• 本文來(lái)自微信公眾號(hào)【AI商業(yè)報(bào)道】

高層速讀

關(guān)鍵信息：本報(bào)告對(duì)19個(gè)行業(yè)的400多個(gè)案例進(jìn)行了分析，強(qiáng)調(diào)了人工智能技術(shù)的廣泛使用和巨大的經(jīng)濟(jì)潛力。介紹了主流的機(jī)器學(xué)習(xí)技術(shù)與神經(jīng)網(wǎng)絡(luò)，分析了深度學(xué)習(xí)在企業(yè)中的應(yīng)用目的與效果，闡明了訓(xùn)練AI所需的各種數(shù)據(jù)與資源。

關(guān)鍵數(shù)據(jù)：2/3的企業(yè)表明使用深度學(xué)習(xí)是為了提高現(xiàn)有性能；69%的案例表明深度神經(jīng)網(wǎng)絡(luò)可以提高技術(shù)無(wú)法達(dá)到的性能；15%的案例完全應(yīng)用了深度神經(jīng)網(wǎng)絡(luò)。

關(guān)鍵意義：深度學(xué)習(xí)的價(jià)值并不在于模型和算法有多優(yōu)秀，而是在于公司如何運(yùn)用它。

借鑒麥肯錫全球研究所的研究成果和麥肯錫分析公司的應(yīng)用經(jīng)驗(yàn)，本報(bào)告評(píng)估了人工智能技術(shù)在各個(gè)行業(yè)和業(yè)務(wù)功能中的實(shí)際應(yīng)用和經(jīng)濟(jì)潛力。通過(guò)報(bào)告發(fā)現(xiàn)了深度學(xué)習(xí)技術(shù)在整個(gè)經(jīng)濟(jì)中的巨大潛力，同時(shí)也存在限制和障礙，隨著技術(shù)的繼續(xù)發(fā)展，未來(lái)的機(jī)會(huì)也會(huì)出現(xiàn)。以及，深度學(xué)習(xí)的價(jià)值并不在于模型和算法有多優(yōu)秀，而是在于公司如何運(yùn)用它們。

需要強(qiáng)調(diào)的是，即使我們看到了使用人工智能技術(shù)的經(jīng)濟(jì)潛力，也必須考慮數(shù)據(jù)的使用涉及到的數(shù)據(jù)安全、隱私和偏見(jiàn)等問(wèn)題。

三種學(xué)習(xí)技術(shù)&四大神經(jīng)網(wǎng)絡(luò)最為流行

隨著人工智能技術(shù)的發(fā)展，人工智能技術(shù)的定義也在不斷拓展。除了深度學(xué)習(xí)之外，報(bào)告還研究了其他機(jī)器學(xué)習(xí)技術(shù)和傳統(tǒng)分析技術(shù)，但遷移學(xué)習(xí)、強(qiáng)化學(xué)習(xí)和深度學(xué)習(xí)是AI中應(yīng)用最多的技術(shù)。

▲AI中各種技術(shù)的應(yīng)用熱度

神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)技術(shù)的一個(gè)子集。從本質(zhì)上講，它們是基于模擬連接“神經(jīng)單元”的人工智能系統(tǒng)，大致模擬了神經(jīng)元在大腦中相互作用的方式。自20世紀(jì)40年代以來(lái)，人們一直在研究由神經(jīng)連接的計(jì)算模型，隨著計(jì)算機(jī)處理能力的增加，以及大量的訓(xùn)練數(shù)據(jù)集被用于成功分析圖像、視頻和語(yǔ)音等輸入數(shù)據(jù)，這些模型又重新流行起來(lái)。人工智能研究者們便將這些技術(shù)稱為“深度學(xué)習(xí)”，因?yàn)樯窠?jīng)網(wǎng)絡(luò)有許多深層的模擬神經(jīng)元層。

報(bào)告分析了三種最流行的神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用和價(jià)值：

前饋神經(jīng)網(wǎng)絡(luò)（Feed forward neural networks）：最簡(jiǎn)單的人工神經(jīng)網(wǎng)絡(luò)。在這個(gè)體系結(jié)構(gòu)中，信息只從一個(gè)方向移動(dòng)，從輸入層通過(guò)隱藏的層，到達(dá)輸出層，網(wǎng)絡(luò)中沒(méi)有循環(huán)。第一個(gè)單神經(jīng)元網(wǎng)絡(luò)是由人工智能先驅(qū)Frank Rosenblatt于1958年提出的。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNNs）：這種人工神經(jīng)網(wǎng)絡(luò)之間的連接包含循環(huán)，非常適合用于序列輸入。

卷積神經(jīng)網(wǎng)絡(luò)（CNNs）：這種神經(jīng)網(wǎng)絡(luò)的神經(jīng)層連接較為特殊，它們之間的連接是受動(dòng)物視覺(jué)皮層組織的啟發(fā)而來(lái)，而動(dòng)物視覺(jué)皮層是負(fù)責(zé)處理圖像的大腦的一部分，非常適合于感知任務(wù)。

此外，針對(duì)調(diào)查案例，報(bào)告還考慮了生成對(duì)抗網(wǎng)絡(luò)（GANs）和強(qiáng)化學(xué)習(xí)。

生成對(duì)抗網(wǎng)絡(luò)（GANs）：通過(guò)生成模型（Generative Model）和判別模型（Discriminative Model）的互相博弈學(xué)習(xí)產(chǎn)生好的輸出。 GANs可以學(xué)習(xí)模擬各種數(shù)據(jù)的分布（例如文本、語(yǔ)音和圖像），因此在生成測(cè)試數(shù)據(jù)集時(shí)，它們是很有價(jià)值的。

強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域，在這個(gè)領(lǐng)域中，系統(tǒng)通過(guò)接受虛擬的“獎(jiǎng)勵(lì)”或“懲罰”來(lái)訓(xùn)練，本質(zhì)上是通過(guò)不斷的嘗試和錯(cuò)誤來(lái)學(xué)習(xí)。谷歌旗下的DeepMind利用強(qiáng)化學(xué)習(xí)開(kāi)發(fā)了AlphaGo以及視頻游戲。

在商業(yè)環(huán)境中，這些分析技術(shù)可用于解決實(shí)際問(wèn)題。

報(bào)告整理和分析了19個(gè)行業(yè)的400多個(gè)案例，通過(guò)對(duì)特定領(lǐng)域內(nèi)的調(diào)查發(fā)現(xiàn)，在這些領(lǐng)域中，深度神經(jīng)網(wǎng)絡(luò)的運(yùn)用可以使企業(yè)價(jià)值最大化，與傳統(tǒng)分析方法相比，這些神經(jīng)網(wǎng)絡(luò)可以產(chǎn)生的增量提升，但要在容量、多樣性和速度方面追求，需要大量的數(shù)據(jù)。

深度學(xué)習(xí)可以用來(lái)提高現(xiàn)有性能

預(yù)測(cè)機(jī)器維修：機(jī)器學(xué)習(xí)可用來(lái)檢測(cè)異常。深度學(xué)習(xí)能夠分析大量的高維數(shù)據(jù)，可以將現(xiàn)有的預(yù)防性維護(hù)系統(tǒng)提升到一個(gè)新的水平。通過(guò)分析麥克風(fēng)和攝像頭等的數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)可以增強(qiáng)并可能取代傳統(tǒng)的預(yù)測(cè)維護(hù)方法。

深度學(xué)習(xí)預(yù)測(cè)故障和允許計(jì)劃干預(yù)的能力可以用來(lái)減少停機(jī)時(shí)間和運(yùn)營(yíng)成本，同時(shí)提高產(chǎn)量。例如，深度學(xué)習(xí)可以通過(guò)結(jié)合平面模型數(shù)據(jù)、維護(hù)歷史、發(fā)動(dòng)機(jī)振動(dòng)數(shù)據(jù)異常檢測(cè)等物聯(lián)網(wǎng)傳感器數(shù)據(jù)，以及發(fā)動(dòng)機(jī)狀況的圖像和視頻，來(lái)延長(zhǎng)一架貨機(jī)的壽命。

AI驅(qū)動(dòng)的物流優(yōu)化可以通過(guò)檢測(cè)車輛性能和指導(dǎo)司機(jī)行為降低運(yùn)輸成本。例如，一家歐洲卡車運(yùn)輸公司使用監(jiān)測(cè)車輛性能和駕駛員行為的傳感器，將燃料成本降低了15%，司機(jī)可以獲得包括何時(shí)加速或減速等實(shí)時(shí)的指導(dǎo)，進(jìn)而優(yōu)化燃料消耗和降低維護(hù)成本。

人工智能是客服和商品個(gè)性化推薦的重要工具。例如，對(duì)音頻的深度學(xué)習(xí)分析可以讓系統(tǒng)評(píng)估客戶的情緒基調(diào);如果客戶對(duì)系統(tǒng)做出了糟糕的反應(yīng)，那么就可以自動(dòng)呼叫到操作員和管理人員。在營(yíng)銷和銷售的其他領(lǐng)域，人工智能技術(shù)也會(huì)產(chǎn)生重大影響。將客戶統(tǒng)計(jì)數(shù)據(jù)和交易數(shù)據(jù)與以及社交媒體數(shù)據(jù)相結(jié)合，可以幫助生成個(gè)性化的產(chǎn)品推薦。亞馬遜已經(jīng)開(kāi)始使用了，可使銷售轉(zhuǎn)化率提高兩倍。

• 本文來(lái)自微信公眾號(hào)【AI商業(yè)報(bào)道】

2/3的企業(yè)使用AI是為了提高現(xiàn)有性能

在報(bào)告調(diào)查的69%的案例中，深度神經(jīng)網(wǎng)絡(luò)可以用來(lái)提高其他分析技術(shù)所提供不了的性能。只使用神經(jīng)網(wǎng)絡(luò)的情況，我們稱之為“綠地”案例，但它只占總數(shù)的16%；在15%的案例中，深度神經(jīng)網(wǎng)絡(luò)在其他分析技術(shù)基礎(chǔ)上提供了額外性能；還有一些案例，因?yàn)閿?shù)據(jù)限制使他們不適合深度學(xué)習(xí)。

▲與傳統(tǒng)分析方法相比，深度學(xué)習(xí)在各行業(yè)提升性能的百分百

綠地案例在客服領(lǐng)域非常普遍，在該行業(yè)中，數(shù)據(jù)豐富而大量，有時(shí)還會(huì)整合人類的反應(yīng)。在所有行業(yè)中，醫(yī)療領(lǐng)域的綠地案例最多，其中一些病例涉及疾病診斷和改善護(hù)理，并依賴于包含圖像和視頻輸入的豐富數(shù)據(jù)集，包括來(lái)自MRIs的數(shù)據(jù)。

平均而言，報(bào)告的案例表明，現(xiàn)代深度學(xué)習(xí)有能力在傳統(tǒng)分析技術(shù)的基礎(chǔ)上再提供價(jià)值，價(jià)值大小從30%到128%不等，這取決于行業(yè)的接受度和開(kāi)放程度。

深度學(xué)習(xí)是最需要數(shù)據(jù)的

在大多數(shù)應(yīng)用程序中有效地使用神經(jīng)網(wǎng)絡(luò)需要大量標(biāo)記的訓(xùn)練數(shù)據(jù)集，并且能夠充分計(jì)算基礎(chǔ)權(quán)限。此外，深度學(xué)習(xí)技術(shù)擅長(zhǎng)從復(fù)雜的多維數(shù)據(jù)類型中提取模型，比如圖像、視頻、音頻或語(yǔ)音。

實(shí)現(xiàn)AI全部潛力需各種數(shù)據(jù)，包括圖像、視頻和音頻

深度神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)分析圖像、視頻和音頻數(shù)據(jù)類型，因?yàn)樗鼈儚?fù)雜、多維，被從業(yè)者稱為“高維度”。神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)處理高維度，因?yàn)榫W(wǎng)絡(luò)中的多個(gè)層可以學(xué)習(xí)數(shù)據(jù)中存在的許多不同的特性。因此，對(duì)于面部識(shí)別，神經(jīng)網(wǎng)絡(luò)的第一個(gè)層可以聚焦于原始像素，第二層聚焦在輪廓和線條上，另第三層是識(shí)別在一般的面部特征，最后一層才識(shí)別出人臉。

除了數(shù)據(jù)的數(shù)量和種類之外，速度也是一個(gè)要求：人工智能技術(shù)需要不斷訓(xùn)練新的模型，來(lái)適應(yīng)不斷變化的場(chǎng)景，因此必須經(jīng)常刷新訓(xùn)練數(shù)據(jù)。在1/3的案例中，模型需要至少每月更新一次；幾乎每4個(gè)案例中就有1個(gè)案例需要每天更新。這種需求在市場(chǎng)營(yíng)銷、供應(yīng)鏈管理和制造方面尤其突出。

• 微信內(nèi)搜索并關(guān)注公眾號(hào)[AI商業(yè)報(bào)道]，獲得人工智能領(lǐng)域第一手商業(yè)資訊

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書(shū)面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。