人工智能是人工智能实现的关键_java


随着人工智能(AI) 使用情况越来越复杂,AI 技术实施也变得更具有挑战性。


值得兴奋的是,实现人工智能的新方法即将到来。


在刚刚过去的2017年,人工智能和机器学习取得了前所未有的进展,许多公司都将这些技术部署在实际应用中。 这种趋势还会持续下去。一些公司的分析师,如Gartner 预测:到2020年,人工智能技术将会在每一个新的软件产品中出现,成为标配。


从健康医疗到机器预测性维护,再到交互聊天机器人,人工智能很快就成为现代企业标配,不仅仅是互联网和IT企业的需求和专利。


尽管人工智能市场爆发,许多公司仍然难以从人工智能中获得实际商业价值,前几天的百度还收回了All in AI口号。事实上也是如此,将人工智能引入实际产品和解决方案是企业的主要障碍之一,许多人只是问:“我该咋实施AI解决方案?”


AI应用程序日益复杂


随着AI技术从“要有”到“需要实施”,它的复杂性也在不断发展。公司需要的不仅仅是较简单,标准化的人工智能服务,可以进行图像或文本识别,还需要更复杂的预测场景,这些场景对于他们的业务非常具体,需要根据业务需求定制。


例如,假定使用时间序列数据来产生业务洞察,例如工业物联网(IoT)的预测性维护或客户体验组织的客户流失分析。 通过简单地调用一些具有特定参数的通用服务并获得结果,将无法支持这些场景。在这些预测场景中获得准确和可操作的结果,皆需要大量的数据科学工作,随着时间的推移,使用数据来迭代地训练模型并提高输出的准确性和质量。 


此外,企业亦正在面临挑战:设计新功能,运行和测试许多不同的模型,并确定正确的模型组合,以提供最准确的结果 - 这只是为了确定需要在生产环境中实施什么。


此外,企业需要认识到AI不再是数据科学家和帮助准备数据的工程师的专属领域。企业数字化转型已经从IT驱动发展到全公司的转型,情况早已发生转变。组织必须超越孤立的AI方法,将分析团队和应用程序开发团队分开。应用程序开发人员需要更加了解数据科学与生命周期,应用程序设计人员需要考虑预测性见解如何驱动应用程序更好的体验。


为了获得成功,公司管理团队必须确定一种方法,使他们能够以适合运行时的语言轻松地将模型投入生产,而无需重写分析模型。组织不仅需要优化其初始模型,还需要将数据和事件反馈给生产模型,以便不断迭代改进。


这可能看起来像一个大而复杂的过程,但是如果你愿意的话,这对AI的实际执行AI来说是关键的。 如果你不能这样做,AI将无法真正进入你的公司。


人工智能的新世界


那么,公司组织如何有效地实施人工智能,使其能够利用有限的数据科学资源来处理复杂的预测场景?而组织如何在不重新培养整个开发团队的情况下取得人工智能成功实施?


事情的残酷真相是,我们不可能通过简单地、狭义的、一刀切的方法来实现,用少数参数就能得到结果。人工智能需要一个更复杂的实施方案,对业务具备足够积累、洞察力,才能提供可操作性和高价值。


我们以一个IoT预测性维护应用程序为例,它分析来自成千上万台机器的传感器3个月的时间序列数据,并自动返回结果。

这不是一个简单的预测结果集,而是一组完整的异常检测数据,这些异常数据会在优先级中排除之前无法运行结果的警报。这些处理结果通过移动应用的工单发送给分配的区域服务人员,他们可以执行必要的维护工作以最大限度地提高机器性能。

这是一个复杂的过程,机器学习是自动化的,特征工程是以无监督的方式完成的。AI需要将所提供的结果,深入分析各个传感器数据,机器级别数据和机器群体数据,然后打包一个使企业立即采取行动的软件解决方案。


欢迎您来到AI实施的新世界。


虽然这是一个非常新的概念,但是上面产品的市场定义是“异常检测”。但并不是所有的解决方案都采用相同的方法,也不是所有的解决方案都能带来更好的业务成果。我们都需要看到的是机器学习功能如何实现根本性转变,不仅仅是云或私有化部署。


我们正在谈论从提供数据科学工具转向提供更有效的数据科学结果,从而消除了数据科学家需要这些工具的需求。 在这个新世界里,数据科学家将能够花时间分析和改进结果,除了需要的是数据以时间序列格式提供之外,而不是浪费时间在非关键任务上。


然后,只需将数据上传到云端(内部部署选项也会存在),人工智能自动化就可以完成余下的工作,并在数天内返回准确的结果。


接下来会很快,我们就可以从人工智能的梦想到实际的实施!