Gartner：多维度优化人工智能应用

齐健

在过去很长一段时间里，人工智能（AI）在大众的印象中都是蒙着一层科幻色彩的未来技术。近年来，随着机器学习和深度神经网络技术的发展，以及GPU在人工智能研发中的应用，人工智能走入实际生产与生活的大趋势已经逐步形成，人工智能的发展与应用在各行各业掀起了热潮。

信息技术研究和顾问公司Gartner认为，到2023年，用于人工智能的计算资源将在2018年的基础上增加5倍，因此人工智能技术正在成为驱动基础设施架构决策的最重要的工作项目。换句话说，在未来的企业生产与社会生活中，会有越来越多的平台基础架构支持AI的基础运算。

人工智能模型需要持续优化

人工智能不是标准化产品，它需要根据场景、环境和数据不断变化，其中的模型和输入、输出的数据也需要不断优化，从而保证人工智能的正确率。Gartner研究副总裁蔡惠芬（Tracy Tsai）认为企业在应用人工智能解决方案时，厂商所提供的逻辑和模型都是可以快速完成实施部署的，但最花时间的是模型背后的数据。

蔡惠芬解释说，在人工智能系统的逻辑和模型背后，需要大量的数据收集和判别工作。人工智能并不能自己完成学习，它需要根据人类输入的数据积累运算结果从而达到学习的目的。这就需要在应用过程中，持续优化数据输入、判别数据有效性，并对数据进行解释、利用和标注。同时，人在“输入”的时候难免带有个人的主观看法，使人工智能的模型很难实现100%的客观，因此，在运行过程中还需要在数据之间建立知识图谱，深入了解数据的关系结构以及数据关联性。

人工智能解决方案需要精准研发

在人工智能供应商方面，从汽车、安全、金融、服务到制造，今天的人工智能应用已经触达了大量的已知商业领域，未来的人工智能将更加无孔不入。因此很难有一家供应商实现针对各个领域及其中细分环节的全面人工智能服务。蔡惠芬介绍说，Gartner将人工智能技术的主要研发力量分为四大类。

第一类是传统的IT技术提供商，例如，IBM和Microsoft，这些既有的、大型企業应用软件及平台供应商。第二类是传统的企业应用开发商，会在自己已有的应用中整合、开发升级版的人工智能功能。第三类是初创的人工智能公司，这类企业主要提供有针对性的人工智能产品，例如，客服机器人、金融风险预測或制造业品质鉴定。第四类则是对人工智能有需求的大型企业自建的研发部门，如三一重工和平安集团这样的大型制造企业秈金融企业等，这些企业的人工智能技术需求精确且复杂，很难直接找到完全符合需求的供应商，这时企业将内部强大的IT部门分出一部分力量，自主研发人工智能解决方案，经过长期的实践与研究，形成了更贴合细分领域的实用解决方案，并逐步向市场推出可供销售的人工智能产品。

人工智能的投资目标是创造价值

依托大量数据和训练，人工智能可以在降低人员成本的同时提升工作效率。蔡惠芬举例说，目前，人工智能已经可以在品质检測过程中帮助企业优化业务。在产品质检过程中，由于产品瑕疵种类很多，无法通过一次性统计满足所有问题的检测。而人工智能在完成检測的同时还可以根据不断生成的“瑕疵”类型对运算模型进行“再优化”，在完成检測工作的同时不断提高检測能力。

当然，降低人员成本、节约运营开支只是人工智能可以实现的最短期目标。人工智能可以通过分析运算，帮助人做出高价值的决定，从而产生新的营运收入。蔡惠芬强调：“人工智能最终的目的，是要协助人完成复杂的判断、产生高价值的决定，从而优化业务、创造价值。”

调查显示，多数消费者希望AI在生活中充当“助手”而非“代理人。在工作中也是一样，在Garmer对2708名企业雇员的调查中，50%的受访者希望人工智能能够根据人的需求提供协助，32%的人希望人工智能可以更积极地去提供协助。例如，在竞争对手推出新产品或者市场中出现销量爆款或者新的竞争对手时，人工智能助手可以进行预警和分析，使用户实时掌握最新的市场动态，并制定相应的策略。Gartner认为，未来的人工智能发展方向应该是协助员工完成工作而不是取代员工。

人工智能对企业的反向要求

Gartner针对首席数据宮的调研显示，在企业内部制约人工智能发展的前两大因素分别是企业文化对人工智能的适应能力和员工的数据素养。

蔡惠芬解释说，推动人工智能发展的相关人员分别来自业务部门、IT部门和数据部门，如果数据专家不懂人工智能模型、IT专家不了解业务需求或者业务人员不会使用人工智能，那么人工智能在企业中的发展将举步维艰。因此，利用人工智能实现数据驱动决策的关键，在于统一部门间的数据语言，构建有效的内部沟通与合作机制，整体提高企业文化对人工智能的适应能力。

整体提升来源于企业对每个员工数据素质，加深员工对数据本身的理解，从每个点提升理解、沟通和应用数据的能力。Gartner预计到2020年，80%的企业将开始推行内部数据素质计划，以提高其员工的数据能力。

“分级优先”助推制造业人工智能应用发展

蔡惠芬介绍，目前，在人工智能触及的众多领域中，制造业的发展相对缓慢，其原因主要有三点。首先，制造业的数据基础复杂。金融和零售行业是人工智能较早触达的领域，其主要原因是这些行业的数据丰富、直观且容易获取。而制造业的人工智能应用对数据的数量、质量和直观性要求都比其他行业要高很多。

其次，制造业对人工智能模型的要求更高。在零售或服务行业中的人工智能对精确度要求并不高，因为大多数的错误不会直接给企业造成损失。但制造业的人工智能则可能直接影响运营、生产和销售，这就需要人工智能模型更加严谨和可解释。

最后，由于制造业的核心价值建立在复杂的设计、生产系统中，相对于金融模型、消费者行为分析来讲，这类人工智能模型在建立和训练方面都具有一定难度。针对制造业的人工智能目前还停留在提升效率和优化流程的“自动化升级”，例如，用于品质检测和规范操作的机器视觉。

对此，Gartner建议制造企业在部署人工智能的过程中可以采用“分级优先”的方法，逐步地实施人工智能，优化业务和创造价值。

第一步，企业要排列业务场景的价值，从价值最高的场景开始评估。第二步，要找到数据，在价值较高的业务场景中选择数据基础好的部分推进。第三步，需要认清真正的业务需求。例如，企业要做客服品质提升。那么，客服品质提升的定义是什么？是满意度提升，还是订单增加？企业需要由此制定具体的衡量指标。第四步，要评估市场上的解决方案，优先选择有可靠供应商和成熟解决方案的业务场景实施。

“基于这四个关键点的优先顺序很重要。有价值、有数据、企业明确自己的需求和有解决方案。如果这四个都没有的话，就再找、再看，否则花费很多时间却很难达成期望的效果。”蔡惠芬说。

未来人工智能将更加“可解释化”和“可定制化”

人工智能的运算精度需要随着数据输入和不断训练提升，而当模型建立之后，数据标注资料越来越多。同时，随着数据量和逻辑的不断增大，传统的机器学习对可解释的运算结果处理速度将越来越隕，企业需要通过深度神经网络挖掘、进一步提升精准度。Gartner认为，到2022年，在原本采用机器学习（ML）技术的应用中，将有75%以上的企业使用深度神经网络（DNN）完成传统的机器学习。

蔡惠芬表示，人工智能技术本身发展的趋势，会越来越“可解释化”。机器可以告诉我们什么样的数据产生了什么样的结果，并让管理者理解，为什么会产生这样的结果。同时，人工智能也会越来越“可定制化”，在不同的行业、不同的企业中，利用相似的模型，以定制化的框架在企业中陕速实现人工智能应用的价值。