企业采用人工智能 - 当它做和没有意义

丹尼尔Faggella.
头像

Daniel Faggella是Emerj研究的首脑。丹尼尔呼吁由联合国,世界银行,国际刑警组织和龙头企业,丹尼尔是AI对商业和政府领导者竞争战略影响的全球追捧。

1
这篇Emerj Plus文章在有限的时间内公开。
要解锁我们的人工智能用例和人工智能策略最佳实践的完整库,请访问Emerj Plus.

很有可能你已经在社交媒体上或收件箱里被“革命性的人工智能”这个和“改变游戏规则的人工智能”那个轰炸了。

人工智能技术的供应商往往受到激励,让他们的技术听起来比实际更有能力,但却暗示出比实际更有现实吸引力。是的,人们很少深入讨论人工智能如何在商业中应用的更广泛的动态。在本文中,我们将从“直升机视角”来看待AI在企业中的进展(有时是缺乏进展),以及采用AI是否适合您的业务。

本文基于Emerj首席执行官Daniel Faggella在亚特兰大佐治亚州技术协会数据科学活动上的演讲。本次演讲的结果和观点是基于对数百名人工智能公司创始人的采访和调查,以及对数十名人工智能咨询公司首席执行官的采访。

短篇小说是估中了AI,并且其在业务中的潜力仍然是大部分实验。虽然AI将改变行业的真正情绪,但将提供该价值的实际应用和项目大多是未知的,并且业务领导者需要战略性地思考AI 5月 - 可能对其公司有所作为。

到本文结束时,您将更好地了解AI目前的应用程序和局限性 - 最重要的是 - 您将有一个框架思考AI可能对贵公司承诺的地方。

以下是来自演示文稿的幻灯片,下面的文章对企业AI的状态更深入,以及AI采用的重要考虑因素。

AI对企业的相关性

重要的是在商业用途方面考虑AI很重要的是,它可能在未来15年内可能大修整个行业。行业研究人员并不总是达成共识,但他们所做的一件事似乎同意是AI和机器学习的意志 - 在未来的几十年中 - 大大改变了如何完成业务(您可以与研究人员听到数百人的访谈我们的AI播客).

通过自动化或增强,似乎很明显,AI将改变“工作”,也知道它,并且像20年前的互联网一样,AI是一项技术因素,必须在考虑长期的商业领袖雷达上。

与AI初始熟悉的人不会感到惊讶地认为人工智能应用不一定是2010年的新颖性。AI首先进入商业世界(通过所谓的“专家系统“)始于80年代,主要由硬编码人类智能组成,进入规则和步骤。

这一策略成功地建立了一些富有成效的应用,但它只能迄今为止兴趣和发展最终死亡(在有限的资金和热情经常被称为“艾冬天”)。

随着机器学习来了解AI的复兴,而不是将人类知识落入技术系统,机器学习使用来自现实世界的数据来培训计算机“神经元”,以预测未来的结果和检测模式(用于更完整的定义看我们的短片“定义机器学习“ 文章)。

AI之间最重要的区别在于,现在在业务领域而言是,回到80年代和90年代,世界上的顶级企业并不追求人工智能。

现在他们是。

你只需要看看今天最有利可图和成功的公司,看看这是如此:

  • 亚马逊- 依赖于建议的推荐发动机,建立在机器学习和大量用户数据上有关产品和购买的用户数据。
  • 谷歌-基于其搜索引擎,可以说是世界上已知的最普遍和最有意义的人工智能应用。
  • 脸谱网- 构建它的新闻源和广告网络,结构化以最大限度地基于万亿数据点和行为的用户活动和广告参与。
  • 网飞公司- 依赖的业务推荐发动机基于机器学习和大量关于电影和媒体的用户数据。
  • 苹果-与谷歌等科技巨头相比,苹果目前在人工智能研究方面相对落后,但随着2011年Siri的问世,苹果使语音界面成为主流。

这些科技巨头在没有机器学习的情况下,他们今天的目前都不会成为他们今天的影响,并且艾丽的影响不会被降级到公共技术巨头。

今天的商业领袖应该了解如何以及何时AI可能与他们的公司相关(而且通常还没有).本文其余部分的目标是“为你的天线做好准备”,以检测相关和值得信赖的人工智能应用趋势,并筛选出炒作和夸大其词的说法。

今天企业的AI状态

丹菲格拉,阿什洛克
我和佐治亚理工学院的Ashok Goel博士在佐治亚科技协会的演讲后聊了聊人工智能。Ashok大约三年前是我们节目的嘉宾,和他本人见面很有趣。

人工智能企业现在的状况如何?如果你阅读了自己的社交动态,你就会明白,如果你不是在所有领域都使用AI,那你一定是一家过时的公司。

实际上,这并非如此;至少,尚未。如果您在您的业务(或数据科学人才绘制)中没有AI,那不是件好事,但如果你没有,你并不孤单。大多数早期的AI应用程序只是在商业中开始尝试,而且对于大多数AI应用程序,明确的业务投资回报率仍然比较少见。

主要是飞行员

企业中的大多数AI应用程序都不超过“飞行员”。主要是销售营销解决方案,医疗保健解决方案和人工智能财务解决方案的供应商公司只是尝试的东西。

在EMERJ,我们经常在特定部门研究数百和数百家AI公司(我们所做的那样市场营销,在卫生保健以及其他行业)。

在任何给定的行业中,我们发现销售AI软件和技术的数百家供应商公司,只有三分之一的公司实际上将有必要的技能来首先做人工智能。换句话说,只有三分之一的AI公司拥有具有合法培训和必要的心理能力的人 - 无论是通过教育或为谷歌,Apple或Facebook的公司工作 - 开发机器学习系统。

此外,我们的研究表明,这些公司的有能力生产机器学习系统的能力,只有三分之一的速度超过了他们的产品或服务的“驾驶”阶段。他们的应用程序有点合理的牵引力,他们真正似乎可能有一些对客户的投资回报,或者甚至进一步,并且实际上销售了对企业的真实问题解决方案。

总而言之,您可能遇到的10家II公司中只有一个,在AI Universe中有一些东西会对业务产生积极影响。

避免“AI玩具”

AI采用者之间的另一个常见错误是出于错误的原因。When businesspeople see their inbox is full of artificial intelligence coverage, and – for example – they see that a competitor in Asia just did a press release about creating a chatbot application, then there is a kind of social pressure to say “let’s do AI, too”. It is AI for AI’s sake, and that makes it a “toy” application.

“玩具”应用是指因为使用了人工智能而接受的技术或项目,而不是因为它们解决了商业问题。供应商参与其中,因为他们需要豚鼠来“试验”产品,有时他们会鼓励完成交易,即使他们没有很好的组织。

你知道这是在问题变得“我们可以用AI做什么的时候发生这种情况?”而不是“我们如何最好地利用我们的资源来满足我们的业务目标?”

提出了使用AI的方法,因为其他人正在做它使它成为一个“玩具”应用程序,因为它并不是最好使用您的资源。需要花费大量的时间,训练和修补以及专业技能,并且往往无处可去。即使采用进展情况,即使采用进展,机会也是通过顶部的某人实现的,实现它不是最佳使用资源的使用。

当谈到“玩具”应用程序时,谁在第一个冠军(出于错误的原因),最终看起来更像是傻瓜,而不是冠军,而顾问和利益相关者则涉及最终失望。

人工智能应用面临的最大挑战

对企业采用AI有一些重大挑战,其中大部分是结构性的。AI和机器学习不是交钥匙解决方案,至少还没有。它们不是即插即用,因此采用您的业务需要特定的技能和资源。还有一些“巫师技巧”。

AI人才差距

第一个挑战是找到人才。您需要团队中的人员培训AI系统的必要技术能力,例如使用客户支持数据以自动化答案,或营销数据,以便将来策划和定义您的广告系列。这种类型的培训是一种细致细致的技能,而不是周末学习的球场类型。不幸的是,那些技能的人数相对较少,相距甚远。

将人工智能引入现有业务的文化挑战

然而,虽然人才肯定是一项重大挑战,但它不是将AI带入企业的卓越挑战。卓越的挑战是结构挑战,涉及研发,以采用实际的企业环境。

大多数企业它的采购或多或少地采购只需选择您想要使用的软件或硬件,即可将其插入,并最终将其执行您想要的操作。AI的麻烦是您必须在您必须这样做的早期初始培训和使用数据,以便与现有系统一起使用,并校准它以便提供结果。

在企业中整合一个非常大型和强大的人工智能解决方案涉及一个水平的研发,这实际上不是大多数公司都能心理上的。他们从来不得不做那种长期滋补内部来制作技术工作。AI采用有一些严重的成本,即大多数公司根本没有装备才能承担。

使用数据科学家 - 并保持它们

此外,在没有彻底了解它的情况下,使用AI的公司经常不利于它,即使他们能够首先提供人才。

如果雇佣一个数据科学团队是为了帮助解决业务问题,那么与他们合作的团队不太可能知道如何与他们合作。例如:

  • 营销团队可能不知道AI可以解决什么类型的营销问题,因此他们从不与数据科学团队交谈
  • A business intelligence team may have many misconceptions about AI, and after being frustrated with how hard it is to get the data science team to solve problems (mostly because the business intelligence team doesn’t understand the iterative process required to use AI), they stop making suggestions altogether
  • 当数据科学/ AI团队创建AI解决方案时(经过长时间的修补和研究),IT团队不熟悉如何将这种新解决方案集成到其常规工作流程中,进一步令人沮丧的所有缔约方

令人沮丧的沟通渠道的额外缺点是,无聊的数据科学团队可能不会留在很长时间。数据科学家可以在他们走到哪里获得工作(和伟大的工资),几乎总是有人愿意支付更多费用。

我们已经听过很多次了(包括在我们对Equifax首席数据科学家的采访中,标题为“建设和保留数据科学团队,如果没有有意义的、有用的、有趣的项目去做,他们很可能会把简历发给其他潜在的雇主(或者只是回复已经每天给他们发邮件的招聘人员)。

例子和用例

虽然AI是一个坚韧的坚果来破解许多行业,但有一些领域在AI在工业中的机器学习中具有很大的牵引力。

下面,我们将探讨一些广泛的业务函数,这些功能越来越多地集成了AI,具有现有的企业牵引力。

网络安全

跨越行业的试点阶段是数据安全的一个关键领域,因为安全对每个人都很重要。在该地区的强劲形式中存在牵引力,人们认为,在跨行业的企业中会有明显更多的牵引力。

机器学习是基于数据安全性的。硬编码规则来检测某人何时攻击你的东西是非常具有挑战性的,因为它是对抗性的。它需要流体方法。

为了说明这一点,考虑营销。使用AI产品用于营销的人不会培训系统错误的破坏过程。在数据安全中,有大型团队的非常聪明的人,他们正在努力绕过你正在做的事情。检测异常和检测有点不同的行为或访问的能力是AI可以处理的东西。在接下来的两到五年里,大多数人在安全或卖入那个空间的企业中会认为你没有在机器学习中做安全。

额外的背景:

客户服务和白领自动化

今天在行业中合理共同的其他两个领域是客户服务和白领自动化。在客户服务中,您拥有通常的支持Q&A,技术支持和票务路由,自动化节省了很多时间。对于白领自动化,这些是几十年人希望机器可以做的任务。这些是诸如数据输入,处理和排序之类的死硬任务。

额外的背景:

(tecarousel)

目前最热门的行业为AI企业牵引

就特定行业而言,人工智能最强大的是医疗保健和金融,因为这些行业为其研发提供了最多的资金支持。在这些领域工作的人意识到数据的丰富性。在金融领域,这主要是在欺诈和安全领域,在医疗保健领域;这主要是在发现和诊断方面。

诊断技术一般是顶级风险投资收件人,因为它在医疗保健方面有许多好处。例如,系统可以在患者的特定条件的顶部映射基因组数据,以查看是否存在先前的处理。医生可能无法建立联系,但如果它可以通过现场的可用研究,并且映射特定药物或治疗组合的机器学习系统,医生可能没有想到。

额外的背景:

采用还是等待?

考虑到大多数人工智能需要大量资源,而且在未来几十年不可避免,商业领袖应该现在就采用人工智能,还是等待技术成熟?

情况并非非黑即白。正如我上面提到的,有五种类型的采用者:创新者、早期采用者、早期多数人、晚期多数人和落后者。根据经验,大多数商业领袖都希望避免成为创新者(因为涉及的不确定性、人才和成本)或落后者,而其他行业已经利用了人工智能的投资回报率。

作为创新者需要一套独特的功能 - 以及一系列独特的业务需求。Microsoft,Google和Facebook等公司是这个独家俱乐部的一部分,并对深度学习本身的AI进行基础研究。

其他一些“创新者”公司(在实验阶段应用AI的公司)不会迄今为止oi的科学,但他们常常使用大量资源来肉体射门来寻找ai。例如,摩根大通正在利用人工智能分析法律文件,Delta Airlines正在使用面部识别在它的一些内心的信息亭 - 但这些公司都不是在基本的AI研究中推进 - 例如 - 谷歌或亚马逊。

让大公司整理错误

对于大多数公司来说,最好的道路将是中间地面 - 在早期或晚期之后,不关注宣称ai实施的流行语和营销策略,以便简单或便宜。

大多数商业领导者应该简单地关注行业领先的组织的实际案例研究和实际应用。当这些组织明确地从这些应用程序提供ROI时,他们可能值得探讨和探索。

由于该技术在未来几年变得更加访问,更多的供应商公司将旨在复制和提供行业领先公司的AI应用,使SMB和公司更能够易于获得AI人才(即大多数公司)。

什么时候在人工智能领域创新可能是有意义的

作为一种警告,一些公司确实可以在AI中进行创新,或者至少可以成为早期的采用者。一般来说,这些公司:

  • 在其市场上竞争的战略计划,涉及对竞争对手的具体优势,以及客户的具体价值
  • 最佳(或仅限)杠杆杠杆的最佳方式是通过人工智能

这样一个公司的一个例子可能是一个商家账户业务,需要找到欺诈的新方法,以便在市场上保持竞争力,或一种物流公司,需要更好地预测在市场上保持竞争力的需求。

需要注意的是,在这种情况下,公司绝不应该认为人工智能或机器学习是解决公司问题的答案,或差异化的关键。相反,公司应该探索所有可能的技术选项(可能在外部顾问的帮助下),以确定人工智能是否是正确的解决方案。人工智能本身几乎注定要失败。

为了公司考虑这条路线,公司必须:

  • 拥有预算,时间和资源,带来顾问和新员工,以肉体彻底应用,而不期待任何近期投资回报
  • 对他们的问题有一个清晰的理解,并能理解为什么人工智能被用作解决方案
  • 有一个领导团队,他们相信AI,并愿意学习新的术语和方法,以促进他们公司的AI的增长

用一粒盐取所有索赔

在阅读有关人工智能创新的文章时,一个人的信息来源应该受到质疑。根据我们的经验,商业领袖的意见往往会受到以下因素的影响(偏离客观性):

  1. 供应商公司(他们想要客户)。供应商经常大幅度超越他们的技术能力,并且急剧强调整合其技术需要多长时间。此外,供应商公司的案例研究的实际结果是众所周知的 - 特别是如果他们没有真正的结果谈论(我们试图用我们解决这个问题案例研究部分在EMERJ).
  2. 咨询公司(他们想要企业交易)。IT咨询巨头知道AI有可能损害他们的人民沉重公司(通过自动化),也有机会从想要“跳过浪潮”的企业客户来创造大笔资金。我们认为,咨询公司经常愚弄公司认为,如果您没有使用许多您业务领域的许多AI,则肯定会被竞争激活。虽然在某些情况下,这是真的,但它只是在长期的真实。在近乎方面,公司应该非常持怀疑态度和挑剔,而不是渴望在它上“扔钱”而不是任何其他技术。
  3. 技术媒体(他们想要点击和股票)。普通标题可能会读到“XYZ公司彻底改变自动驾驶卡车”。5分钟的挖掘有点更深,很容易知道这家公司只是一个大学里的一些人,他筹集了几百万美元。没有牵引力,不是“革命性化”的证据,没有产品。商业领袖可以看到他们的社交饲料和收件箱充满了这些陈述,并认为AI的进步比现在更重要。我们建立了对我们公司DNA的客观性(见我们的“关于我”的页面)虽然这意味着我们变得越来越少的炒作诱导的社会股,但我们认为,从长远来看,我们的目标是建立“信任”是履行我们使命的最重要的原则之一。

值得注意的是,上述各方都不在他们的意图中特别恶意,他们只是遵循他们自己的生存可能最适合的激励 - 这不是我们必然会被称为道德失败的东西。据说,对于商业领导人来说,对于他们获得信息的地方以及所述信息提供者的激励来说,重要的是。

在考虑人工智能对你的业务的重要性时,如何打破炒作

当我被叫去给业务听众做演讲时——几乎从来不只是为了“找到有趣的用例”。也许营销受众想要了解营销用例,也许医疗保健受众想要了解医疗保健用例——在这两种情况下,我都将提供——但有一个更深层次的点是所有群体都在寻找的。他们都想回答这个问题:

“我应该注意什么,忽略什么?”

不仅仅是其他任何东西,回答这个问题是Emerj的价值命题,而且我的大部分发言的终点也是终点。

训练你的“注意力天线”,避开那些与你无关的95%的人工智能炒作,并能够考虑重要的严肃事情。以下是我建议的步骤:

  1. 要有一个明确的概念,并在你的业务领域中充实AI的可能性空间,以理解什么是可行的,什么是可能的。得到一个基本的了解人工智能的类型的问题可以解决通过一个快速的谷歌搜索或通过我们的网站有点时间远足给你一些想法的问题映射到人工智能,它可以解决,它适合。你观察空间越多,你就会学到越多。除非你知道这一点,否则一切看起来都是可行的,但事实并非如此。
  2. 熟悉您自己行业内的优先级和使用案例。找出谁是您空间中使用这些类型的行业领导者。您可以在我们的网站上找到一些有趣的案例研究,例如,收入的前5名Pharma公司正在与人工智能一起做些什么。您也可以继续谷歌并找到任何政府来源,通常使用一些尖端它。
  3. 与已经开发和实现类似应用程序的公司进行交谈,并对自己实现这些应用程序需要什么有一个现实的了解。找一个做过类似事情的人,看看成功采用人工智能需要多长时间。需要什么样的内部专家?培训、调整这些系统,并真正撼动一美元的投资回报率需要多长时间?
  4. 考虑你的战略计划。想想你的主要目标。想一想你必须达到的基准,你必须开发的技术,以及最紧迫的开发领域。然后决定投资人工智能是否是实现你的商业目标和战略目标,并在你的市场中保持竞争力的最佳方式。在某种程度上,将会有收养,但你不应该因为FOMO或害怕错过而这样做。

对于大多数企业来说,早期采用机器学习可能是不正确的,除非你在内部拥有必要的人才,而且你的竞争力是建立在致力于使用机器学习的某些尖端技术之上的。如果是这样,那么现在就认真考虑采用人工智能。

否则,建议等待和看看较大的企业或其他一些行业的牵引力何时存在一些相似的回报。不要潜入研究的深度结束,因为这不是一个容易的事业。

考虑到您的业务时,请根据您的样本,以与您所在的结果相似的公司询问供应商。您通常会在试点模式中查看AI公司,从金融到保险等其他类别,并声称它适用于不同的行业。这可能是一个昂贵的假设。

您应该真正了解AI的概念,因为您可以在任何其他IT采购情况,看看这些人是否正在提供某种结果。供应商不一定试图欺骗你。这只是每个人都试图解决ai。像你自己和供应商公司这样的企业家正常试图连接拼图零件。大多数公司都没有。

特别感谢查尔斯·马丁博士为了帮助突出并突出这个演示中的许多关键点。在我的旅行之前,我和查尔斯谈到了这讲话,他对AI的“采用摩擦”的洞察有助于使这个演示完成。

本文的原始转录和写作(在2017年9月佐治亚州佐治亚州科技协会的介绍)由Tini Abadicio完成,后来编辑和添加了Daniel Faggella。

标题图像信用:乔治亚州的技术协会

保持在AI曲线的前面

发现区分未来商业赢家和输家的关键人工智能趋势和应用。

注册“AI Advantage”时事通讯:

" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Thanks - check your inbox for a confirmation email">
" data-trigger="manual" data-title="Notice" data-placement="bottom" data-content="Error - There was some problem.">
订阅
订阅镜像
保持领先于机器学习曲线

加入超过20,000名以上的可调性的商业领袖,并收到每周提供的最新的AI研究和趋势。

感谢您订阅Emerj“AI优势”时事通讯,请查看您的电子邮箱确认。