuron)。

  :最简单的人工神经网络。在一些架构中,信息仅在一有三个小 方向上移动,从输入层向前移动,经过“隐藏”层移动到输出层。网络中不难 环(loop)。首个单神经元网络是由人工智能Frank Rosenblatt在1958年提出的。确实一些想法难能可贵新鲜,但计算能力、训练算法和可用数据的发展促成了高于以往的性能水平。

  :人工神经网络的神经元之间的连接富含环,什么环非常适用于处里一连串输入。2016年11月,大学的研究人员报告说,基于递归神经网络(和卷积神经网络)的系统在唇读(reading lips)方面达到了95%的准确率,优于经验充裕的人类唇读者,后者的准确率为52%。

  ,其中神经层之间的连接受到动物视觉皮层(animal visual cortex)的,动物视觉皮层是大脑处里图像的偏离 ,非常适用于方面的任务。

  对于亲戚亲戚一帮人的用例,亲戚亲戚一帮人还考虑了另外一些技术生成对抗网络(GAN)和强化学习但未将它们富含在亲戚亲戚一帮人对人工智能的潜在价值评估中,可能生成对抗网络一些新生技术尚未得到广泛应用。

  生成对抗网络(GAN)使用有三个小 神经网络在零和游戏(zero-sum game)框架中相互竞争(一些是“对抗”)。生成对抗网络能学精模拟各种数据分布(类事文本、语音和图像),一些,一旦不难 数据分布可用励志的话 ,该网络就能生成测试数据集,这很有用。

  强化学习是机器学习的子领域,在强化学习中,系统通过接收虚拟“励”或“惩罚”来得到训练,这实际上是通过试错法来学习。谷歌DeepMind可能使用强化学习来开发还都要玩游戏的系统(包括视频游戏和围棋(Go)等棋类游戏),其能力胜过人类冠军棋手。

  在业务中,什么分析技术可用来处里现实大大问题。最普遍的大大问题类型是分类、连续评估(continuous estimation)和聚类(clustering)。侧栏中提供了大大问题类型及其定义的列表。

  亲戚亲戚一帮人整理并分析了19个行业和9个业务职能部门的400多个用例。什么用例为特定部门里的领域带来了原来的洞察高度神经网络在什么领域里所能创造的最大价值,什么神经网络相较于传统分析所能产生的增量提升,以及为了实现潜力而都要得到满足的的数据需求(就数量,种类和强度而论)。亲戚亲戚一帮人的用例库确实范围很广,但难能可贵详尽,可能会夸大或低估一些部门的潜力。亲戚亲戚一帮人将继续对它进行改进和扩充。

  :机器学习检测异常的能力。高度学习能分析几瓶高维数据(high dimensional data),一些它还都要将现有的预防性系统(preventive maintenance system)提升到一有三个小 新的水平。可能将额外的数据(例自其它传感器的音频和图像数据,来自麦克风和摄像机等相对便宜的传感器也算)加入分层中,神经网络就还都要增强并取代更传统的法律方法。人工智还都要够预测故障并使有计划的干预法律方法成为可能,什么能力还都要减少停机时间和运营成本,一同提高生产力。类事,人工智能还都要用传统的分析技术延长货机的寿命,使其寿命大大超出预期,法律方法本来将飞机模型数据、记录、物联网传感器数据(类事发动机振动数据的异常检测)和表明发动机情形的图像和视频通通结合起来。

  物流中使用人工智能技术(如连续评估)还都要为各个部门带来实确实在的增值。人工智能还都要优化运输线,从而提高燃油强度并缩短交付时间。有一家欧洲货运公司将燃油成本降低了15%,其法律方法五花八门,比如使用能一同车辆性能和驾驶员行为的传感器,让司机接收实时指导(包括哪天加速或减挡 )、优化油耗并降低成本。

  可能人工智能技术的应用,呼叫中心管理和呼叫由(call routing)中的语音识别得到了改善,为客户提供了更加无缝的体验(和更高效的处能不能力)。什么功能不仅仅等候在文字上。类事,对音频进行高度学习分析使系统能评估客户的情绪;可能客户对系统反应不佳,呼叫会自动再由到接线员和管理员。人工智能技术在营销和销售的其它领域不需要 产生重大影响。将客户人口统计、过去的交易数据与社交相结合助于生成个性化的产品推荐。面向人及客户的“下一有三个小 要购买的产品(next product to buy)”推荐(亚马逊和网飞等公司已成功实施)还都要使销售率提高两倍。

  在亲戚亲戚一帮人研究的69%的用例中,高度神经网络可用于提高性能,其提升性能的能力优于其它分析技术。亲戚亲戚一帮人将不得不使用神经网络的情形姑且称为“绿地(greenfield)”案例,一些情形仅占总数的16%。对于剩下的15%,人工神经网络在性能上略胜于其它分析技术,愿因之一是数据的局限愿因什么案例不适用于高度学习。

  绿地人工智能处里方案(Greenfield AI solution)在客户服务管理等业务领域以及数据充裕且数量庞大一些有都不 整合人类反应的一些行业中非常普遍。在各大行业中,亲戚亲戚一帮人发现医疗领域里绿地用例尤其多。这其富含一些用例涉及疾病诊断和护理改善,什么用例还依赖于富含图像和视频输入的富数据集(MRI发来的图像和富数据集也算)。

  平均来看,亲戚亲戚一帮人的用例表明,现代高度学习人工智能技术对附加值的提升可能远高于传统分析技术,高出400%到128%不等,具体要看行业。

  然而,在亲戚亲戚一帮人掌握的几瓶用例中,可能人工智能在一些情形下潜力有限,越多传统分析和机器学习技术继续支撑着行业(包括保险、制药和医疗产品以及电信)中很大一偏离 的价值创造潜力,人工智能则局限于一些中。在一些程度上,这归咎于什么行业使用数据的法律方法,归咎于监管大大问题。

  要在大多数应用中高效使用神经网络就都要大型的经过标记的训练数据集,一同充分使用计算基础设施。此外,什么高度学习技术不为什么么强大,能从比较复杂的数据类型(如图像,视频,音频或语音)中提取模式。

  高度学习法律方法都要成千上万的数据记录不需要 使模型在分类任务中表现得相对较好,在一些情形下,该法律方法要数百万的数据记录才还都要达到人类的表现水平。根据一有三个小 估计,有监督高度学习算法(supervised deep-learning algorithm)往往能达到可接受的性能(每个类别有要花费5,000个标记示例),一些当亲戚亲戚一帮人用富含要花费1,000万个标记示例的数据来训练有监督高度学习算法时,该算法能达到或超越人类的表现水平。在目前使用高级分析的一些情形下,可用的数据非常多(每个数据集有数百万甚至数十亿行),以至于人工智能马谡败给非用不可。一些,可能数据量阈值未达到,人工智能可能无法为传统的分析技术增值。

  对于越多业务用例而言,什么海量数据集不难 获取或创建,一些标记仍是一有三个小 大大问题。当前大多数人工智能模型都不 通过“有监督学习”进行训练的,有监督学习要求人类对基础数据进行标记和分类。然而,有前景的新技术将克服什么数据瓶颈(类事强化学习,生成对抗网络,转移学习和“一次性学习”),使训练有素的人工智能模型还都要根据几瓶(有时不需要 一有三个小 )真实的演示或示例来学习主题。

  组织都要采用和实施能大规模整理和整合数据的战略。即使组织有大型数据集,它们也都要处里“过拟合(overfitting)”,即模型与训练集的“嘈杂的”内部结构或随机内部结构过于匹配,过拟合会愿因未来性能严重不足相对的准确性,它们都要处里“欠拟合(underfitting)”,即模型无法捕获所有相关功能。将客户群和渠道之间的数据连接起来,而都不 让数据在孤岛中,这对于创造价值尤为重要。

  神经人工智能技术(Neural AI technique)擅于分析图像、视频和音频数据类型,可能它们具有从业者称为“高维度”的比较复杂的性质。神经网络擅长处里高维度,可能网络中的多个层还都要学精表述数据中处于的越多不同内部结构。一些,对于人脸识别来说,网络中的第一层还都要关注原始像素,下一层则关注边缘和线条,再下一层则关注通用面部内部结构,而最后一层则还都要识别人脸。什么神经网络技术不同于前几代人工智能(前几代人工智能往往都要人的专业知识来做“内部结构工程”),它们往往不需要 学精在模拟神经网络中表述什么内部结构,成为训练过程的一偏离 。

  除了和数据量和数据有关的各种大大问题,强度也是一有三个小 需求:人工智能技术都要重新训练模型,以匹配可能的条件变化,一些训练数据都要总是刷新。在三分之一的案例中,模型要花费每月更新一次,几乎四分之一的案例都要每天更新;在营销和销售以及供应链管理和制造方面尤其不难 。

  亲戚亲戚一帮人估计,亲戚亲戚一帮人在本次中引用的人工智能技术有可能在19个行业的9个业务职能中每年创造3.十五万亿至5.十五万亿美元的价值。这构成了每年总体影响力(即9.十五万亿到15.十五万亿)约40%的比重,一些比重你爱不爱我还都要由所有的分析技术实现。

  按行业来看,亲戚亲戚一帮人估计人工智能的潜在价值要花费2016年收入的1%至9%。按行业收入百分比衡量的价值在不同行业之间大不相同,这取决于具体的适用用例、几瓶的比较复杂的数据的可用性,以及监管和其它因素。

  从亲戚亲戚一帮人研究过的用例中,亲戚亲戚一帮人发现使用人工智能产生的最大潜在价值影响都富含在以销售收入为导向的功能中,类事营销和销售,也富含在以损益表底线为导向的运营功能,包括供应链管理和制造业。

  零售和高科技等消费行业往往在营销和销售人工智能方面的程序运行运行运行中更有潜力,可能业务和客户之间的频繁数字互动会产生更大的数据集,以便用上人工智能技术。不为什么么是电子商务平台将受益。这是可能什么平台还都要轻而易举地整理客户信息(类事点击率数据或客户在网页上花费的时间),一些能动态、实时地为每个客户定制促销、价格和产品。

  在零售业,营销和销售是人工智还都要发挥最大潜在价值的领域,在该职能范围内,定价和促销以及客户服务管理是主要的价值领域。亲戚亲戚一帮人的用例表明,使用客户数据将促销活动个性化(类事,包括每天定制个别优惠)就还都要使实体零售商的增量销售额增加1%到2%。

  在消费品中,供应链管理是还都要从人工智能部署中受益的关键功能。在亲戚亲戚一帮人所列举的用例中,亲戚亲戚一帮人发现基于需求的潜在驱动因素(而都不 先前的结果)的预测咋样不需要 将预测准确性提高10%到20%,这愿因库存成本可能会降低5%,收入可能会增加2%到3%。

  在银行业,尤其是零售银行业(retail banking),人工智能在营销和销售方面具有巨大的价值潜力,丝毫不亚于它在零售业的价值潜力。然而,可能评估和管理银行业风险的重要性(类事贷款承保和欺诈检测),人工智能在提高银行业风险绩效方面所具有的价值潜力要高于越多其它行业。

  人工智能正在吸引越多的企业投资,随着技术的发展,可发掘的潜在价值很可能会增长。然而,到目前为止,不需要 约20%意识到人工智能重要性的公司目前在核心业务流程中使用其中一项或多项技术,或大规模使用什么技术。

  尽管人工智能技术前景广阔,它仍有越多都要克服的局限。什么局限包括列出的苛刻的数据需求,还包括一下十个 局限:

  第一有三个小 局限是标记训练数据的挑战,什么数据往往都要手动完成,它们对于监督学习是必要的。有前景的新技术正在不断涌现,旨在应对一些挑战,类事强化学习和流内监督(in-stream supervision),在什么技术里,数据还都要在自然使用过程中进行标记。

  第十个 局限是难以获得足够大且全面的数据集用于培训;对于越多商业用例来说,创建或获取此类海量数据集可能很困难类事,有限的临床试验数据还都要更准确地预测医疗治疗结果。

  第有三个小 局限是难以用人类励志的话 来解释大型比较复杂模型得出来的结果:为什么么么在达成了某个决定?类事,医疗以及汽车和航空航天工业中的产品认证可能是一有三个小 障碍;除了其它因素外,监管机构往往希望规则和确定标准不需要 得到清楚的解释。

  第十个 局限是学习的普遍性:人工智能模型从一些情形转移到另一些情形时仍然处于困难。这愿因公司都要投入资源来训练新模型,即使是与之后类事的用例。迁移学习(人工智能模型在这里得到训练以完成某项任务,一些快速将学到的知识应用于类事但不同的活动)是对一些挑战的一有三个小 有前景的宣告。

  ? 第十个 局限涉及数据和算法偏差的风险。一些大大问题本质上涉及更具社交意义的忧虑,一些可能都要更广泛的步骤来处里,类事,要了解用来整理训练数据的流程以什么样的法律方法影响曾过它们训练的模型的行为。类事,当训练数据不代表应用人工智能模型的较大人口时,亲戚亲戚一帮人可能会引入非预期的偏差。一些,当亲戚亲戚一帮人将人脸识别应用到具有更多不同内部结构的群体时,在与人工智能开发者的人口统计相对应的面部群体上受到训练的人脸识别模型可能会遇到困难。最近关于恶意使用人工智能的报告突出了一系列安全,如比较复杂的入侵自动化、超个性化的虚假宣传活动等等。

  计划采用重要高度学习工作的组织要考虑一系列有关咋样做到一些点的确定。确定范围包括构建完整的内部内部结构人工智能功能,将什么功能外包或利用人工智能即服务(AI-as-a-service)产品。

  公司要根据计划要构建的用例来制定一有三个小 能产生结果和预测的数据计划,什么数据计划还都要输入设计的界面,供人类在交易系统上进行操作。关键的数据工程大大问题包括数据创建或数据获取,定义数据本体(data ontology)以及构建适当的数据“管道”。鉴于高度学习的重要计算要求,可能法规或安全大大问题,一些组织将人及的数据中心,但资本支出可能相当大(不为什么么是在使用专用硬件时)。云供应商提供另一些确定。

  可能组织在数字化方面不性成熟期图片 期期是什么是什么是什么图片 图片 的句子的句子,流程也可能会成为成功采用的障碍。在技术方面,组织都要开发强大的数据和治理流程,并实施现代软件规程,如敏捷(Agile)和开发运维(DevOps)。在规模方面,更难的是克服“最后一英里”大大问题,即确保人工智能提供的卓越洞察在企业人员和流程的行为中得到实例化。

  从人的阵线来说,高度神经网络的大偏离 建设和优化仍然是一些艺术,一些都要真正的专家不需要 提供逐步改进的性能。什么技能供不应求;根据一些估算,具备处里严重人工智能大大问题所需的技能的人不需要 10,000个。科技巨头们纷纷展开激烈的人才争夺战。

  在人工智能技术和数据可用且价值得到明确验证的情形下,组织就还都要抓住机遇。在一些领域,当今的技术可能可能性成熟期图片 期期是什么是什么是什么图片 图片 的句子的句子一些数据可能可用,但考虑到人工智能可能生成的价值,部署人工智能的成本和比较比较复杂可能根本不值得。类事,航空公司还都要使用人脸识别和其它生物识别扫描技术来比较复杂登机流程,但不难 做所带来的价值可能无法证明与隐私和人及身份有关的成本和大大问题的合。

  同样,亲戚亲戚一帮人看多了越多潜在案例,在什么案例中,数据和技术日趋性成熟期图片 期期是什么是什么是什么图片 图片 的句子的句子,但价值尚不明朗。最不可预测的情形是,数据(类型和数量)或技术都太新,且未经检验,以至于无法知道数据到底能发掘好多个价值。类事,在医疗方面,可能人工智还都要在惊人的精细度上再接再厉(亲戚亲戚一帮人要做X光分析不需要 看得到),将一些精度拓宽到医疗诊断乃至医疗程序运行运行上,一些经济价值是不可估量的。与此一同,抵达一些前沿的比较比较复杂和成本也令人生畏。除一些大大问题外,这还都要完美的技术执行和处里医疗事故保险和一些法律大大问题。

  社会大大问题和法规也可能人工智能的使用。监管在与人及身份信息相关的使用案例中尤为普遍。在一些关于一些在线平台上人及数据的使用和商业化的辩论日益激烈的时期,一些点尤为重要。人及信息的使用和存储在银行、医疗、医药和医疗产品以及公社会部门等部门尤为。除了处里什么大大问题之外,企业和其它人工智能数据用户都要继续发展与数据使用相关的业务模式,以处里社会关注的大大问题。此外,监管要求和因国家和部门而异。

  正如亲戚亲戚一帮人所看多的,真正创造价值的是公司对人工智能模型的执行能力,而都不 模型一些。在最后一些节,亲戚亲戚一帮人概述了研究人工智能技术提供者、人工智能技术的应用者和政策制定者的案例所隐含的一些高层次的影响,什么人一些情形都占了。

  对于提供人工智能技术的公司来说:越多为其它公司开发或提供人工智能的公司在技术一些和数据科学家所需的数据方面具有相当大的优势,但什么公司可能严重不足对终端市场的深刻理解。了解人工智能跨部门和职能的价值潜力助于塑造什么人工智能技术公司的投资组合。也本来说,它们不一定本来优先考虑潜在价值最高的领域。相反,它们还都要将所有的资源(对竞争格局的互补分析、对自身现有优势的互补分析、部门或职能领域的知识和客户关系)结合起来,以打造投资组合。在技术方面,将大大问题类型和技术对应到具有潜在价值的部门和职能对具有特定专业领域的公司所要关注的重点具有指导作用。

  越多设法在运营中采用人工智能的公司已之后之后刚开使在业务中进行机器学习和人工智能实验。在推出更多试点项目或测试处里方案之后,走出藩篱并采取整体法律方法来处里大大问题,进而在整个企业中确立一系列重要的计划(包括人工智能和更广泛的分析和数字技术),这是十分有用的。要让业务负责人确立适当的投资组合,重要的是要了解什么用例和领域有望为公司带来最大价值,以及都要对什么人工智能和其它分析技术进行部署,获取一些价值。一些投资组合都要得到两方面的启迪,即在哪还都要践行理论价值以及咋样在整个企业范围内大规模部署技术。分析技术咋样扩展的大大问题不仅取决于技术一些,更取决于公司的技能、能力和数据。公司要考虑“最初一英里”(和“最后一英里”)方面的工作,即咋样获取和组织数据和工作,可能咋样将人工智能模型的输出整合到工作流程中(从临床试验经理和销售队伍管理者乃至采购人员)。麦肯锡全球研究院以往的研究表明,人工智能领导者在最初一英里和最后一英里的什么工作中投入了几瓶资金。

  政策制定者要在支持人工智能技术的发展和管理不良行为者的风险之间取得平衡。亲戚一帮人有意支持广泛采用,可能人工智能还都要带来更高的劳动生产率、经济增长和社会繁荣。亲戚一帮人的手段包括对研发的公共投资以及对各种培训计划的支持,什么手段助于培养人才。在数据大大问题上,还都要通过的数据计划直接刺激训练数据的开发。公共部门数据还都要刺激私营部门的创新。设立通用数据标准也大有裨益。人工智能也给政策制定者提出了新的大大问题,即传统的工具和框架可能严重不足用的大大问题。一些,亲戚亲戚一帮人可能都要一些政策创新来应对什么快速发展的技术。但鉴于商业、经济和社会受到了巨大的积极影响,其目标不应该只人工智能的采用和应用,本来鼓励人工智能得到有益和安全的使用。