事实证明，是的，但只是勉强

人工智能无处不在。 如今，人工智能在家中最常见的地方之一是智能手机、智能家居和电器。 最近，当我们坐下来吃晚饭时，我们与 Alexa 进行了这样的对话：

Me：Alexa，播放 Cubs 集锦。 [这是 Alexa 主屏幕上吹捧的一项功能。 让 Alexa 为您最喜欢的球队播放精彩片段。]

Alexa的: 我在网上找到了一些东西。 [我知道当 Alexa 像这样开始时，就会出现问题。 事情不会顺利的。 Alexa 显示了一些视频的列表。 诚然，其中大部分都是棒球视频，其中有球员在过去 5 年中表现出色。 我的错。 再试一次。]

Me：Alexa，给我看最新的芝加哥小熊队棒球比赛的精彩片段。 [我希望它不会检测到居高临下的语气，因为我接受了它无法理解我的要求的责任。]

Alexa的：芝加哥小熊队比赛的精彩集锦将在比赛结束两小时后提供。 [进步。 我不知道他们可能在这个时候玩。 运气在我这边。 我突然充满希望。]

Me: Alexa，那就给我看看昨天的精彩集锦吧。 [是的，我的挫败感开始显现。 我离破解密码太近了。 我几乎可以品尝到它。]

Alexa的: 对不起，我不知道那个。 [它说得太频繁了。 可能我不是很清楚。]

我： 你在开玩笑吧？ 播放 25 年 2022 月 XNUMX 日星期一在箭牌球场举行的芝加哥小熊队和匹兹堡海盗队之间的美国职业棒球大联盟比赛的视频集锦。 [这一次，我确信我已经成功了。 我提出了一个具体的、明确的要求，这是我知道 Alexa 拥有的一项技能。 它以前曾这样做过。 ]

Alexa的： [安静。 没有什么。 没有反应。 我忘了说神奇的唤醒词，Alexa。]

平均智商 18 岁的智商在 100 左右。6 岁的人类平均智商是 55。Google AI 智商被评估为 47。Siri 的智商估计为 24。Bing 和百度在 30 年代。 我没有找到对 Alexa 智商的评估，但我的经历很像和学龄前儿童交谈。

有人可能会说，给电脑做智商测试是不公平的。 但是，这正是重点。 人工智能的承诺是做人类所做的事情，而且做得更好。 到目前为止，每一次正面交锋——或者，容我们说，神经网络对神经网络——的挑战都非常集中。 下棋。 诊断疾病。 挤奶。 驾驶汽车。 机器人通常会获胜。 我想看到的是 Watson 一边开车一边玩 Jeopardy 一边挤奶。 现在， 这 将是三连胜。 人们在开车时甚至无法在不发生事故的情况下寻找他们的香烟。

AI的智商

被机器智取。 我怀疑我并不孤单。 我开始想，如果这是最先进的，这些东西有多聪明？ 我们可以将人类的智能与机器进行比较吗？

科学家正在评估 系统的学习和推理能力。 到目前为止，合成人类的表现还不如真人。 研究人员正在利用这些缺点来确定差距，以便我们更好地了解需要在哪些方面进行额外的开发和进步。

只是为了让您不会错过重点并忘记 AI 中的“我”代表什么，营销人员现在创造了智能 AI 一词。

人工智能有感知吗？

机器人有感情吗？ 电脑可以体验电子吗motions？ 不，让我们继续。 如果你确实想 读 关于它，一个（前）谷歌引擎确实声称谷歌正在研究的人工智能模型是有感知的。 他与一个机器人进行了令人毛骨悚然的聊天，让他相信计算机有感觉。 计算机担心它的生命。 我什至不敢相信我写了那句话。 计算机没有生命可畏。 计算机无法思考。 算法不考虑。

但是，如果计算机在不久的将来对命令做出响应，我不会感到惊讶：“对不起，戴夫，我做不到。”

人工智能在哪里失败？

或者，更准确地说，为什么人工智能项目会失败？ 它们失败的原因与 IT 项目总是失败的原因相同。 项目因管理不善或未能管理时间、范围或预算而失败……：

• 不清楚或不确定的愿景。 策略差。 你可能听过管理层说，“我们只需要勾选这个框。” 如果无法定义价值主张，则目的不明确。
• 不切实际的期望。 这可能是由于误解、沟通不畅或不切实际的安排造成的。 不切实际的期望也可能源于对人工智能工具的能力和方法缺乏理解。
• 不可接受的要求。 业务需求没有很好的定义。 成功的衡量标准尚不清楚。 同样在这一类别中的是对了解数据的员工的低估。
• 未预算和低估的项目。 成本尚未得到全面和客观的估计。 没有计划和预料到突发事件。 已经太忙的员工的时间贡献被低估了。
• 不可预见的情况。 是的，机会发生了，但我认为这属于糟糕的计划。

另请参阅我们之前的帖子 分析和商业智能失败的 12 个原因.

今天，人工智能非常强大，可以帮助公司取得巨大成功。 当人工智能计划失败时，失败几乎总是可以追溯到上述之一。

人工智能在哪里出类拔萃？

人工智能擅长重复、复杂的任务。 （公平地说，它也可以完成简单、非重复性的任务。但是，让学龄前儿童来做会更便宜。）它擅长在大量数据中发现模式和关系（如果存在）。

• AI 在寻找与特定模式不匹配的事件时表现出色。
  • 检测 信用卡诈骗罪 是关于查找不遵循使用模式的交易。 它倾向于在谨慎方面犯错。 当我在达拉斯给我租来的汽车加满汽油，然后在芝加哥给我的私家车加满油时，我收到了来自我的信用卡的电话，这些电话使用了一种过度热心的算法。 这是合法的，但不寻常的足以被标记。

“American Express 处理 1 万亿美元的交易，并有 110 亿张 AmEx 卡在运行。 他们严重依赖数据分析和机器学习算法来帮助近乎实时地检测欺诈行为，从而节省数百万美元的损失。”

• 药品欺诈和滥用. 系统可以根据许多编程规则找到不寻常的行为模式。 例如，如果患者在同一天在镇上看到三位不同的医生，他们都有类似的疼痛投诉，则可能需要进行额外的调查以排除虐待。
• AI输入 医疗保健 取得了一些出色的成功。
  • 人工智能和深度学习被教导将 X 射线与正常结果进行比较。 它能够通过标记异常供放射科医生检查来增强放射科医生的工作。
• 人工智能与 社交和购物. 我们看到这么多的一个原因是风险很低。 人工智能出错并产生严重后果的风险很低。
• • 如果您喜欢/购买 Free Introduction, 我们认为你会喜欢 本。 从亚马逊到 Netflix 和 YouTube，它们都使用某种形式的模式识别。 Instagram AI 会考虑您的互动以关注您的提要。 如果算法可以将您的偏好放在一个桶或一组做出类似选择的其他用户中，或者如果您的兴趣狭窄，这往往效果最佳。
  • 人工智能已经取得了一些成功 面部识别. Facebook 能够在新照片中识别出之前被标记的人。 一些早期的与安全相关的面部识别系统被口罩愚弄了。
• 人工智能在 农业 使用机器学习、物联网传感器和连接系统。
  • 人工智能辅助 智能拖拉机 种植和收割田地，以最大限度地提高产量，最大限度地减少肥料并提高粮食生产成本。
  • 使用来自 3-D 地图、土壤传感器、无人机、天气模式、受监督的数据点 机器学习 在大型数据集中找到模式，以预测种植作物的最佳时间并在种植前预测产量。
  • 奶牛场 使用人工智能机器人自己挤牛奶，人工智能和机器学习还可以监测奶牛的生命体征、活动、食物和饮水量，以保持它们的健康和满足。
  • 在人工智能的帮助下， 农民 在美国其他地区，不到 2% 的人口养活了 300 亿人。
  • 农业中的人工智能

也有关于人工智能的伟大故事 成功 在服务业、零售业、媒体和制造业。 人工智能真的无处不在。

对比人工智能的优势和劣势

深入了解 AI 的优势和劣势可能有助于您的 AI 计划取得成功。 还要记住，右侧栏中当前的功能是机会。 这些是供应商和前沿采用者目前正在取得进展的领域。 我们将在一年内再次审视当前挑战人工智能的能力，并记录左移。 如果你仔细研究下面的图表，如果在我写这篇文章和它发表的时间之间有一些变动，我不会感到惊讶。

人工智能的未来是什么？

如果人工智能更聪明，它可能会预测未来会怎样。 很明显有很多 误解 关于人工智能能做什么和不能做什么。 许多 误解和人工智能文盲 是技术营销过度炒作现有能力的结果。 AI 在今天的表现令人印象深刻。 我预测右侧栏中的许多弱点将在未来 2 或 3 年内向左转移并成为优势。

[在我写完这篇文章后，我将上一段呈现给 OpenAI，一个开放的AI平台语言生成器。 您可能已经看过它的 DALL-E 生成的一些艺术作品。 我想知道它对人工智能未来的看法。 这就是它不得不说的。 ]

人工智能的未来不是购买几台服务器和安装现成的软件包。 这是关于寻找和雇用合适的人，建立合适的团队，以及对硬件和软件进行正确的投资。

未来几年人工智能的一些潜在成功包括：

• 提高预测和建议的准确性
• 改进决策过程
• 加快研发
• 帮助自动化和优化业务流程

但是，企业也应该注意人工智能的一些潜在失败，例如：

• 过度依赖人工智能导致次优决策
• 缺乏对人工智能如何工作的理解导致误用
• 用于训练 AI 模型的数据存在偏差，导致结果不准确
• 围绕用于训练 AI 模型的数据的安全和隐私问题

那么，这对于投资人工智能以补充其传统分析的企业意味着什么？ 简短的回答是，没有捷径可走。 85% 的人工智能计划失败. 有趣的是，这类似于经常引用的与传统 IT 和 BI 项目相关的统计数据。 在您从分析中获得价值之前一直需要进行的同样艰苦的工作仍然必须完成。 愿景必须存在，现实且可实现。 肮脏的工作是数据准备、数据整理和数据清理。 这将始终需要完成。 在训练 AI 时，更是如此。 目前没有人为干预的捷径。 仍然需要人类来定义算法。 人类需要识别“正确”的答案。

总之，要让人工智能取得成功，人类需要：

• 建立基础设施. 这实质上是在建立人工智能工作的边界。 这是关于基金会是否可以支持非结构化数据、区块链、物联网、适当的安全性。
• 帮助发现. 查找并确定数据的可用性。 训练 AI 的数据必须存在并且可用。
• 整理数据. 当呈现大量数据集并因此呈现大量潜在结果时，可能需要领域专家来评估结果。 策展还将包括数据上下文的验证。

借用数据科学家的话，公司要想在人工智能方面取得成功，要能够为现有的分析能力增加价值，他们需要能够将信号与噪音、信息与炒作区分开来。

七年前，IBM Ginni Rometty 比如，Watson Health [AI] 是我们的登月计划。 换句话说，人工智能——相当于登月——是一个鼓舞人心的、可实现的、可延展的目标。 我不认为我们已经登陆月球。 然而。 IBM 和许多其他公司继续朝着变革性 AI 的目标努力。

如果 AI 是月亮，那么月亮就在眼前，而且比以往任何时候都更近。