AI技術(shù)與對應(yīng)的任務(wù)類型,分析三類神經(jīng)網(wǎng)絡(luò)的應(yīng)用和價值

AI的價值并不在模型自身，而在于公司怎樣用好它們。

麥肯錫出品，一份深度學(xué)習(xí)領(lǐng)域的分析報告，包含400個應(yīng)用案例，橫跨19個行業(yè)的9種業(yè)務(wù)功能。報告重點強調(diào)了前沿AI技術(shù)的應(yīng)用范圍之廣，以及經(jīng)濟(jì)潛力之盛，也提到了發(fā)展中的一些局限和挑戰(zhàn)。

還有，需要注意的是，就算AI技術(shù)的前景再光明，使用數(shù)據(jù)之前都要把數(shù)據(jù)安全、隱私以及可能出現(xiàn)的偏見問題考慮周全。

報告共分四大章節(jié)，那我們開始吧。

AI技術(shù)與對應(yīng)的任務(wù)類型

隨著AI技術(shù)的發(fā)展，其定義也跟著發(fā)生變化——AI到底由哪些技術(shù)構(gòu)成。這里，AI代指使用人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)。

具體來說，報告分析了三類神經(jīng)網(wǎng)絡(luò)的應(yīng)用和價值——

· 前饋神經(jīng)網(wǎng)絡(luò) (FFNN)

這是神經(jīng)網(wǎng)絡(luò)中最簡單的一類。在FFNN的結(jié)構(gòu)里，信息的流動是單向的、無環(huán)的，從輸入層開始，延伸到隱藏層，最后到輸出層。

第一個單神經(jīng)元網(wǎng)絡(luò)，是Frank Rosenblatt在1958年提出的。雖然，方法聽來有些老舊，但計算能力、訓(xùn)練算法以及可用數(shù)據(jù)的演變，都讓FFNN隨著時間的推移變得更強大。

· 循環(huán)神經(jīng)網(wǎng)絡(luò) (RNN)

神經(jīng)元之間的連接是有環(huán)的，適合處理序列化輸入。

2016年11月，牛津大學(xué)發(fā)表的研究成果中提到，有一種RNN讀唇的準(zhǔn)確率達(dá)到95%，遠(yuǎn)超人類的52%。

· 卷積神經(jīng)網(wǎng)絡(luò) (CNN)

層與層之間的連接方式受到了動物視覺皮層結(jié)構(gòu)的啟發(fā)，那是動物大腦處理圖像的地方，適合執(zhí)行感知任務(wù)。

另外，本章節(jié)探討了生成對抗網(wǎng)絡(luò) (GAN) 以及強化學(xué)習(xí)。不過，這兩種技術(shù)并沒有包含在AI的價值評估里面，因為，它們很年輕，還沒有成為廣泛應(yīng)用的技術(shù)。

這一環(huán)節(jié)，也探討了其他機(jī)器學(xué)習(xí)技術(shù)，以及傳統(tǒng)數(shù)據(jù)分析方法。

應(yīng)用案例分析

在19個行業(yè)、9種業(yè)務(wù)功能的400個案例中，可以看到的事情有很多——

深度神經(jīng)網(wǎng)絡(luò)在哪些領(lǐng)域能夠產(chǎn)生最大的價值;與傳統(tǒng)數(shù)據(jù)分析相比，神經(jīng)網(wǎng)絡(luò)能夠帶來多少營收增長;以及達(dá)到相應(yīng)的目標(biāo)，對數(shù)據(jù)的數(shù)量 (volume) 、速度 (velocity) 以及多樣性 (variety) 有怎樣的需求。

報告使用的案例庫雖然龐大，但也并非應(yīng)有盡有，依然可能夸大或低估AI在某些領(lǐng)域的潛力。

以下是一些應(yīng)用栗子，可以一窺AI的力量。

· 預(yù)測性維護(hù) (predictive maintenance)

機(jī)器學(xué)習(xí)擁有檢測異常的能力。深度學(xué)習(xí)用來分析大量高維數(shù)據(jù)，可以把現(xiàn)有預(yù)防性維護(hù)系統(tǒng)的性能提升到一個新的高度。把許多傳感器的數(shù)據(jù)層層疊起，神經(jīng)網(wǎng)絡(luò)能夠增強或者取代許多傳統(tǒng)方法。

AI可以預(yù)測故障，讓干預(yù)計劃有了用武之地，從而減少停機(jī)時間和運營成本，提高產(chǎn)量。

比如，AI可以通過整合飛機(jī)模型數(shù)據(jù)、維護(hù)歷史記錄、IoT傳感器數(shù)據(jù) (如用于故障檢測的發(fā)動機(jī)數(shù)據(jù)) ，來延長貨機(jī)的壽命。

· AI驅(qū)動的物流優(yōu)化

AI可以通過實時預(yù)測和行為指導(dǎo)來降低物流成本。算法能夠優(yōu)化配送路徑，從而提高能源利用效率，減少配送時間。

歐洲一間貨運公司，利用傳感器監(jiān)測貨車性能和駕駛員行為，司機(jī)會收到實時指導(dǎo)，何時加速或減速，優(yōu)化油耗并減少維護(hù)開銷。由此，燃料成本降低了15%。

· 客服管理和個性化服務(wù)

在呼叫中心，語音識別和來電分流，可以提升服務(wù)效率，并為用戶提供更加流暢的體驗。

比如，基于深度學(xué)習(xí)的音頻分析系統(tǒng)，可以估計當(dāng)前用戶的情緒狀態(tài)，并據(jù)此判斷要不要切換到人工服務(wù)。

在銷售和營銷的其他方面，AI也有所作為。將用戶個人信息和過往交易數(shù)據(jù)與社交媒體監(jiān)測相結(jié)合，便可以生成個性化產(chǎn)品推送。

在案例庫69%的應(yīng)用案例中，深度神經(jīng)網(wǎng)絡(luò)都是用于替代傳統(tǒng)分析方法，提升系統(tǒng)表現(xiàn)。有16%的案例，神經(jīng)網(wǎng)絡(luò)的任務(wù)是傳統(tǒng)方法無法完成的專屬任務(wù)，這些領(lǐng)域稱為green field。余下15%的案例中，神經(jīng)網(wǎng)絡(luò)帶來的性能提升非常有限，原因包括數(shù)據(jù)方面的局限性等等。

畢竟，深度學(xué)習(xí)對數(shù)據(jù)的需求，遠(yuǎn)遠(yuǎn)大于任何傳統(tǒng)分析方法。而如果要完全激發(fā)AI的潛力，則需要多種多樣的數(shù)據(jù)，包括圖像、視頻、音頻等。

估計AI的潛在價值

據(jù)估計，報告探討過的所有AI技術(shù)加在一起，可能在19個行業(yè)的9種職能中，產(chǎn)生每年3.5-5.8萬億美元的價值。這在所有 (包括傳統(tǒng)和AI) 數(shù)據(jù)分析技術(shù)一年產(chǎn)生的價值中，約占40%。

報告中估計，在每個行業(yè)的2016年營業(yè)額中，AI的平均貢獻(xiàn)約在1-9%。但在19個行業(yè)之間，AI貢獻(xiàn)的營業(yè)額百分比差異較大，取決于具體應(yīng)用案例、獲取大量復(fù)雜數(shù)據(jù)的能力，以及規(guī)章制度等其他限制。

案例分析得到的結(jié)果是，AI能夠產(chǎn)生最大價值的領(lǐng)域，既有頂線導(dǎo)向 (top-line-oriented) 的功能，比如營銷和銷售，也有底線導(dǎo)向 (bottom-line-oriented) 的功能，如供應(yīng)鏈管理和生產(chǎn)制造。

在零售和高科技等消費行業(yè)，AI可能在營銷和銷售中擁有更大的潛力，因為商家與用戶之間頻繁的、數(shù)字化的互動會為AI技術(shù)提供龐大的數(shù)據(jù)集。電子商務(wù)平臺將會尤其受益，點擊數(shù)據(jù)與頁面停留時間等用戶信息都可以輕松獲取，并用于生成實時動態(tài)的產(chǎn)品推送。

以下又是一些栗子。

· 在零售領(lǐng)域，定價和促銷可以成為AI的天地。案例表示，使以用戶數(shù)據(jù)來定制個性化促銷活動，可以將實體零售商促銷的增量銷售額提升1-2%。

· 在消費品的供應(yīng)鏈中，AI部署也能起到重要的作用?；跐撛谝蚬?qū)動因素 (而非先前結(jié)果) 的預(yù)測，可以將預(yù)測準(zhǔn)確度提升10-20%，從而帶來2-3%的營業(yè)額增長。

· 在銀行業(yè)，特別是零售業(yè)務(wù)中，AI依然可以在營銷和銷售中施展才能。另外，鑒于風(fēng)險評估和管理的重要性，AI在這一方面的產(chǎn)生價值可能會更大。

挑戰(zhàn)在哪里

AI正在吸引越來越多的企業(yè)投資，但到目前為止，擁有AI技術(shù)的公司里，只有約20%將自己的技術(shù)應(yīng)用于核心業(yè)務(wù)或者大規(guī)模使用。

如今，AI技術(shù)的應(yīng)用還面臨著許多挑戰(zhàn)——

· 標(biāo)注訓(xùn)練數(shù)據(jù)

這在監(jiān)督學(xué)習(xí)中必不可少。目前大多是手動標(biāo)注，但新的技術(shù)正在涌現(xiàn)，比如強化學(xué)習(xí)和in-stream supervision，數(shù)據(jù)可以在自然使用過程中獲得標(biāo)注。

· 大量全面的數(shù)據(jù)獲取

對許多行業(yè)案例來說，獲取大量數(shù)據(jù)非常困難，比如用于預(yù)測治療方案效果的臨床數(shù)據(jù)。

· 解釋輸出結(jié)果

比如，疾病診斷過程中，AI可以利用患者信息來得出診斷結(jié)論，但無法解釋這一結(jié)論是如何一步步取得的。

· 學(xué)習(xí)的普遍性

AI模型在將學(xué)習(xí)經(jīng)驗從一類情況向另外一類情況遷移時，經(jīng)常遇到困難。這意味著，企業(yè)需要投入大量資金訓(xùn)練新模型，即便情況與之前的用例相似也很難避免。

這可能牽扯到一些社會性的問題。比如，訓(xùn)練數(shù)據(jù)無法代表一個更大的群體時，人臉識別模型便可能在無意之間產(chǎn)生偏見。

或許，AI是一個難以琢磨的商業(yè)案例，許多因素都會減緩深度學(xué)習(xí)的行業(yè)落地。

最后一個小節(jié)，便是從許多案例的研究中得出的，AI技術(shù)提供者、應(yīng)用者，以及政策制定者可能需要的啟發(fā)。