事實證明，是的，但只是勉強

人工智能無處不在。 如今，人工智能在家中最常見的地方之一是智能手機、智能家居和電器。 最近，當我們坐下來吃晚飯時，我們與 Alexa 進行了這樣的對話：

Me：Alexa，播放 Cubs 集錦。 [這是 Alexa 主屏幕上吹捧的一項功能。 讓 Alexa 為您最喜歡的球隊播放精彩片段。]

Alexa: 我在網上找到了一些東西。 [我知道當 Alexa 像這樣開始時，就會出現問題。 事情不會順利的。 Alexa 顯示了一些視頻的列表。 誠然，其中大部分都是棒球視頻，其中有球員在過去 5 年中表現出色。 我的錯。 再試一次。]

Me：Alexa，給我看最新的芝加哥小熊隊棒球比賽的精彩片段。 [我希望它不會檢測到居高臨下的語氣，因為我接受了它無法理解我的要求的責任。]

Alexa：芝加哥小熊隊比賽的精彩集錦將在比賽結束兩小時後提供。 [進步。 我不知道他們可能在這個時候玩。 運氣在我這邊。 我突然充滿希望。]

Me: Alexa，那就給我看看昨天的精彩集錦吧。 [是的，我的挫敗感開始顯現。 我離破解密碼太近了。 我幾乎可以品嚐到它。]

Alexa: 對不起，我不知道那個。 [它說得太頻繁了。 可能我不是很清楚。]

我： 你在開玩笑吧？ 播放 25 年 2022 月 XNUMX 日星期一在箭牌球場舉行的芝加哥小熊隊和匹茲堡海盜隊之間的美國職業棒球大聯盟比賽的視頻集錦。 [這一次，我確信我已經成功了。 我提出了一個具體的、明確的要求，這是我知道 Alexa 擁有的一項技能。 它以前曾這樣做過。 ]

Alexa的： [安靜。 沒有什麼。 沒有反應。 我忘了說神奇的喚醒詞，Alexa。]

平均智商 18 歲的智商在 100 左右。6 歲的人類平均智商是 55。Google AI 智商被評估為 47。Siri 的智商估計為 24。Bing 和百度在 30 年代。 我沒有找到對 Alexa 智商的評估，但我的經歷很像和學齡前兒童交談。

有人可能會說，給電腦做智商測試是不公平的。 但是，這正是重點。 人工智能的承諾是做人類所做的事情，而且做得更好。 到目前為止，每一次正面交鋒——或者，容我們說，神經網絡對神經網絡——的挑戰都非常集中。 下棋。 診斷疾病。 擠奶。 駕駛汽車。 機器人通常會獲勝。 我想看到的是 Watson 一邊開車一邊玩 Jeopardy 一邊擠奶。 現在， 每 將是三連勝。 人們在開車時甚至無法在不發生事故的情況下尋找他們的香煙。

AI的智商

被機器智取。 我懷疑我並不孤單。 我開始想，如果這是最先進的，這些東西有多聰明？ 我們可以將人類的智能與機器進行比較嗎？

科學家正在評估 系統的學習和推理能力。 到目前為止，合成人類的表現還不如真人。 研究人員正在利用這些缺點來確定差距，以便我們更好地了解需要在哪些方面進行額外的開發和進步。

只是為了讓您不會錯過重點並忘記 AI 中的“我”代表什麼，營銷人員現在創造了智能 AI 一詞。

人工智能有感知嗎？

機器人有感情嗎？ 電腦可以體驗電子嗎motions？ 不，讓我們繼續。 如果你確實想 閱讀 關於它，一個（前）谷歌引擎確實聲稱谷歌正在研究的人工智能模型是有感知的。 他與一個機器人進行了令人毛骨悚然的聊天，讓他相信計算機有感覺。 計算機擔心它的生命。 我什至不敢相信我寫了那句話。 計算機沒有生命可畏。 計算機無法思考。 算法不考慮。

但是，如果計算機在不久的將來對命令做出響應，我不會感到驚訝：“對不起，戴夫，我做不到。”

人工智能在哪裡失敗？

或者，更準確地說，為什麼人工智能項目會失敗？ 它們失敗的原因與 IT 項目總是失敗的原因相同。 項目因管理不善或未能管理時間、範圍或預算而失敗……：

• 不清楚或不確定的願景。 策略差。 你可能聽過管理層說，“我們只需要勾選這個框。” 如果無法定義價值主張，則目的不明確。
• 不切實際的期望。 這可能是由於誤解、溝通不暢或不切實際的安排造成的。 不切實際的期望也可能源於對人工智能工具的能力和方法缺乏理解。
• 不可接受的要求。 業務需求沒有很好的定義。 成功的衡量標準尚不清楚。 同樣在這一類別中的是對了解數據的員工的低估。
• 未預算和低估的項目。 成本尚未得到全面和客觀的估計。 沒有計劃和預料到突發事件。 已經太忙的員工的時間貢獻被低估了。
• 不可預見的情況。 是的，機會發生了，但我認為這屬於糟糕的計劃。

另請參閱我們之前的帖子 分析和商業智能失敗的 12 個原因.

今天，人工智能非常強大，可以幫助公司取得巨大成功。 當人工智能計劃失敗時，失敗幾乎總是可以追溯到上述之一。

人工智能在哪裡出類拔萃？

人工智能擅長重複、複雜的任務。 （公平地說，它也可以完成簡單、非重複性的任務。但是，讓學齡前兒童來做會更便宜。）它擅長在大量數據中發現模式和關係（如果存在）。

• AI 在尋找與特定模式不匹配的事件時表現出色。
  • 檢測中 信用卡詐騙 是關於查找不遵循使用模式的交易。 它傾向於在謹慎方面犯錯。 當我在達拉斯給我租來的汽車加滿汽油，然後在芝加哥給我的私家車加滿油時，我收到了來自我的信用卡的電話，這些電話使用了一種過度熱心的算法。 這是合法的，但不尋常的足以被標記。

“美國運通卡 處理 1 萬億美元的交易，並有 110 億張 AmEx 卡在運行。 他們嚴重依賴數據分析和機器學習算法來幫助近乎實時地檢測欺詐行為，從而節省數百萬美元的損失。”

• 藥品欺詐和濫用. 系統可以根據許多編程規則找到不尋常的行為模式。 例如，如果患者在同一天在鎮上看到三位不同的醫生，他們都有類似的疼痛投訴，則可能需要進行額外的調查以排除虐待。
• AI輸入 醫療保健 取得了一些出色的成功。
  • 人工智能和深度學習被教導將 X 射線與正常結果進行比較。 它能夠通過標記異常供放射科醫生檢查來增強放射科醫生的工作。
• 人工智能與 社交和購物. 我們看到這麼多的一個原因是風險很低。 人工智能出錯並產生嚴重後果的風險很低。
• • 如果您喜歡/購買 Free Introduction , 我們認為你會喜歡 本。 從亞馬遜到 Netflix 和 YouTube，它們都使用某種形式的模式識別。 Instagram AI 會考慮您的互動以關注您的提要。 如果算法可以將您的偏好放在一個桶或一組做出類似選擇的其他用戶中，或者如果您的興趣狹窄，這往往會發揮最佳效果。
  • 人工智能已經取得了一些成功 面部識別. Facebook 能夠在新照片中識別出之前被標記的人。 一些早期的與安全相關的面部識別系統被口罩愚弄了。
• 人工智能在 農業 使用機器學習、物聯網傳感器和連接系統。
  • 人工智能輔助 智能拖拉機 種植和收割田地，以最大限度地提高產量，最大限度地減少肥料並提高糧食生產成本。
  • 使用來自 3-D 地圖、土壤傳感器、無人機、天氣模式、受監督的數據點 機器學習 在大型數據集中找到模式，以預測種植作物的最佳時間並在種植前預測產量。
  • 奶牛場 使用人工智能機器人自己擠牛奶，人工智能和機器學習還可以監測奶牛的生命體徵、活動、食物和水的攝入量，以保持它們的健康和滿足。
  • 在人工智能的幫助下， 農民 在美國其他地區，不到 2% 的人口養活了 300 億人。
  • 農業中的人工智能

也有關於人工智能的偉大故事 成功 在服務業、零售業、媒體和製造業。 人工智能真的無處不在。

對比人工智能的優勢和劣勢

深入了解 AI 的優勢和劣勢可能有助於您的 AI 計劃取得成功。 還要記住，右側欄中當前的功能是機會。 這些是供應商和前沿採用者目前正在取得進展的領域。 我們將在一年內再次審視當前挑戰人工智能的能力，並記錄左移。 如果你仔細研究下面的圖表，如果在我寫這篇文章和它發表的時間之間有一些變動，我不會感到驚訝。

人工智能的未來是什麼？

如果人工智能更聰明，它可能會預測未來會怎樣。 很明顯有很多 誤解 關於人工智能能做什麼和不能做什麼。 許多 誤解和人工智能文盲 是技術營銷過度炒作現有能力的結果。 AI 在今天的表現令人印象深刻。 我預測右側欄中的許多弱點將在未來 2 或 3 年內向左轉移並成為優勢。

[在我寫完這篇文章後，我將上一段呈現給 OpenAI，一個開放的AI平台語言生成器。 您可能已經看過它的 DALL-E 生成的一些藝術作品。 我想知道它對人工智能未來的看法。 這就是它不得不說的。 ]

人工智能的未來不是購買幾台服務器和安裝現成的軟件包。 這是關於尋找和僱用合適的人，建立合適的團隊，以及對硬件和軟件進行正確的投資。

未來幾年人工智能的一些潛在成功包括：

• 提高預測和建議的準確性
• 改進決策過程
• 加快研發
• 幫助自動化和優化業務流程

但是，企業也應該注意人工智能的一些潛在失敗，例如：

• 過度依賴人工智能導致次優決策
• 缺乏對人工智能如何工作的理解導致誤用
• 用於訓練 AI 模型的數據存在偏差，導致結果不准確
• 圍繞用於訓練 AI 模型的數據的安全和隱私問題

那麼，這對於投資人工智能以補充其傳統分析的企業意味著什麼？ 簡短的回答是，沒有捷徑可走。 85% 的人工智能計劃失敗. 有趣的是，這類似於經常引用的與傳統 IT 和 BI 項目相關的統計數據。 在您從分析中獲得價值之前一直需要進行的同樣艱苦的工作仍然必須完成。 願景必須存在，現實且可實現。 骯髒的工作是數據準備、數據整理和數據清理。 這將始終需要完成。 在訓練 AI 時，更是如此。 目前沒有人為乾預的捷徑。 仍然需要人類來定義算法。 人類需要識別“正確”的答案。

總之，要讓人工智能取得成功，人類需要：

• 建立基礎設施. 這實質上是在建立人工智能工作的邊界。 這是關於基金會是否可以支持非結構化數據、區塊鏈、物聯網、適當的安全性。
• 幫助發現. 查找並確定數據的可用性。 訓練 AI 的數據必須存在並且可用。
• 整理數據. 當呈現大量數據集並因此呈現大量潛在結果時，可能需要領域專家來評估結果。 策展還將包括數據上下文的驗證。

借用數據科學家的一句話，公司要想在人工智能方面取得成功，能夠為現有的分析能力增加價值，他們需要能夠將信號與噪音、信息與炒作區分開來。

七年前，IBM 吉妮·羅密蒂（Ginni Rometty） 比如，Watson Health [AI] 是我們的登月計劃。 換句話說，人工智能——相當於登月——是一個鼓舞人心的、可實現的、可延展的目標。 我不認為我們已經登陸月球。 然而。 IBM 和許多其他公司繼續朝著變革性 AI 的目標努力。

如果 AI 是月亮，那麼月亮就在眼前，而且比以往任何時候都更近。