加载中...请稍后..

金准数据 2018年人工智能预测报告

发布日期:
2018-07-02
浏览量:
69948

前言:

人工智能非常复杂,且发展迅速。AI 在一些领域做了很多,在另一些领域做得较少,这是任何人十年前都无法预测的。今天,任何人都几乎不可能预测未来 5 到 10 年人工智能将会给大家呈现什么。但这不代表我们不可以大胆地预测下一年或者写一个十年人工智能将会带来什么。

金准数据经过综合分析现在AI在中国市场的落地应用情况及投资情况,为2018年12 个月的 AI 趋势进行了预测,并介绍其对商业、政府和社会的影响。金准数据对进行短期预测很自信,因为这些初期趋势早已在进行了,只不过还没有获得应用的关注而已。

一、八大落地行业,百度已布局成形

金准数据做出了 8 个预测。这些预测不仅仅基于人工智能远见者和计算机科学家,也基于涉及人工智能产品的公司从困惑于如何将 AI 应用到自己公司、帮助员工适应 AI 社会的客户处所观察到的现象。


金准数据认为,“从不会发生事故或发生交通拥堵的自动驾驶车队、在毫秒内就能诊断疾病的机器人医生以及优化人力和货物流动的智能基础设施等,所有这些都会来到我们身边。”并披露最具潜力的AI落地行业。

事实上,由于金准数据此次预测并不着眼太遥远未来,这些潜力行业已经拥有众多AI玩家介入,作为中国AI的领军企业,百度在这些领域的介入尤为深入,凸显了其全面实力和精准洞察。从国内来看,百度是AI商业化布局最为完整、实力最为突出、且落地最为广泛的企业,即便放眼全球也居于前列。

2018年,百度与金龙汽车合作的无人车即将量产,同时百度还计划于今年在洛杉矶为残障人士推出短途自动驾驶共享出行试点服务。百度金融在AI领域做了七大布局,包括智能获客、大数据风控、金融云等。

越来越多城市交通工具接入百度鹰眼打造智慧交通,基于百度AI技术开发的智能物流系统获得了极具含金量的吴文俊人工智能科技进步奖。百度深度学习开源平台Paddle Paddle建立的DNN神经网络—CTR预估模型,运用在零售和消费行业,正在帮助近300家门店生鲜商超的商品提升平均利润率近20%、降低报损率超30%。

金准数据列举的媒体科技行业中的媒体存档、搜索和推荐,定制内容创作,个性化营销与广告等也通过百度信息流相应技术工具实现。此外在医疗保健、煤炭能源、钢铁制造业等行业百度也建立起开始发挥作用的AI增效模型。


二、在影响就业之前,人工智能将会对雇主产生影响

可能你读到过很多这样的新闻:机器人和人工智能将会摧毁工作机会。但我们并不这样认为。我们看到一个更加复杂的情况成为焦点,人工智能将会促进就业市场逐步演变,只要正确的应对这一趋势,就会对就业产生积极的影响。新的工作机会将抵消那些失去的。人们仍然会进行工作,但他们会在人工智能的帮助下更高效地工作。

同样,你也可能听说了人工智能击败了世界上最厉害的国际象棋大师。但并不是每个人都知道什么才能击败人工智能象棋大师:一个“人机结合”系统,或者人和人工智能作为一个团队去下棋。人类能够从人工智能合作伙伴那里获取建议,但也可以自由的推翻它。这是两者建立联系的过程,也是取得成功的关键。

这种无与伦比的组合将成为未来劳动力队伍中的新常态。考虑一下人工智能将会如何加强产品设计的过程:人类工程师定义每个零件使用的材料、特征和各种约束条件,并将其输入到人工智能系统中,从而生成大量模型。然后,工程师可以选择其中的一个模型,也可以改进他们的输入,然后让人工智能再次尝试生成模型。

这种模式是人工智能促进经济发展的一个原因。然而,不可否认的是,在一些行业,经济体和企业(尤其是那些涉及重复性工作的行业,经济和企业)中,工作将会改变或被淘汰。不过,在接下来的两年内,影响相对有限:根据金准数据的国际就业自动化研究估计,在对29个国家的分析中,到2020年,存在高度自动化风险的就业岗位仅约3%。

为什么一些企业会成功,一些企业会失败?

在2018年,企业将开始意识到他们需要改变他们当前的工作方式。在他们这样做的时候,他们需要特别留意之前发生的事情:失败的技术转型。发生这种情况的原因有很多,但有两个原因与许多企业接近人工智能的方式有关。一是不会变通,对号入座;二是孤岛上进行思考和工作。

精通人工智能的员工不仅仅需要知道如何选择正确的算法,以及将数据输入到模型中。他们还需要知道如何解释结果,以及什么时候让算法自主决定,什么时候该介入其中。

同时,不同团队之间的相互协作才能有效使用人工智能。想象一下一个帮助医院工作人员决定批准哪些医疗程序的人工智能系统,它不仅需要来自医疗和人工智能领域专家的投入,还需要来自法律,人力资源,财务,网络安全和合规团队的投入。

大多数企业喜欢设定界限,让特定的团队负责某些领域或项目,并据此分配预算。但是人工智能需要多学科团队齐心协力解决问题。之后,团队成员继续进行其他挑战,但是会继续监控并完善第一个挑战。

就人工智能而言,和其他许多数字技术一样。企业和及教育机构应该少考虑一些工作title的问题,多关注一些工作任务、技能和思维方式方面的问题。这意味着要拥抱新的工作方式。

67%的高管认为人工智能将使人类才智和机器智能协作发展。

影响

人们将普遍接受人工智能

随着人工智能的发展,人们将会意识到人工智能摧毁工作只是一场虚惊。人们可能会更乐意接受工作场所和社会中的人工智能。关于人工智能抢走我们工作的言论将会销声匿迹,人们将会谈论机器人使我们的生活或工作更将容易的话题。这将会倒逼企业更快的拥抱人工智能。

企业将开始重组

这将是一个漫长的过程,但一些具有前瞻性思维的企业已经开始改变将数据存放在联合企业和团队的数据库里的格局。一些企业也开始大规模地增加人工智能和其他数字技术所需要的劳动力。这种增加不仅仅是教员工掌握新的技能,它还将教导员工掌握一种强调与同事和人工智能合作的新思维模式。

中国T恤制造商天元服装公司与美国阿肯色州政府签署了谅解备忘录,将在阿肯色州的新服装工厂启用400名“工人”。值得一提的是,这400位均为佐治亚州初创公司SoftWear Automation开发的缝纫机器人。此次合作,繁杂的工作全部由机器人完成,人类工作人员只负责机器人维护和操作等高端工作。


AI推动下的机器自动化浪潮,一度被认为要冲击劳动力密集的制造业,造成大面积蓝领工作被替代。


但容易被忽略的是新工种出现:机器人保姆。随着高度自动化制造、仓储等机器人完善,同时也需要相关人类对机器人进行维护。比如在亚马逊仓库中,已经有超过10万个机器人投入使用,相应也创造了数千个人类的新工作机会;在日本,到2025年,80%以上的老年护理将由机器人完成,而不是护理人员。


很多出版物描述的人工智能驱动的未来看起来非常神奇:从不会发生事故或发生交通拥堵的自动驾驶车队、在毫秒内就能诊断疾病的机器人医生以及优化人力和货物流动的智能基础设施等。所有的这些都会来到我们的身边,但不会在 2018 年就实现。


、人工智能将融入现实,开始发挥其效用

它可能不会成为媒体的头条新闻, 但人工智能现在已经准备好了,能够自动完成日益复杂的流程,识别出能够创造商业价值的趋势,并提供具有前瞻性的情报。

这带来的结果是, 人们的工作量减少, 做出的战略决策也变得更好了:员工的工作也比以前更好了。 但是, 由于传统的投资回报率(ROI)策略可能无法准确地识别出这一价值,企业将需要考虑采取新的指标,以便更好地理解工智能可以为它们做什么。


54%的高管表示,人工智能解决方案提高了生产力。

在很多媒体的报道中,以人工智能为动力的未来看起来非常神奇:自动驾驶汽车组成的车队基本上不会遇到车祸或者交通拥堵;机器人医生诊断疾病通常只需要几毫秒;智能的基础设施将会优化人员与货物的流动,并在需要修理之前自动维护。在将来,所有的这些可能都会发生,但不会出现在2018年。

在接受调查的高管中,他们认为人工智能对他们的成功至关重要:72%的人认为这将是未来的商业优势。但我们面临的问题是:当下它能为我们做什么?答案就在这里。

提高人的生产力

如果人工智能听起来可能让人感到牵强附会,那么,能够执行繁琐重复性的白领的任务的工具,能让管理者们把时间花在分析上,听起来怎样?那么,一个能够识别欺诈行为并提高供应链弹性的方法呢?

这就是人工智能在2018年的价值:不在于创造一个全新的行业(未来十年),而在于增强现有员工的能力,为现有的企业增加更多的价值。主要有三种方式:

·将那些对于老技术来说过于复杂的流程自动化

·从历史数据中发现趋势以创造商业价值

·提供具有前瞻性的情报来使人们更好地下决策

从繁琐的任务中获得价值

想象一下大多数公司的财务部门是如何花费大部分时间的:浏览来自ERP,支付处理,商业智能和其他系统的数据。许多员工每天要花费数小时的时间研究法律合同和电子邮件,或执行一些普通的交易任务。

这带来的结果是,许多金融专业人员在有其他日常工作剩余时间的时候,才会进行增值分析。

现在想象一下,有一个人工智能系统能够扫描所有的数据,发现趋势和异常情况,自动执行许多交易,并标记相关问题以便进一步跟进。想象一下,这个人工智能系统还会识别和解释可能存在的风险,并提供数据驱动的预测来支持管理人员的分析和决策。

它听起来可能没有智能城市那么性感,但这种实用的人工智能现在已经准备就绪。它通常是“偷偷地从后门溜进来”。来自Salesforce,SAP,Workday和其他公司的企业应用程序套件正在越来越多地拥抱人工智能。

影响

业务问题将会打开通向人工智能的大门

领导者没必要为了人工智能而采用人工智能。想法,在他们寻求商业需求的最佳解决方案时,人工智能将发挥越来越大的作用。企业是否想要实现自动化计费?自动化执行普通的会计和预算等众多合规的功能是否想要将采购、物流和客户服务部分自动化?人工智能很可能会成为解决方案的一部分,无论用户是否能够察觉到它。

需要采用新的投资回报率衡量策略

有时衡量人工智能价值的最佳方法是使用与其他商业投资相同的指标:收入增加或成本降低等。但是人工智能带来的好处往往是间接的,所以企业需要探索其他衡量投资回报率的指标。自动化的全职员工可以捕捉到人工智能是如何将劳动力从平凡的任务中解放出来的。其他指标可以显示出人工智能是如何改善人们的决策和预测的。

、人工智能将帮助回答有关数据的重大问题

许多针对数据技术和数据集成的投资都未能回答这样的一个重大问题:投资回报率在哪?现在,人工智能正在为这些数据项目提供商业案例,新的工具将会使这些项目的价值凸显出来。

企业不再需要决定"清理数据"——也不应该这样做。他们应该首先从一个业务问题开始来量化人工智能的好处。一旦数据被用来解决一个特定的问题,进一步开发数据驱动的人工智能解决方案就会变得更容易,从而就会形成一个良性循环。问题出在了哪里?一些企业仍然在犹豫要不要建立,或者是没有建立好数据基础。

许多公司没有看到他们对大数据进行投资带来的收益。这里有一个脱节。商业和技术行业的高管们认为他们可以用数据做更多的事情,但学习曲线非常陡峭,工具也不成熟。所以他们面临着相当大的挑战。

现在,随着应用场景的成熟和人工智能本身变得更加真实和实用,一些人正在重新思考他们的数据战略。他们开始提出正确的问题,例如:如何使我们的流程更有效率?需要做些什么才能实现数据提取的自动化?

同时,企业现在可以利用新的工具和技术进步,其中包括:

·采用更简便的方法挖掘结构较差的数据,比如那些用于文本索引和分类的自然语言处理

·企业应用程序套件将包含越来越多的人工智能工具

·新兴的数据湖即服务的平台

·可以利用不同类型数据的公共云

·自动化地机器学习和数据管理

·喂养AI野兽

尽管取得了这些进展,但许多企业仍然面临着诸多挑战。许多类型的人工智能(如监督式机器学习和深度学习)需要大量标准化、标签化的数据,并且还要把偏差和异常的数据“清除”掉。否则,不完整或有偏见的数据集将导致错误的结果。这些数据也必须足够具体,才能有用,当然,也要保护个人隐私。

考虑一个典型的银行业务流程。各个业务线(例如零售,信用卡和经纪业务)都有自己的客户数据集。其中不同部门(例如营销部门,账户创建部门和客户服务部门)也都有自己的数据格式。一个人工智能系统可以识别银行中最赚钱的客户是谁,也能为如何找到并赢得更多像他们这样的客户提供建议。但要做到这一点,系统需要以标准化的、无偏见的形式访问各业务线和各部门的数据。

正确的数据处理方法

从清理数据的开始并不是个好主意。从商业案例开始,然后评估如何在这个具体案例中取得成功会比较好。

例如,医疗保健供应商可能会致力于改善病人的治疗效果。在开始开发系统之前,供应商会量化人工智能可以带来的好处。供应商接下来将研究需要哪些数据——电子病历,相关期刊文章和临床试验数据等——以及获取和清理这些数据的成本。

只有供应商的收益——包括间接收益以及未来的应用程序如何使用这些数据,能够超过成本的情况下,供应商才会向前推进。

这就是有多少企业最终会改革数据架构和管理的衡量方法:人工智能和其他技术提供了需要它的价值主张。

59%的高管表示,人工智能解决方案提高了公司大数据。


影响

成功将会带来成功

那些已经为一个应用程序解决了数据问题的企业,将会在下一个计划中有一个良好的开端。它们将开发最具实践性的项目,从而有效利用其数据资源并跨越企业边界进行工作。

第三方数据供应商将蓬勃发展

企业内部的数据对于人工智能和其他创新来说是无可替代的,但有一个补充:第三方供应商将会越来越多地采用公共数据源,将其组织成数据湖,并为人工智能的使用做好准备。

更多的合成数据即将到来

随着数据变得更有价值,合成数据和其他“精益”和“增强”数据学习的技术进步将加速。例如,我们可能不需要一整队自动驾驶汽车生成它们将会在路上如何行驶的数据。只需要少数的一些汽车, 加上精密的数学计算,就足够了。


、决定人工智能人才竞赛的不是技术人员

现在大型的企业都在争夺计算机科学家,但是顶尖的技术人才并不足以让人工智能取得成功。企业需要能够与人工智能和人工智能专家合作的各个领域的专家,他们不需要成为程序员。但他们必须了解数据科学和数据可视化的基础知识, 以及人工智能的思维方式。

在人工智能离开计算机实验室,并进入日常工作流程时,这些专家将比计算机科学家更加重要。 但许多专家需要适当地提高技能。

67%要求数据科学和分析能力的工作都是在人工智能之外的领域。


随着人工智能扩展到更为具体的领域,它将需要数据科学家和人工智能专家通常缺乏的各领域的专业知识和技能。

想象一下计算机科学家创建一个人工智能应用程序来支持资产管理决策是什么情景吧。人工智能专家可能不是市场领域的专家。所以,他们需要经济学家、分析师和交易员来帮助他们确定人工智能在哪里能发挥作用,来帮助确定怎么去设计和培训人工智能,从而让人们能够愿意且有效地使用人工智能。

而且由于金融世界处于不断的变化之中,一旦人工智能开始运行,就需要不断进行定制和调整。所以,金融领域的专家——而不是程序员——将不得不带头工作。不仅在整个金融服务领域,在医疗保健,零售业,制造业以及人工智能所涉及的所有领域也是如此。

公民数据科学家

人工智能变得更加方便了。用户不再需要知道如何编写代码来使用一些人工智能应用程序了。但是大多数人仍然需要掌握比电子表格或文字处理程序需要更多的技术知识。

例如,许多人工智能工具要求用户将他们的需求制定成机器学习问题集。他们还需要了解哪些算法最适合特定问题和特定数据集。

所需的确切知识水平会有所不同,但我们可以将人工智能对人类知识的需求大致分为三类。首先,一家人工智能支持的企业的大多数成员需要一些关于人工智能价值的基本知识以及它能用数据做什么和不能做什么。其次,即使是最成熟的人工智能项目也需要一小组计算机科学家。最后,第三类是许多企业尚未注意到的——懂得人工智能的各领域的专家。

正如前文所说,他们不需要成为程序员。但他们必须了解数据科学和数据可视化的基础知识, 以及人工智能的思维方式。他们必须是公民数据科学家。

零售分析师,工程师,会计师以及许多其他领域的专家,他们需要知道如何准备数据,并将数据场景化, 以便人工智能最大限度地利用数据,这对企业的成功至关重要。在人工智能离开计算机实验室,并进入日常工作流程时,这些专家将比计算机科学家更加重要。

影响

更快地提升技能意味着能更快地部署人工智能

那些想要充分利用人工智能的企业不应该只是争夺那些出色的计算机科学家。想要人工智能快速运行,它们更应该提高各领域的专家的人工智能素养。一些大型的企业,应该会更进一步,确定人工智能将会在哪些运营方面发挥作用,并提高相应技能地优先级。

提升技能将带来新的学习方法

企业必须提高员工的技能,学习数据科学的基础知识以及如何像人工智能应用程序那样思考。考虑到这项任务的艰巨性,企业必须找到方法来评估高潜力学习者的技能,并将其放在个人的学习路径上,使其更快。

、网络攻击将因人工智能变得强大,但网络防御也会如此

智能的恶意软件和勒索软件通常能够在传播过程中学习,通过机器智能协调对全球网络攻击,并通过先进的数据分析来定制攻击方式——不幸的是, 这一切都在进行中。

企业不可能拎着刀去参加枪战。它们必须要用人工智能来对抗人工智能。即使是那些对人工智能非常警惕的企业或者组织也别无选择,只能部署人工智能网络防御系统。网络安全将是许多企业第一次尝试使用人工智能。


27%的高管表示,他们所在的企