商業(yè)化人工智能APP面臨的四大挑戰(zhàn)

　　人工智能(AI)的血統(tǒng)可以回溯到許多偉大的計算機理論家：圖靈，以及Babbage——計算機器的發(fā)明者。我們?nèi)缃裨趥惗厮吹降念I(lǐng)先的團隊，例如正致力于機器學(xué)習(xí)的DeepMind，正是從計算機科學(xué)到實踐和商業(yè)應(yīng)用的運動浪潮的一部分。

　　不僅僅是去年收購DeepMind的谷歌，還是擁有50人AI實驗室的Facebook，都看到了這樣的潛力。在最近的大潮中，幾乎有六分之一的YC公司正在試行機器學(xué)習(xí)，而IBM則為Watson——風(fēng)險估測超級計算機——的成功押下了數(shù)億美元。

　　有上千個公司正在利用基礎(chǔ)設(shè)施來操控或洞察大數(shù)據(jù)。他們正基于對可編程數(shù)字化數(shù)據(jù)的分析來進行預(yù)測、推薦或執(zhí)行任務(wù)。

　　我想在此來共享一些嘗試建立商業(yè)AI應(yīng)用的創(chuàng)業(yè)者們需要面對的挑戰(zhàn)，以及一些公司是如何試著克服這些挑戰(zhàn)的。選擇、完善與結(jié)合他們的算法僅僅是成功創(chuàng)業(yè)者們深思熟慮的策略中的一小部分。其他重要的因素還包括：

　　為特殊數(shù)據(jù)建立私有連接可以為基礎(chǔ)數(shù)據(jù)訓(xùn)練集建立基本。

　　對直覺的產(chǎn)生有著清晰的認知，以及可以從數(shù)據(jù)中收集意義或估測需要人工分類數(shù)據(jù)的捆綁軟件。

　　如果可能，建立一個數(shù)據(jù)模型，適應(yīng)新出現(xiàn)的數(shù)據(jù)源。

　　一個訓(xùn)練有素的團隊可以寫出或改寫公用算法，為了目標(biāo)選擇正確的算法，并結(jié)合算法優(yōu)化結(jié)果。

　　幾年前，任何類型的數(shù)據(jù)分析都會被貼上“數(shù)據(jù)科學(xué)”的標(biāo)簽。今天，AI也作為一個標(biāo)簽廣為采用，有些時候甚至文不對題。因此，首先要考慮什么可以被叫做AI。

　　現(xiàn)在的商業(yè)化應(yīng)用是AI“狹窄”或“虛弱”形式。這意味著機器只專于某一個方面，并不能像人類(最常見的AI)一樣類比推廣。狹窄的AI是基于最熟悉的技術(shù)，并第一次用于商業(yè)化。而真正的AI可以很快地成為一個為人了解的數(shù)據(jù)科學(xué)技術(shù)。

　　一個很接近的方法便是“深度學(xué)習(xí)”，數(shù)據(jù)輸入在此并不被預(yù)先描述。反之，模式首先了解數(shù)據(jù)(以及數(shù)據(jù)結(jié)構(gòu))，然后，利用多層非線性反饋，學(xué)習(xí)數(shù)據(jù)的重要特性，甚至自我修改。

　　這種技術(shù)已經(jīng)出現(xiàn)了20多年，但它的數(shù)據(jù)集中模式需要相應(yīng)計算能力的廣泛接入，后者到最近才得以實現(xiàn)。倫敦的創(chuàng)業(yè)團隊Improbable是利用大型計算能力與深度學(xué)習(xí)來模擬復(fù)雜環(huán)境——從開源游戲世界到真正城市——最令人激動的實例。

　　但許多我們遇見的企業(yè)仍然想要將機械學(xué)習(xí)(ML)結(jié)合到他們的技術(shù)中。對于這些企業(yè)的大部分來說，當(dāng)我們挖掘表面之下的時候，ML并不是一個產(chǎn)品真正重要的部分。在很多的例子中，它只是一個讓項目看起來非常高端的導(dǎo)向牌。在另外一些情況下，即使它是真的，那也只是一個入場籌碼，并不會為競爭者提供技術(shù)上的阻礙。但它也有好的一面，它可以讓企業(yè)為客戶提供與日俱增的精確度與有效率的服務(wù)。

　　例如，一些企業(yè)會使用商業(yè)代碼，后者由許多大量的開源資料庫。一個有趣的開源項目，提供分布式流與批量數(shù)據(jù)處理的Apache Flink聯(lián)合了許多公開ML算法的資料庫，將數(shù)據(jù)集的規(guī)模擴大。

　　亞馬遜在四月發(fā)布了一個機械學(xué)習(xí)的服務(wù)，像MetaMind一樣的企業(yè)計劃將AI作為服務(wù)提供給開發(fā)者，這是已經(jīng)人滿為患的預(yù)測分析的市場的擴展。因此現(xiàn)實是，大部分的著名算法與AI學(xué)習(xí)技術(shù)將會很快地商品化。

　　由此，公司利用狹窄的AI制作產(chǎn)品需要謹而慎之，仔細思考該如何建立并提升他們的產(chǎn)品或者服務(wù)。

　　護城河：訓(xùn)練數(shù)據(jù)

　　訓(xùn)練數(shù)據(jù)是建立狹窄AI基本的產(chǎn)品的核心。企業(yè)需要找到結(jié)構(gòu)數(shù)據(jù)源來幫助建立可能的最佳模型。這種情況下，最佳意味著數(shù)據(jù)集足夠大以用來學(xué)習(xí)，并且足夠多樣以幫助大量客戶，而不是僅僅一個客戶，而機器可以利用結(jié)果來緊密地提升自己的處理以及決策。

　　機器學(xué)習(xí)理論提出，有了無限的數(shù)據(jù)，我們可以擁有所有的算法來生產(chǎn)相似質(zhì)量的結(jié)果。因此如果企業(yè)對特殊數(shù)據(jù)有了私人接入口，他們會堅持商品化，并通過持續(xù)學(xué)習(xí)如何基于終端客戶的互動來提升算法，以此加強自己的領(lǐng)先位置。最著名的例子就是谷歌利用點擊流數(shù)據(jù)作為私人訓(xùn)練數(shù)據(jù)源，進化搜索排序結(jié)果。

　　當(dāng)我們以前這樣嘗試的時候，公司們有時候會將收益增長與價值創(chuàng)造相混淆。選擇基于簡單可得的數(shù)據(jù)集來短期收益的項目就不可能會獲得一個不同的，有價值的應(yīng)用。

　　舉例來說，Digital Genius是倫敦與紐約的一個企業(yè)，研究自動化客戶服務(wù)對話。創(chuàng)始人在早些年自力更生，雖然這樣的方式令人欽佩，但初始的技術(shù)與商業(yè)選擇卻是不可擴展的。它的第一代技術(shù)版本非常靈活，但需要高度定制。另外，它最開始的需求是市場服務(wù)中的低價值的應(yīng)用，這樣的結(jié)合并不能吸引那時的風(fēng)投者。

　　然而，公司仍然找到了它的方向。這個團隊首先為了不同文本的AI應(yīng)用，創(chuàng)造了一個可以重復(fù)利用的平臺，并從工具箱開始。其次，它找到了自動化文本交流中高價值的核心。重要的是，算法基于(和其他數(shù)據(jù)庫一起)對大量實時呼叫中心文本的分析，因此可以獲得可復(fù)制的產(chǎn)品，并作為大型生意的基本。

　　從數(shù)據(jù)集中獲取洞察與意義的技術(shù)驅(qū)動處理

　　獲取有用的數(shù)據(jù)集是唯一的開始：系統(tǒng)需要從數(shù)據(jù)中采集元數(shù)據(jù)，并以其作為輸入來提升機器的準(zhǔn)確度。

　　我們發(fā)現(xiàn)最好的AI為主的企業(yè)們以提升算法的生產(chǎn)力、精煉能力和準(zhǔn)確度。它需要大量迭代與時間——還有數(shù)據(jù)——來做到。

　　舉例來說，Unbabel是里斯本與洛杉磯的企業(yè)，以增強翻譯為核心任務(wù)。它必須要創(chuàng)造一個可延展的方法為譯者來注釋、修改并否決機器的翻譯。這種Unbabel的翻譯者所使用的工作流軟件可以評估翻譯的準(zhǔn)確度，并且令人震驚的細致。不是簡單的是/否/也許的判斷，而是15到20個估測準(zhǔn)確的方法可以為譯者使用，提供了許多替代品。準(zhǔn)確度還包括了品牌對于Unbabel商業(yè)客戶的適合度。機器會利用這些反饋來自我進化。

　　這是個智能化且有效執(zhí)行的模型提升的方法。它解決了質(zhì)量與規(guī)模的難題，而不僅僅是效率，并承認這個機器還在進步之中，并不能滿足翻譯任務(wù)的徹底自動化。

　　訓(xùn)練數(shù)據(jù)與機器準(zhǔn)確度的迭代組合數(shù)據(jù)許多企業(yè)進行研發(fā)的核心。

　　如何讓它總是有效?

　　很對陣對于AI應(yīng)用的評論讓創(chuàng)造它們聽起來很簡單易懂，但實際上只有AI自身是不夠的。和許多眼花繚亂的軟件一起，企業(yè)們在利用AI時需要多個平臺上競爭，并讓產(chǎn)品和服務(wù)更易上手。

　　即使選擇了正確的算法，識別了有用的數(shù)據(jù)集，有了能夠提升的處理方法，規(guī)模機械學(xué)習(xí)(ML)也足夠堅實，企業(yè)們還是經(jīng)常只處于起點的位置。許多挑戰(zhàn)(并且常常是值得風(fēng)險投資基金資助的)需要在不同前沿方向的創(chuàng)新。即使是對于那些方向十分狹窄的企業(yè)們，工程上的挑戰(zhàn)也依舊是多維度的。

　　IT公司Moogsoft就是個很好的例子(透露下，我就是一個天使投資人)。Phil Tee是Moog的創(chuàng)始人與執(zhí)行總裁，他已經(jīng)創(chuàng)立過五次公司，作為Micromuse的創(chuàng)始首席技術(shù)官主管網(wǎng)絡(luò)運營。他的目標(biāo)是解決如何處理上百萬不同事件數(shù)據(jù)點，并讓IT運作通過全棧來評估。

　　他意識到他需要建立一種機器，沒有模型，并讓運行中的新數(shù)據(jù)源有效。這需要技術(shù)印章來建立相關(guān)的算法，共同來處理未標(biāo)記的數(shù)據(jù)。Phil繼而進一步通過預(yù)測錯誤來打破附加地——同時在規(guī)模上實時調(diào)整機器的處理工作。

　　團隊還需要對企業(yè)利用案例有所理解，讓軟件在處理與故障排除、為受到影響的機構(gòu)提供透明化。這樣的結(jié)合不是一件小事。

　　AI許多讓我們感到興奮的潛在應(yīng)用——例如自動生成代碼、QA或優(yōu)化平臺、金融供應(yīng)鏈中的自動風(fēng)險與借貸決策、自動化法律文件與合約分析、或自動化視覺評價如健康檢查或保險條約調(diào)整——許多都屬于企業(yè)管理的范疇之內(nèi)，以及無法直接解決的工程挑戰(zhàn)。

　　如何組建正確的團隊?

　　組建正確的團隊是一個挑戰(zhàn)。從世界上最優(yōu)秀的計算機語言學(xué)、機械學(xué)習(xí)與數(shù)據(jù)科學(xué)專業(yè)畢業(yè)的研究生都無法滿足要求。谷歌與Facebook以引起爭議的撒網(wǎng)式方法挑選雇員，并同時提供給他們大量的資源來解釋廣義或狹窄AI的難題。這些雇員的薪水是小型企業(yè)難以提供的，后者不得不轉(zhuǎn)而向全球范圍招攬領(lǐng)域內(nèi)最佳的隊員。

　　最重要的是，企業(yè)必須給雇員們最刺激的問題，這樣才能吸引世界水平的團隊。至少，像我們所展示的，有價值的問題很有可能就是困難的問題。僅僅是足夠的薪水還不足以滿足這些最杰出的人。一旦ML團隊組建完成，如同Moog一樣，還需要更廣泛的技能來讓機器成為一個具有商業(yè)利益的產(chǎn)品。

　　AI，預(yù)測分析與數(shù)據(jù)科學(xué)所驅(qū)動的企業(yè)會在規(guī)模上逐漸增長，并愈發(fā)重要。而引導(dǎo)它們的建立也并不是一蹴而就的事情。

　　如果你正在這個領(lǐng)域內(nèi)一個有著遠大志向的項目里工作，意識到它的獨一無二，具有專有的訓(xùn)練數(shù)據(jù)，擁有了可以資本化數(shù)據(jù)所得視角的產(chǎn)品與商業(yè)模式，并且還有一個強大的團隊來通往市場，請和我聯(lián)系，我們想了解更多。