银河新用户注册-银河彩票新用户注册人工智能前沿记:深度学习的应用和价值

  • 时间:
  • 浏览:0

  在整个经济中应用层厚学习技术的巨大潜力,但随着技术的不断发展,亲们也意识到你这些 挥之不去的局限和障碍(以及未来的机遇)。最终,人工智能的价值都没有于模型这些 ,而在于公司是与非 有能力使用人工智能。

  有一份对19个行业和9个业务职能的300多个用例进行分析的报告突出了先进人工智能技术的广泛应用和重大经济潜力。

  人工智能(AI)作为数字时代的转型技术脱颖而出人工智能在整个经济中的实际应用正在快速增长。为了撰写《人工智能前沿记:数百用例知道多》你这些 ,亲们将传统分析和更新的“层厚学习”技术及其还可不可以 处理的问题图片映射到公司和组织的300多个特定用例中。借助麦肯锡全球研究院的研究以及麦肯锡分析人工智能的应用经验,亲们评估了跨行业和业务职能的高级人工智能技术的实际应用和经济潜力。亲们的研究结果强调了在整个经济中应用层厚学习技术的巨大潜力,但随着技术的不断发展,亲们也意识到你这些 挥之不去的局限和障碍(以及未来的机遇)。最终,人工智能的价值都没有于模型这些 ,而在于公司是与非 有能力使用人工智能。

  即使亲们意识到使用人工智能技术的经济潜力,数据的使用也还可不可以 始终考虑到数据安全性、隐私和潜在的等等的问题图片,你这些 点不得不强调。

  随着人工智能技术的发展,到底是哪种技术构成了人工智能的定义也在不断发展。出于本的目的,亲们将使用人工神经网络的层厚学习技术的简称为人工智能。亲们还考察了其它机器学习技术和传统分析技术。

  神经网络(neural network)是机器学习技术的一偏离 。神经网络本质上是基于通过模拟方式 连接的“神经元单元(neural unit)”的人工智能系统,什么系统粗略地模拟了神经元在大脑中的相互作用方式 。自20世纪40年代以来,亲们原因分析分析研究了受神经连接的计算模型,以后随着计算机处理能力的提高和大型训练数据集成功地用于分析输入数据(如图像、视频和语音)而再次声名大噪。人工智能从业者将什么技术称为“层厚学习”,原因分析分析神经网络具有好多好多 (“深”)层的模拟互连神经元(simulated interconnected neuron)。

  :最简单的人工神经网络。在你这些 架构中,信息仅在有八个方向上移动,从输入层向前移动,经过“隐藏”层移动到输出层。网络中没有环(loop)。首个单神经元网络是由人工智能Frank Rosenblatt在1958年提出的。虽然你这些 想法难能可贵新鲜,但计算能力、训练算法和可用数据的发展促成了高于以往的性能水平。

  :人工神经网络的神经元之间的连接所含环,什么环非常适用于处理一连串输入。2016年11月,大学的研究人员报告说,基于递归神经网络(和卷积神经网络)的系统在唇读(reading lips)方面达到了95%的准确率,优于经验充足的人类唇读者,后者的准确率为52%。

  ,其中神经层之间的连接受到动物视觉皮下组织(animal visual cortex)的,动物视觉皮下组织是大脑处理图像的偏离 ,非常适用于方面的任务。

  对于亲们的用例,亲们还考虑了另外这些 技术生成对抗网络(GAN)和强化学习但未将它们所含在亲们对人工智能的潜在价值评估中,原因分析分析生成对抗网络你这些 新生技术尚未得到广泛应用。

  生成对抗网络(GAN)使用有八个神经网络在零和游戏(zero-sum game)框架中相互竞争(以后是“对抗”)。生成对抗网络能法学会模拟各种数据分布(累似 文本、语音和图像),以后,一旦没有数据分布可用搞笑的话,该网络就能生成测试数据集,这很有用。

  强化学习是机器学习的子领域,在强化学习中,系统通过接收虚拟“励”或“惩罚”来得到训练,这实际上是通过试错法来学习。谷歌DeepMind原因分析分析使用强化学习来开发还可不可以 玩游戏的系统(包括视频游戏和围棋(Go)等棋类游戏),其能力胜过人类冠军棋手。

  在业务中,什么分析技术可用来处理现实问题图片。最普遍的问题图片类型是分类、连续评估(continuous estimation)和聚类(clustering)。侧栏中提供了问题图片类型及其定义的列表。

  亲们收集并分析了19个行业和9个业务职能部门的300多个用例。什么用例为特定部门里的领域带来了以后的洞察层厚神经网络在什么领域里所能创造的最大价值,什么神经网络相较于传统分析所能产生的增量提升,以及为了实现潜力而还可不可以 得到满足的的数据需求(就数量,种类和层厚而论)。亲们的用例库虽然范围很广,但难能可贵详尽,原因分析分析会夸大或低估你这些 部门的潜力。亲们将继续对它进行改进和扩充。

  :机器学习检测异常的能力。层厚学习能分析几瓶高维数据(high dimensional data),以后它还可不可以 将现有的预防性系统(preventive maintenance system)提升到有八个新的水平。原因分析分析将额外的数据(例自其它传感器的音频和图像数据,来自麦克风和摄像机等相对便宜的传感器也算)加入分层中,神经网络就还可不可以 增强并取代更传统的方式 。人工智还可不可以 够预测故障并使有计划的干预方式 成为原因分析分析,什么能力还可不可以 减少停机时间和运营成本,一齐提高生产力。累似 ,人工智还里可不可以 用传统的分析技术延长货机的寿命,使其寿命大大超出预期,方式 以后将飞机模型数据、记录、物联网传感器数据(累似 发动机振动数据的异常检测)和表明发动机情况汇报的图像和视频通通结合起来。

  物流中使用人工智能技术(如连续评估)还可不可以 为各个部门带来实虽然在的增值。人工智还里可不可以 优化运输线,从而提高燃油层厚并缩短交付时间。有一家欧洲货运公司将燃油成本降低了15%,其方式 五花八门,比如使用能一齐车辆性能和驾驶员行为的传感器,让司机接收实时指导(包括哪年加速或减挡时)、优化油耗并降低成本。

  原因分析分析人工智能技术的应用,呼叫中心管理和呼叫由(call routing)中的语音识别得到了改善,为客户提供了更加无缝的体验(和更高效的处理能力)。什么功能不仅仅听候在文字上。累似 ,对音频进行层厚学习分析使系统能评估客户的情绪;原因分析分析客户对系统反应不佳,呼叫会自动再由到接线员和管理员。人工智能技术在营销和销售的其它领域还可不可以 产生重大影响。将客户人口统计、过去的交易数据与社交相结合助于生成个性化的产品推荐。面向自己客户的“下有八个要购买的产品(next product to buy)”推荐(亚马逊和网飞等公司已成功实施)还可不可以 使销售率提高两倍。

  在亲们研究的69%的用例中,层厚神经网络可用于提高性能,其提升性能的能力优于其它分析技术。亲们将不得不使用神经网络的情况汇报姑且称为“绿地(greenfield)”案例,你这些 情况汇报仅占总数的16%。对于剩下的15%,人工神经网络在性能上略胜于其它分析技术,原因分析分析之一是数据的局限原因分析分析什么案例不适用于层厚学习。

  绿地人工智能处理方案(Greenfield AI solution)在客户服务管理等业务领域以及数据充足且数量庞大以后有与非 整合人类反应的你这些 行业中非常普遍。在各大行业中,亲们发现医疗领域里绿地用例尤其多。这其所含你这些 用例涉及疾病诊断和护理改善,什么用例还依赖于所含图像和视频输入的富数据集(MRI发来的图像和富数据集也算)。

  平均来看,亲们的用例表明,现代层厚学习人工智能技术对附加值的提升原因分析分析远高于传统分析技术,高出300%到128%不等,具体要看行业。

  然而,在亲们掌握的几瓶用例中,原因分析分析人工智能在你这些 情况汇报下潜力有限,好多好多 传统分析和机器学习技术继续支撑着行业(包括保险、制药和医疗产品以及电信)中很大一偏离 的价值创造潜力,人工智能则局限于你这些 中。在这些 程度上,这归咎于什么行业使用数据的方式 ,归咎于监管问题图片。

  要在大多数应用中高效使用神经网络就还可不可以 大型的经过标记的训练数据集,一齐充分使用计算基础设施。此外,什么层厚学习技术特别强大,能从多样化的数据类型(如图像,视频,音频或语音)中提取模式。

  层厚学习方式 还可不可以 成千上万的数据记录还可不可以 使模型在分类任务中表现得相对较好,在你这些 情况汇报下,该方式 要数百万的数据记录才还可不可以 达到人类的表现水平。根据有八个估计,有监督层厚学习算法(supervised deep-learning algorithm)往往能达到可接受的性能(每个类别有至少5,000个标记示例),以后当亲们用所含至少1,000万个标记示例的数据来训练有监督层厚学习算法时,该算法能达到或超越人类的表现水平。在目前使用高级分析的你这些 情况汇报下,可用的数据非常多(每个数据集有数百万甚至数十亿行),以至于人工智能马谡败给非用不可。以后,原因分析分析数据量阈值未达到,人工智能原因分析分析无法为传统的分析技术增值。

  对于好多好多 业务用例而言,什么海量数据集比较慢获取或创建,以后标记仍是有八个问题图片。当前大多数人工智能模型与非 通过“有监督学习”进行训练的,有监督学习要求人类对基础数据进行标记和分类。然而,有前景的新技术将克服什么数据瓶颈(累似 强化学习,生成对抗网络,转移学习和“一次性学习”),使训练有素的人工智能模型还可不可以 根据几瓶(有时必须八个)真实的演示或示例来学习主题。

  组织还可不可以 采用和实施能大规模收集和整合数据的战略。即使组织有大型数据集,它们也还可不可以 处理“过拟合(overfitting)”,即模型与训练集的“嘈杂的”型态或随机型态过于匹配,过拟合会原因分析分析未来性能缺陷相对的准确性,它们还可不可以 处理“欠拟合(underfitting)”,即模型无法捕获所有相关功能。将客户群和渠道之间的数据连接起来,以后与非 让数据在孤岛中,这对于创造价值尤为重要。

  神经人工智能技术(Neural AI technique)擅于分析图像、视频和音频数据类型,原因分析分析它们具有从业者称为“高维度”的多样化的性质。神经网络擅长处理高维度,原因分析分析网络中的多个层还可不可以 法学会表述数据中位于的好多好多 不同型态。以后,对于人脸识别来说,网络中的第一层还可不可以 关注原始像素,下一层则关注边缘和线条,再下一层则关注通用面部型态,而最后一层则还可不可以 识别人脸。什么神经网络技术不同于前几代人工智能(前几代人工智能往往还可不可以 人的专业知识来做“型态工程”),它们往往还可不可以 法学会在模拟神经网络中表述什么型态,成为训练过程的一偏离 。

  除了和数据量和数据有关的各种问题图片,层厚也是有八个需求:人工智能技术还可不可以 重新训练模型,以匹配原因分析分析的条件变化,以后训练数据还可不可以 一直刷新。在三分之一的案例中,模型至少每月更新一次,几乎四分之一的案例还可不可以 每天更新;在营销和销售以及供应链管理和制造方面尤其没有。

  亲们估计,亲们在本次中引用的人工智能技术有原因分析分析在19个行业的9个业务职能中每年创造3.30万亿至5.30万亿美元的价值。这构成了每年总体影响力(即9.30万亿到15.30万亿)约40%的比重,你这些 比重跟我说还可不可以 由所有的分析技术实现。

  按行业来看,亲们估计人工智能的潜在价值至少2016年收入的1%至9%。按行业收入百分比衡量的价值在不同行业之间大不相同,这取决于具体的适用用例、几瓶的多样化的数据的可用性,以及监管和其它因素。

  从亲们研究过的用例中,亲们发现使用人工智能产生的最大潜在价值影响都所含在以销售收入为导向的功能中,累似 营销和销售,也所含在以损益表底线为导向的运营功能,包括供应链管理和制造业。

  零售和高科技等消费行业往往在营销和销售人工智能方面的应用进程中更有潜力,原因分析分析业务和客户之间的频繁数字互动会产生更大的数据集,以便用上人工智能技术。特别是电子商务平台将受益。这原因分析分析什么我么我平台还可不可以 轻而易举地收集客户信息(累似 点击率数据或客户在网页上花费的时间),以后该动态、实时地为每个客户定制促销、价格和产品。

  在零售业,营销和销售是人工智还可不可以 发挥最大潜在价值的领域,在该职能范围内,定价和促销以及客户服务管理是主要的价值领域。亲们的用例表明,使用客户数据将促销活动个性化(累似 ,包括每天定制个别优惠)就还可不可以 使实体零售商的增量销售额增加1%到2%。

  在消费品中,供应链管理是还可不可以 从人工智能部署中受益的关键功能。在亲们所列举的用例中,亲们发现基于需求的潜在驱动因素(以后与非 先前的结果)的预测怎么可不可以 还可不可以 将预测准确性提高10%到20%,这原因分析分析库存成本原因分析分析会降低5%,收入原因分析分析会增加2%到3%。

  在银行业,尤其是零售银行业(retail banking),人工智能在营销和销售方面具有巨大的价值潜力,丝毫不亚于它在零售业的价值潜力。然而,原因分析分析评估和管理银行业风险的重要性(累似 贷款承保和欺诈检测),人工智能在提高银行业风险绩效方面所具有的价值潜力要高于好多好多 其它行业。

  人工智能正在吸引没有来过多的企业投资,随着技术的发展,可发掘的潜在价值很原因分析分析会增长。然而,到目前为止,必须约20%意识到人工智能重要性的公司目前在核心业务流程中使用其中一项或多项技术,或大规模使用什么技术。

  尽管人工智能技术前景广阔,它仍有好多好多 还可不可以 克服的局限。什么局限包括列出的苛刻的数据需求,还包括一下八个局限:

  第有八个局限是标记训练数据的挑战,什么数据往往还可不可以 手动完成,它们对于监督学习是必要的。有前景的新技术正在不断涌现,旨在应对你这些 挑战,累似 强化学习和流内监督(in-stream supervision),在什么技术里,数据还可不可以 在自然使用过程中进行标记。

  第八个局限是难以获得足够大且全面的数据集用于培训;对于好多好多 商业用例来说,创建或获取此类海量数据集原因分析分析很困难累似 ,有限的临床试验数据还可不可以 更准确地预测医疗治疗结果。

  第有八个局限是难以用人类搞笑的话来解释大型多样化模型得出来的结果:为什么我么我达成了某个决定?累似 ,医疗以及汽车和航空航天工业中的产品认证原因分析分析是有八个障碍;除了其它因素外,监管机构往往希望规则和选折 标准还可不可以 得到清楚的解释。

  第八个局限是学习的普遍性:人工智能模型从这些 情况汇报转移到另这些 情况汇报时仍然位于困难。这原因分析分析公司还可不可以 投入资源来训练新模型,即使是与以后累似 的用例。迁移学习(人工智能模型在这里得到训练以完成某项任务,以后快速将学到的知识应用于累似 但不同的活动)是对你这些 挑战的有八个有前景的宣布。

  ? 第八个局限涉及数据和算法偏差的风险。你这些 问题图片本质上涉及更具社交意义的忧虑,但原因分析分析还可不可以 更广泛的步骤来处理,累似 ,要了解用来收集训练数据的流程以什么样的方式 影响曾过它们训练的模型的行为。累似 ,当训练数据不代表应用人工智能模型的较大人口时,亲们原因分析分析会引入非预期的偏差。以后,当亲们将人脸识别应用到具有更多不同型态的群体时,在与人工智能开发者的人口统计相对应的面部群体上受到训练的人脸识别模型原因分析分析会遇到困难。最近关于恶意使用人工智能的报告突出了一系列安全,如多样化的入侵自动化、超个性化的虚假宣传活动等等。

  计划采用重要层厚学习工作的组织要考虑一系列有关怎么可不可以 做到你这些 点的选折 。选折 范围包括构建完整的外部人工智能功能,将什么功能外包或利用人工智能即服务(AI-as-a-service)产品。

  公司要根据计划要构建的用例来制定有八个能产生结果和预测的数据计划,什么数据计划还可不可以 输入设计的界面,供人类在交易系统上进行操作。关键的数据工程问题图片包括数据创建或数据获取,定义数据本体(data ontology)以及构建适当的数据“管道”。鉴于层厚学习的重要计算要求,原因分析分析法规或安全问题图片,你这些 组织将自己的数据中心,但资本支出原因分析分析相当大(特别是在使用专用硬件时)。云供应商提供另这些 选折 。

  原因分析分析组织在数字化方面不心智心智心智成熟期 图片 期是什么是什么图片 图片 期期 ,流程也原因分析分析会成为成功采用的障碍。在技术方面,组织还可不可以 开发强大的数据和治理流程,并实施现代软件规程,如敏捷(Agile)和开发运维(DevOps)。在规模方面,更难的是克服“最后一英里”问题图片,即确保人工智能提供的卓越洞察在企业人员和流程的行为中得到实例化。

  从人的阵线来说,层厚神经网络的大偏离 建设和优化仍然是这些 艺术,以后该能 真正的专家还可不可以 提供逐步改进的性能。什么技能供不应求;根据你这些 估算,具备处理严重人工智能问题图片所需的技能的人必须10,000个。科技巨头们纷纷展开激烈的人才争夺战。

  在人工智能技术和数据可用且价值得到明确验证的情况汇报下,组织就还可不可以 抓住机遇。在你这些 领域,当今的技术原因分析分析原因分析分析心智心智心智成熟期 图片 期是什么是什么图片 图片 期期 以后数据原因分析分析可用,但考虑到人工智能原因分析分析生成的价值,部署人工智能的成本和多样化性原因分析分析根本不值得。累似 ,航空公司还可不可以 使用人脸识别和其它生物识别扫描技术来多样化登机流程,但没有做所带来的价值原因分析分析无法证明与隐私和自己身份有关的成本和问题图片的合。

  同样,亲们看后了好多好多 潜在案例,在什么案例中,数据和技术日趋心智心智心智成熟期 图片 期是什么是什么图片 图片 期期 ,但价值尚不明朗。最不可预测的情况汇报是,数据(类型和数量)或技术都太新,且未经检验,以至于无法知道数据到底能发掘几块价值。累似 ,在医疗方面,原因分析分析人工智还可不可以 在惊人的精细度上再接再厉(亲们要做X光分析还可不可以 看得到),将你这些 精度拓宽到医疗诊断乃至医疗进程上,你这些 经济价值是不可估量的。与此一齐,抵达你这些 前沿的多样化性和成本也令人生畏。除你这些 问题图片外,这还还可不可以 完美的技术执行和处理医疗事故保险和你这些 法律问题图片。

  社会问题图片和法规也原因分析分析人工智能的使用。监管在与自己身份信息相关的使用案例中尤为普遍。在你这些 关于你这些 在线平台上自己数据的使用和商业化的辩论日益激烈的时期,你这些 点尤为重要。自己信息的使用和存储在银行、医疗、医药和医疗产品以及公社会部门等部门尤为。除了处理什么问题图片之外,企业和其它人工智能数据用户还可不可以 继续发展与数据使用相关的业务模式,以处理社会关注的问题图片。此外,监管要求和因国家和部门而异。

  正如亲们所看后的,真正创造价值的是公司对人工智能模型的执行能力,以后与非 模型这些 。在最后你这些 节,亲们概述了研究人工智能技术提供者、人工智能技术的应用者和政策制定者的案例所隐含的你这些 高层次的影响,什么人这些 情况汇报都占了。

  对于提供人工智能技术的公司来说:好多好多 为其它公司开发或提供人工智能的公司在技术这些 和数据科学家所需的数据方面具有相当大的优势,但什么公司原因分析分析缺陷对终端市场的深刻理解。了解人工智能跨部门和职能的价值潜力助于塑造什么人工智能技术公司的投资组合。也以后说,它们不一定以后优先考虑潜在价值最高的领域。相反,它们还可不可以 将所有的资源(对竞争格局的互补分析、对自身现有优势的互补分析、部门或职能领域的知识和客户关系)结合起来,以打造投资组合。在技术方面,将问题图片类型和技术对应到具有潜在价值的部门和职能对具有特定专业领域的公司所要关注的重点具有指导作用。

  好多好多 设法在运营中采用人工智能的公司已以后以后开始在业务中进行机器学习和人工智能实验。在推出更多试点项目或测试处理方案以后,走出藩篱并采取整体方式 来处理问题图片,进而在整个企业中确立一系列重要的计划(包括人工智能和更广泛的分析和数字技术),这是十分有用的。要让业务负责人确立适当的投资组合,重要的是要了解什么用例和领域有望为公司带来最大价值,以及还可不可以 对什么人工智能和其它分析技术进行部署,获取你这些 价值。你这些 投资组合还可不可以 得到两方面的启迪,即在哪还可不可以 践行理论价值以及怎么可不可以 在整个企业范围内大规模部署技术。分析技术怎么可不可以 扩展的问题图片不仅取决于技术这些 ,更取决于公司的技能、能力和数据。公司要考虑“最初一英里”(和“最后一英里”)方面的工作,即怎么可不可以 获取和组织数据和工作,原因分析分析怎么可不可以 将人工智能模型的输出整合到工作流程中(从临床试验经理和销售队伍管理者乃至采购人员)。麦肯锡全球研究院以往的研究表明,人工智能领导者在最初一英里和最后一英里的什么工作中投入了几瓶资金。

  政策制定者要在支持人工智能技术的发展和管理不良行为者的风险之间取得平衡。亲们有意支持广泛采用,原因分析分析人工智还里可不可以 带来更高的劳动生产率、经济增长和社会繁荣。亲们的手段包括对研发的公共投资以及对各种培训计划的支持,什么手段助于培养人才。在数据问题图片上,还可不可以 通过的数据计划直接刺激训练数据的开发。公共部门数据还可不可以 刺激私营部门的创新。设立通用数据标准也大有裨益。人工智能也给政策制定者提出了新的问题图片,即传统的工具和框架原因分析分析缺陷用的问题图片。以后,亲们原因分析分析还可不可以 你这些 政策创新来应对什么快速发展的技术。但鉴于商业、经济和社会受到了巨大的积极影响,其目标不应该只人工智能的采用和应用,以后鼓励人工智能得到有益和安全的使用。