年轻后妈

当前位置:美女AV > 茗茶大观

[人工智能]如何发挥人工智能便捷又兼顾安全性?

时间:2020-03-03 00:13:26

年轻后妈  强人工智能(Strong AI)又称通用人工智能(Artificial general intelligence)或完全人工智能(Full AI),指的是可以胜任人类所有工作的人工智能;弱人工智能(Weak AI)也称限制领域人工智能(Narrow AI)或应用型人工智能(Applied AI),指的是专注于且只能解决特定领域问题的人工智能。

  虽然埃隆·马斯克(Elon Musk)和马克·扎克伯格一直在争论AGI(通用人工智能,又称强人工智能)的危险,但初创公司只是将人工智能应用于解决特定领域问题,例如提升销售团队的绩效以及提高生产线的运营效率,这些创企逐渐成长为估值数十亿美元的企业。然而,严格的定义问题只是找到有价值的人工智能商业应用的第一步。

  为找到构建人工智能业务的合适机会,初创公司必须在不同的维度上运用“金发姑娘原则”,以找到“合适”开始的甜蜜点(sweet spot)——在不同维度之间注意平衡,切记不可过分专注一个维度。根据我们从与数千家AI创企合作中学到的知识,以下是一些有抱负的创始人结合自己的人工智能策略寻找甜蜜点的一些方法。

  “恰到好处”的预测时间范围

  与市面上其他智能软件不同,人工智能会响应其运行的环境;算法接收数据并返回一个结果或预测。根据应用程序的不同,可以对近期的情况进行预测,例如明天的天气,也可预测出未来许多年的结果,比如患者是否会在20年内患上癌症。算法预测的范围对其有效性以及是否提供构建防御性的机会而言至关重要。

年轻后妈  针对一个较长的时间段进行预测的算法很难做出评估和改进。例如,算法可以使用承包商之前项目的时间表预测某个建筑项目将比计划落后6个月并超预算20%。在新项目完成之前,算法设计者和最终用户很难对此预测做出评论,只能判断预测内容在方向上是否正确——即项目是否延迟完成或成本是否更高。

年轻后妈  即使最终的项目编号最终非常接近预测的数字,也很难完成反馈循环并积极地加强算法。许多因素会影响到复杂的程序,如建筑项目,因此很难利用A/B测试预测来梳理未知混杂因素的输入变量。系统越复杂,算法完成加固循环所需的时间越长,精确训练算法也就越困难。

年轻后妈  虽然很多企业客户对使用AI解决方案持开放态度,但为了完成销售,初创公司必须能够验证算法的性能。验证算法最有说服力的方法就是借助客户的实时数据,但这种方法在试点期间可能很难实现。如果创企可获权访问客户的数据,预测时限应该尽量短一点,以便在试验期间验证算法。

  对于大多数AI创企而言,较慢的计算速度严重限制了应用型人工智能的范围。

年轻后妈  历史数据(若可用)可以作为训练算法的权宜之计,并通过回溯测试暂时验证它。训练对历史数据进行长时间范围预测的算法是有风险的,因为过程和环境更有可能改变你对历史记录的了解,从而使得历史数据集对当前条件的描述性减弱。

  其他情况下,虽然描述结果的历史数据可用于训练算法,但可能无法捕获在考虑范围之内的输入变量。举个建筑行业实例,你发现使用蓝色平安帽的建筑工地更有可能按时完成项目,但由于帽子的颜色在之前并没有对管理项目带来任何帮助,该信息未记录到存档文件中。所以必须从头开始捕获这些数据,这将再度推迟企业的上市时间。

年轻后妈  AI创企应该建立多种算法,以较短的范围进行更小、更简单的预测,而不是在长时间范围内进行单一的“hero”预测。将运行环境分解为更简单的子系统或在过程中限制数据的数量,使其更容易控制混杂因素。Autodesk的BIM 360项目IQ团队将这种小型预测方法应用于建筑行业,消除了施工过程中的众多低效问题,并有助于消除潜在的设计与施工风险。其算法模型可预测平安性,并对供应商和分包商的质量/可靠性进行评估,所有数据都可以项目进行周期中进行测量。

  较短的时间范围便于算法工程师监控其性能变化并采取措施快速改进,而仅限于对历史数据进行回溯测试。时间范围越短,算法的反馈回路越短。每个周期做出的反馈逐渐累加,可增强算法的性能,较短的反馈周期更有利于构建防御性。

  “恰到好处”的可操作窗口

  大多数算法对动态系统进行建模并返回一个预测结果供人类采纳。由于系统更改频繁,算法的输出很难在长时间内保持有效性:很可能在用户采取行动之前,预测结果的有效性就大幅度“下降了”。为保证预测结果对最终用户的有效性,必须设计算法以适机器与人类速度的限制。

联京茶叶网