分析師們預測, 到2020年, 人工智慧技術將出現在發佈的幾乎每一款新軟體和新服務中。 即使新軟體或新服務實際上並不含有人工智慧技術, 技術供應商可能也會使用障眼法行銷招術, 讓用戶信以為真。
推銷自己開發的每一款新軟體時, 許多技術供應商已經硬塞入了人工智慧這個標籤, 這在市場上引起了一陣混亂。 更讓人暈頭轉向的是, 各大軟體供應商指出競爭對手亂貼標籤, 即便相應產品確實含有人工智慧技術。
Gartner最近強調, 人工智慧描述有誤是人工智慧市場存在的三大問題之一。 開發應用軟體和平臺的1000多家供應商自稱是人工智慧產品供應商,
人工智慧不僅限於機器學習
Gartner專注於分析和資料科學的研究副總裁Jim Hare解釋道, 如果一項技術被標為人工智慧技術, 供應商就得提供資訊, 清楚地表明人工智慧如何用作一種差異化優勢, 它解決了其他技術無法解決的什麼問題。
Hare說:“鑒於現狀, 你要假設這不是人工智慧, 供應商必須證明確實是人工智慧。 這就像大資料時代, 所有供應商都稱自己擁有大資料技術, 但實際上只是借用這種技術的熱度而已。
他說:“我看到的是, 任何通常被稱為機器學習的東西現在都被標為人工智慧, 實際上它明明是弱人工智慧, 它只解決某個特定的問題。 ”
Hare表示說, IT買家要詢問供應商如何定義人工智慧, 並向對方瞭解底層方面的資訊, 從而讓供應商對自己的說法負責。 客戶要知道什麼讓這款產品比市面上已有的產品更勝一籌, 要有來自客戶案例方面的支援。 此外, 黑爾竭力勸IT買家要求使用自己的資料來演示人工智慧產品, 以便看看產品解決面臨的業務問題的實際效果。
Hare表示, 除此之外, 供應商必須向客戶告知它在產品中使用或計畫使用的人工智慧技術, 以及跟上迅速變化的人工智慧市場的策略。
Gartner強調的第二個問題是, 機器學習可以解決公司需要解決的許多問題。 較複雜類型的人工智慧(比如深度學習)方面炒作得太厲害了, 結果許多公司忽視了更簡單的方法。
Hare說:“許多公司對我說‘我需要一個人工智慧戰略’, 聽到他們的業務問題後, 我說‘不, 你不需要人工智慧戰略。 ’”
“其實, 你要找的是解決所面臨的問題的方案;如果機器學習能解決問題, 那很好。 如果你是因某個問題對經典的機器學習來說太具有挑戰性而需要深度學習, 又需要神經網路, 那麼人工智慧才是你要找的。 ”
弱人工智慧vs強人工智慧
籠統地講, 人工智慧有兩種類型:
弱人工智慧(Weak AI)如今很普遍, 聊天機器人就是典例, 旨在滿足某種特定的用途。
強人工智慧(Strong AI)工具的用途廣泛得多,
BI用得還不錯, 別用人工智慧
何時使用人工智慧工具、何時使用商業智慧(BI)工具, 這是Nara Logics公司首席執行Jana Eggers主持的春季TDWI Accelerate報告會的重點, 該公司稱其採用“突觸智慧”(synaptic intelligence)的人工智慧方法結合了神經科學和電腦科學。
BI工具借助報告、視覺化和資料分析, 利用資料提供洞察力, 人們使用該資訊來解答問題。 人工智慧的不同之處在於, 它實際上利用資料和計算, 能夠自行提出解決問題的方法。
想要解答某個特定問題的公司應使用業務分析工具。 她表示, 如果你不知道要提的問題, 使用人工智慧來公開探究資料, 並願意從許多不同的方向來考慮答案。
Eggers表示, 就人工智慧項目而言, 你瞭解自己的目標、想要完成的任務, 但你在尋找新的解決方法方面具有開放性。
人工智慧並非易事
據Gartner聲稱, 困擾人工智慧的第三個問題是, 許多公司的員工缺少評估、構建和部署人工智慧系統的技能。 Gartner曾開展了2017年人工智慧發展戰略調查, 50%以上的調查物件表示, 缺乏必要的員工技能是採用人工智慧面臨的最大挑戰。 這個統計資料似乎與資料科學家的供需問題相吻合。
他說:“部署這種工具是一回事, 但是誰負責以後調整和訓練模型?比如說, IBM Watson需要做大量的搭建工作, 你需要專注於模型以解決某個特定的問題, 並為它饋送大量的資料來解決這個問題。”
他補充道,公司還必須瞭解運行人工智慧工具在資料和計算方面的要求。可能需要GPU,這可能給項目大幅增加了成本。而最前沿的人工智慧系統需要大量的資料。存儲這些資料也增加了專案成本。
並為它饋送大量的資料來解決這個問題。”他補充道,公司還必須瞭解運行人工智慧工具在資料和計算方面的要求。可能需要GPU,這可能給項目大幅增加了成本。而最前沿的人工智慧系統需要大量的資料。存儲這些資料也增加了專案成本。