在强化进修体系中，法度榜样员指定体系的当缁ご态和目标，列出许可的操作，并描述束缚每个动作的结不雅的情况元素。应用许可的操作，体系必须弄清跋假使何尽可能接近目标。当仁攀类可以或许明白目标但却不知道若何达到目标时，这些体系就能正常工作。例如，微软应用强化进修，经由过程“嘉奖”这个体系来为MSN.com的消息故事选择标题，当更多的拜访者点击链接时，这个体系会获得更高的分数。该体系试图根据设计者给出的规矩来最大年夜化其分数。当然，这意味着一个强化进修体系将对你明白嘉奖的目标进行优化，但这也有可能并不是你真正关怀的目标(如毕生客户价值)，是以精确明白目标和明白的目标是至关重要的。
让机械进修工作起来
对于欲望将机械进修尽快应用起来的公司来说，有三个好消息。起首，人工智能技巧正在敏捷伸展。世界上仍然没有足够的数据科学家和机械进修专家，然则对他们的需求正在被在线教导资本和大年夜学所知足。个中最好的，包含Udacity、Coursera和fast.ai。人工智能已经不仅仅是一个书上的概念，已经可以让聪慧的、有潜力的学生们达到可以或许创建工业级的机械进修算法安排的目标。除了培训本身的员工之外，感兴趣的公司还可以应用在耳目才平台，如Upwork、Topcoder和Kaggle，来寻找具有可验证的专业常识的机械进修专家。
第二个可喜的成长是，现代人工智能的须要算法和硬件可以根据须要购买或租用。谷歌、亚马逊、微软、Salesforce和其他公司正在经由过程云计算供给强大年夜的机械进修基本举措措施。这些竞争敌手之间的激烈竞争意味着，那些想测验测验或安排机械进修算法的公司将会看到越来越多的功能跟着时光的推移而赓续降价。
最后一个甚至如有可能被低估的好消息是，有效应用机械进修算法所须要的数据可能没有你想象的那么多。大年夜多半机械进修体系的机能进步，因为它们有更多的数据。所以拥有的数据越多，胜出的可能越大年夜，这在逻辑上是行得通的。如不雅“赢”的意思是“在全球市场上主导某一应用范畴，例如告白定位或语音辨认”，那确切没缺点。但如不雅将“成功”定义为明显进步机能，那么获得足够的数据其实是异常轻易的。
例如，Udacity结合开创人Sebastian Thrun留意到，他的一些发卖人员在答复聊天室的入站问题时，比其他人更有效。Thrun和他的研究生Zayd Enam意识到他们的聊天室日记实际上是一组标记的练习数据——这恰是监督进修体系须要的。导致发卖的交互感化被标记为成功，所有其他的都被标记为掉败。Zayd应用这些数据来猜测成功发卖人员在答复一些非经常见的问题时可能给出的谜底，然后与其他发卖人员分享这些猜测，以推动他们更好的表示。经由1000次的培训，发卖人员的工作效力进步了54%，并且一次能办事两倍的顾客。
AI始创公司WorkFusion采取了类似的办法。它与其他公司合作，将更高的主动化程度惹人后台流程，例如付出国际发票和在金融机构之间进行大年夜型交易。这些过程还没有主动化的原因是它们很复杂，相干的信息并不老是每次都以同样的方法出现——我们怎么知道他们在说什么泉币，并且有须要进行一些解释和断定。WorkFusion的软件在人们工作时不雅察他们的一举一动，并将其作为练习数据用于分类的认知义务：“这张发票是美元的，这个是日元。这是欧元……一旦体系对其分类有足够的信念，它就会接收全部过程。
机械进修在三个层次上驱动变更：工作义务和职位、营业流程和营业模型。工作和职业被重塑的一个例子是应用机械视觉体系来辨认潜在的癌症细胞——释放放射科大夫以专注于真正的关键病例，与病人沟通，和与其他大夫调和。影响营业流程的一个例子是，在惹人机械人和基于机械进修的优化算法之后，从新设计了Amazon实现中间的工作流和构造。类似地，营业模型须要再优化，以应用可以智能化地推荐音乐或片子的机械进修体系。与其在花费者选择的基本上发卖歌曲，一个更好的模式可能会为一个个性化的电台供给订阅办事，如许可以猜测并播放特定顾客爱好的音乐，即使这小我以前大年夜未听过。
设计和实施新的技巧、仁攀类技能和本钱资产组合，以知足客户的腥缬须要大年夜范围的创意和筹划。这就是一个机械不善于的义务。这就使得企业家或商务经理成为了社会最具回报价值的工作之一。
风险和局限
第二个机械时代的第二波海潮带来了新的风险。特别是，机械进修体系平日具有较低的“可解释性”，这意味着仁攀类很难弄清跋扈体系是若何做出决定的。深层神经收集可能有几亿的连接，每一个都供献了一点点的最终决定。是以，这些体系的猜测往往会抵制简单而清楚的解释。与仁攀类不合，机械还不是很好的故事讲述者。他们不克不及老是给出一个来由，解释为什么某个特定的申请人被录用或被拒绝了，或者推荐了一种特别的药物。具有讽刺意味的是，即使我们已经开端克服Polanyi的悖论，我们也面对着另一个版本：机械知道的比它们能告诉我们的更多。
这将带来三个风险。起首，机械可能有隐蔽的成见，不是来自设计者的任何意图，而是来自供给给体系的数据。举个例子，如不雅一个舷?懂得到哪些求职者在面试中应用了以前雇用人员所做的一系列决定来接收面试，那么它可能会无意中学会将他们的种族、性别、种族或其他成见延续下去。此外，这些误差可能不会作为一个明白的规矩出现，而是被推敲到成千上万个身分之间的奥妙交互中。
第二个风险是，与传统的基于显式逻辑规矩的体系不合，神经收集体系处理的是统计学上的┞锋理，而不是真实的事实。这可能会使证实体系在所有情况下，尤其是在没有在培训数据中表示的情况下工作很难，甚至弗成能。缺乏可验证性对于义务型的应用处景是一个问题，例如控制核电站，或者涉及逝世活决定。
第三，当机械进修体系确切出现缺点时，几乎弗成避免地会出现缺点诊断和改┞俘缺点。导致解决筹划的底层构造可能是不可思议的复杂，如不雅体系被培训的前提产生变更，那么解决筹划可能会远远不敷幻想。
尽管所有这些风险都是真实的，但恰当的标 准不是为了定义完美，而是最好的选择。毕竟，我们仁攀类也有成见、犯缺点，并且很难如实解释我们是若何做出一个特定的决定的。基于机械的体系的长处是，它们可以跟着时光的推移获得改进，并在供给雷同数据时给出一致的谜底。
推荐阅读
【技巧沙龙】AI开辟者拭魅战营-7分钟打造1个定制技能。7月22号，我们等你一路！ 《新一代人工智能成长筹划》宣布，个中提到，新一代人工智能成长分三步走的┞方略目标，到2030年使中国人>>>详细阅读
本文标题：《哈佛商业评论》发长文，谈人工智能商业之路的现状、潜力、障碍与风险...
地址：http://www.17bianji.com/lsqh/36338.html
1/2 1
网友点评
精彩导读
科技快报
品牌展示