AI、机器学习和深度学习：人们需要知道的一切
发布时间：2021-07-26 17:09:59 所属栏目：大数据 来源：互联网
导读：在人工智能应用方面，企业需要获取商业利益、构建技术框架和模型，以获得更好的商业成果。 在人工智能、机器学习和深度学习方面，目前有很多市场热议和技术探讨。大多数问题有的过于松散，有的过于数学化，有的过于笼统，有的过于专注于特定的应用程序，与业
|
在人工智能应用方面，企业需要获取商业利益、构建技术框架和模型，以获得更好的商业成果。
在人工智能、机器学习和深度学习方面，目前有很多市场热议和技术探讨。大多数问题有的过于松散，有的过于数学化，有的过于笼统，有的过于专注于特定的应用程序，与业务成果和指标脱节，有的没有方向性。
本文通过以下方式概述这些相关技术：
•定义人工智能、机器学习和深度学习，解释与传统方法的区别，描述何时使用它们，并指出它们的优缺点。
•解释它们如何补充业务框架并实现业务成果和指标。
•描述常见类型的机器学习和深度学习模型培训、算法、架构、性能评估和良好性能的障碍。
•提供工作中的机器学习模型和算法的示例。
•为业务成果的人工智能实施提出潜在的框架。
商业环境中的人工智能
所有的组织都致力于实现特定的结果，他们同时兼顾了一些业务指标和流程来实现这一目标，例如收入、成本、上市时间、流程准确性和效率。但他们的资源有限(费用、时间、人力和其他资产)。因此，问题归结为对资源配置做出正确的决策(什么样的资源、多少资源、应该做什么、需要什么能力等等)，并且比竞争对手更快、比市场变化更快地做出正确的决策。
做出这些决定很困难，但是很明显，当可以获得数据、信息和知识时，它们变得非常容易。假设这些输入信息可用，则需要对它们进行汇总和挖掘。分析人员需要时间获得行业专家的专业知识和经验，以适应不断变化的业务规则，在可能的情况下针对个人偏见进行校准，并找出模式并产生见解。在理想情况下，分析人员和管理人员应该(在时间允许的情况下)评估多种情况并进行多次实验，以增强对其建议和决策的信心。最后，需要将决策付诸实践。
输入人工智能、机器学习和深度学习，其中：
•根据观察为组织建模。
•通过同时审查许多因素和变量来产生见解(远远超出在合理的时间段和成本约束下所能达到的水平)。
•在提供新的观察结果时不断学习。
•量化结果的可能性(即预测可能发生的事情)。
•规定具体行动，以优化业务目标和指标。
•通过更快的再培训与传统的较慢的重新编程，快速适应新的业务规则。
使人工智能、机器学习和深度学习成为可能的是数据量和数据类型的激增，加上计算和存储硬件和工具的成本降低。Facebook、Google、Amazon和Netflix等公司已经证明了它的有效性，所有行业的组织都在紧随其后。结合商业智能，人工智能、机器学习、深度学习三者克服了决策的障碍，从而促进组织实现其商业目标。
人工智能、机器学习和深度学习适用于指标驱动型组织和企业中的每个人。
麦肯锡全球研究院在其2011年5月出版的《大数据：创新、竞争和生产力的下一个前沿》一书中指出，美国对于使用分析结果的管理人员和分析师的需求为150万人，超过了对分析人员(例如数据分析师和数据科学家)的需求。
换句话说，数据价值链中的瓶颈不是数据或分析，而是能够根据场景和智能方式利用数据/分析实施的能力。对于业务和流程专业人员来说，这是一个将人工智能、机器学习和深度学习与已经很好理解的业务框架和概念结合起来的机会。这是一个在这些框架和概念中定义问题和假设的机会，然后使用人工智能、机器学习和深度学习来发现模式(洞察)和测试假设，这些假设需要太长时间才能测试，否则识别和测试成本太高，或者对人们来说太难执行。
组织越来越多地转向人工智能、机器学习和深度学习，而业务正变得越来越复杂。组织一次要处理的事情太多了。也就是说，有太多数据点(相关的和不相关的)需要整合。这样看，处理太多的数据可能是一个责任。
但是，人工智能、机器学习和深度学习可以通过系统地确定数据的重要性、预测结果、规定具体行动和自动化决策，将这堆数据变成一种资产。简而言之，人工智能、机器学习和深度学习使组织和企业能够承担驱动业务复杂性的因素，其中包括：
•价值链和供应链更加全球化，相互交织，并专注于微细分市场。
•快速变化的业务规则，以与竞争对手以及客户的需求和偏好保持同步。
•正确预测和部署稀缺资源，以优化竞争项目/投资和业务指标。
•需要同时提高质量和客户体验，同时降低成本。
在许多方面，人工智能、机器学习和深度学习要优于显式编程和传统统计分析：
•不需要真正了解业务规则即可达到预期的结果，只需对机器进行样例输入和输出方面的培训即可。
•如果业务规则发生变化，使得相同的输入不再导致相同的输出，则只需对机器进行重新培训(而不是重新编程)即可，从而可以缩短响应时间，并减轻人们学习新业务规则的需要。
•与传统的统计分析相比，人工智能、机器学习和深度学习模型的建立相对较快，因此可以通过尝试学习重试方法快速迭代多个模型。
然而，人工智能、机器学习和深度学习确实有不利之处。其中，仍以统计数据为依据，因此产出存在不确定性因素。这使得将人工智能、机器学习和深度学习集成到工作流中变得棘手，因为机器决策中的高度模糊性很可能由一个人来处理。为了提高机器的准确性，错误或正确的答案应该反馈给机器，用于额外的训练(学习)。
此外，人工智能、机器学习和深度学习模型的解释也较少;也就是说，可能不清楚他们如何做出决定。对于具有许多“层”和“神经元”的复杂深度学习模型尤其如此。在高度管制的行业中，这种不清晰可能会特别令人担忧。应该注意的是，有很多研究集中在这一领域，因此也许将来不会成为不利条件。
考虑到这些优点和缺点，那么什么时候使用人工智能、机器学习和深度学习是合适的?以下是一些想法：
•值得一提的是：取得高潜力的业务成果，但传统的方法过于繁琐、耗时，或者根本不合适。
•相关数据可用且可访问。
•主题专家认为数据包含有意义的信号(也就是说，可以从数据中获得洞察力)。
•问题定义与机器学习或深度学习问题相关，例如分类、聚类或异常检测。
•用例的成功可以映射到机器学习和深度学习模型的性能指标，例如精确调用和准确性。
人工智能定义：从商业智能到人工智能的自然演进
人工智能、机器学习和深度学习是商业智能的自然发展。在商业智能描述和诊断过去事件的地方，人工智能、机器学习和深度学习试图预测未来事件的可能性，并规定如何增加这些事件实际发生的可能性。说明这一点的一个简单示例是GPS可以引导车辆从A点行驶到B点：
•描述：车辆行驶了哪条路线，行驶了多长时间?
•诊断：为什么车辆在特定的交通信号灯下花费很长时间(假设GPS平台/工具跟踪事故和车流情况等)?
•预测：如果车辆从A点到B点，预计到达时间是多少?
•规定：如果车辆从A点驶向B点，则该车辆应在哪条路线行驶可以预期到达?
人工智能的预测
预测的一个例子是情感分析(某人喜欢某事的概率)。假设组织可以跟踪和存储任何用户发布的文本内容(例如推文、博客文章和论坛消息)。然后，组织可以建立一个模型，根据用户发布来预测其情绪。
另一个例子是提高客户转化率：如果人们有机会获得他们想要的奖品，人们更有可能注册订阅，因此就可以预测哪些奖品会带来最高的转化次数。
人工智能中的处方
人工智能的处方是关于在营销、销售和客户服务等各个流程中优化业务指标的，它是通过告诉规范分析系统应优化哪些指标来实现的。这就像告诉GPS要优化的内容，例如最少的油耗、最快的时间、最低的行驶里程，或者经过的快餐店。在业务环境中，组织可以将转化率提高10%，销售额提高20%或将推广者得分(NPS)提高5点。
从那里，说明性分析系统将规定一系列操作，这些操作可以导致组织想要的相应业务成果。
假设要实现10%的转化率提升。系统可能会规定：
•将直接邮件营销的频率降低15%。
•同时将Twitter和Facebook的参与度分别提高10%和15%。 （编辑：宿州站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
