有時(shí)候，“小數(shù)據(jù)”就夠用了

　　在思考你的事業(yè)有什么人工智能(artificial intelligence, AI)的實(shí)際應(yīng)用時(shí)，很容易會(huì)以為，需要很大量的數(shù)據(jù)數(shù)據(jù)才能開(kāi)始進(jìn)行。人工智能是由數(shù)據(jù)驅(qū)動(dòng)的，所以，你手上的數(shù)據(jù)愈多，你的人工智能就愈聰明。是嗎?不一定。

　　把人工智能應(yīng)用到數(shù)據(jù)上，以擷取情報(bào)，在這么做的時(shí)候，情境脈絡(luò)(context)很重要。換句話說(shuō)，你可以打造一個(gè)你能想象得出最大的數(shù)據(jù)湖(data lake)，但是，假如你不知道要尋求什么，也沒(méi)有所需要的相關(guān)數(shù)據(jù)，你就不可能得到你想要的成果。

　　這是因?yàn)槿斯ぶ悄懿⒉皇悄Хê诤凶樱粫?huì)在吸收堆積如山的數(shù)據(jù)之后，就自動(dòng)吐出結(jié)果。人工智能是指規(guī)模很大的一組技術(shù)，每種技術(shù)各有明確、調(diào)整過(guò)的目的。企業(yè)若能專注在他們期望看到的影響和目標(biāo)，并把重心放在收集能配合那些目標(biāo)的適當(dāng)數(shù)據(jù)集，就有最佳機(jī)會(huì)可藉由人工智能，得到真正能發(fā)揮影響力的結(jié)果。

　　讓我們看看美國(guó)郵局(United States Postal Service，簡(jiǎn)稱USPS)的郵件分類自動(dòng)化經(jīng)驗(yàn)。USPS運(yùn)用機(jī)器與光學(xué)字符識(shí)別技術(shù)(optical character recognition，OCR)，目前已可在沒(méi)有真人協(xié)助下，判讀并處理98%的手寫地址郵件，以及99.5%的機(jī)器打印寄件數(shù)據(jù)郵件。USPS把這項(xiàng)技術(shù)，結(jié)合了規(guī)模相當(dāng)小且很有限的美國(guó)郵政編碼和城市，現(xiàn)在每小時(shí)就可處理超過(guò)36,000份郵件。USPS近年來(lái)面臨嚴(yán)酷的財(cái)務(wù)危機(jī)，因此這個(gè)自動(dòng)化作業(yè)帶來(lái)極大的好處。

　　使用小量但精準(zhǔn)度高的數(shù)據(jù)，運(yùn)用人工智能而得到很大的效益，這方面另一個(gè)有趣的例子是在航空業(yè)。2015年，波音公司(Boeing)與卡內(nèi)基美隆大學(xué)(Carnegie Mellon University)合作創(chuàng)設(shè)航空資料分析實(shí)驗(yàn)室(Aerospace Data Analytics Lab)，為航空公司開(kāi)發(fā)人工智能技術(shù)。其中一個(gè)計(jì)劃的目標(biāo)，是要把維修紀(jì)錄標(biāo)準(zhǔn)化，以便運(yùn)用人工智能，大幅降低維修成本。

　　每架飛機(jī)都被要求保留非常詳細(xì)的維修紀(jì)錄。然而，飛機(jī)在全球各地飛來(lái)飛去，溝通這些紀(jì)錄開(kāi)始出現(xiàn)問(wèn)題。第一個(gè)大問(wèn)題就是最基本的語(yǔ)言障礙。其他的問(wèn)題還更嚴(yán)重。有些紀(jì)錄是數(shù)字形式，有些是手寫的。有些維修人員遵守規(guī)定逐行記錄，但有些人只在紙的邊緣潦草寫下文字和縮寫。一般維修人員幾乎不太可能馬上轉(zhuǎn)譯這些不同的記錄方式。但如果運(yùn)用人工智能，外加少量的飛機(jī)維修專門術(shù)語(yǔ)數(shù)據(jù)集，就能實(shí)時(shí)掌握并隨時(shí)轉(zhuǎn)譯這些紀(jì)錄。善用人工智能，來(lái)改善飛機(jī)維修工作流程的速度與正確性，可為航空公司省下數(shù)十億美元。

　　憑借精準(zhǔn)的數(shù)據(jù)，人工智能就能帶來(lái)極大的影響，前述只不過(guò)是其中兩個(gè)實(shí)例而已。你要如何把這些想法應(yīng)用在你的公司里?以下是三個(gè)主要步驟：

　　建立與企業(yè)標(biāo)的相符的目標(biāo)。在執(zhí)行任何任務(wù)時(shí)，跨部門團(tuán)隊(duì)共同訂立目標(biāo)，確保目標(biāo)與企業(yè)標(biāo)的一致，是很關(guān)鍵的步驟，在人工智能方面也不例外。人工智能的本質(zhì)是規(guī)范性的，你把企業(yè)目標(biāo)的范圍界定得愈狹窄，數(shù)據(jù)集的情境脈絡(luò)愈明確，你就愈可能得到有意義的結(jié)果。

　　有一個(gè)常被忽略的重點(diǎn)，就是企業(yè)應(yīng)為此建立一個(gè)跨部門團(tuán)隊(duì)，而且讓整個(gè)組織都知道。這有助于決定，組織的哪些單位最需要人工智能的協(xié)助。如果你的團(tuán)隊(duì)里有營(yíng)運(yùn)、銷售、財(cái)務(wù)部門的人和高階主管，就較可能找出真正的瓶頸和機(jī)會(huì)在哪里，你也較可能想出一些實(shí)際的解決方案，真的開(kāi)始解決那些問(wèn)題。

　　克服數(shù)據(jù)混亂狀態(tài)。每家公司都有一些對(duì)他們有獨(dú)特價(jià)值的數(shù)據(jù)集。然而，數(shù)據(jù)跟價(jià)值之間常常缺乏鏈接。你可能已握有數(shù)據(jù)，但它不夠清楚、明確，也無(wú)法實(shí)際使用。若想要克服數(shù)據(jù)混亂狀態(tài)、取出小量但非常精準(zhǔn)的數(shù)據(jù)，有個(gè)好用的架構(gòu)可以采用，就是聚焦在顧客、合作伙伴和供貨商的生命周期。按照生命周期，就能呈現(xiàn)其中所有的步驟、系統(tǒng)和利害關(guān)系人。檢視這些生命周期，可幫你找出會(huì)遺失價(jià)值的漏洞。這些都是你的機(jī)會(huì)，可創(chuàng)造清楚而可衡量的影響。專注在這些漏洞周圍的關(guān)鍵數(shù)據(jù)，就能獲得更精準(zhǔn)且可使用的數(shù)據(jù)。

　　為你的任務(wù)選擇適當(dāng)?shù)募夹g(shù)。機(jī)器學(xué)習(xí)(machine learning)跟人工智能都受到高度關(guān)注，它們這么受矚目，是有道理的。這兩者都是令人驚嘆的技術(shù)，在任何企業(yè)對(duì)消費(fèi)者(B2C)或企業(yè)對(duì)企業(yè)(B2B)的公司里，都可望為任何層級(jí)的高階主管創(chuàng)造價(jià)值。而且，使用它們的成本，甚至比五年前低了許多。不要雇用擁有上百位資料科學(xué)家的團(tuán)隊(duì)，而應(yīng)去查看那個(gè)正在成長(zhǎng)的生態(tài)系統(tǒng)，選擇合適的工具，用來(lái)完成你想完成的任務(wù)。

　　在數(shù)字商業(yè)的世界里，企業(yè)總是在尋求大規(guī)模且快速的解決方案，也就是能讓他們?nèi)〉脙?yōu)勢(shì)的大突破。但事實(shí)是，若你務(wù)實(shí)一點(diǎn)，就可以開(kāi)始累積許多較小的成功果實(shí)，而且進(jìn)行得很快。長(zhǎng)期來(lái)看，逐步積累的成果也能發(fā)揮極大效用。

　　這就是看待人工智能的正確態(tài)度。它不是一個(gè)魔法黑盒子，而是一組高度專業(yè)化的工具。它不是要用來(lái)追求過(guò)于高遠(yuǎn)的目標(biāo)，而是要幫你解決實(shí)質(zhì)問(wèn)題。它的重點(diǎn)不在堆積如山的數(shù)據(jù)，而是要使用小量、高度精確的數(shù)據(jù)。(陳佳穎譯)