我們對任何新技術都容易產(chǎn)生誤解。AI方面似乎特別明顯。這跟它的潛在影響范圍已產(chǎn)生一定神話性有關。

“AI通常被誤解。因為，我們需要探索一個巨大的宇宙，探索未知會讓人感到困惑和恐懼，” Very的工程副總裁Bill Brock說。

對于試圖在企業(yè)中構建AI實際應用的IT領導者來說，這已成一個特殊問題。

“AI在企業(yè)中變得越來越普遍，但應用場景、如何改進或更新過往系統(tǒng)仍有很多誤解，”布洛克說，雖然可將“機器人成為同事”的說法“浪漫化”，仍有必要了解不同類型的技術如何增強我們的系統(tǒng)并創(chuàng)造更有效的環(huán)境。

事實上，“浪漫化技術”是天空銷售推銷的主要內(nèi)容，而非戰(zhàn)略CIO通過AI實現(xiàn)的底線結果。

此外，浪漫化的現(xiàn)實往往會產(chǎn)生妨礙可行目標的各種神話。因此，這里請Brock和其他專家確定當今企業(yè)中關于AI的常見神話，以幫助IT領導者和其他商業(yè)人士將事實與虛構分開。

神話1:AI等于機器學習

不是。理解兩者之間的差異，至關重要。機器學習更像是AI的子學科。

“我發(fā)現(xiàn)，許多交流中，這些術語之間沒什么區(qū)別，” SigOpt的研究科學家Michael McCourt說 ，這很有問題。

比如，如果一個公司領導層認為建立分類模型等于使用數(shù)據(jù)鞏固決策過程，就會忽視建立模型的結構和含義的重要步驟。這將導致公司對AI投入不足，沒有足夠的人力深入更大場景，最后導致失敗。

神話2:AI與自動化是一回事

AI和自動化也常常混淆。它們之間確實存在重要的關聯(lián)。

“隨著人們越來越熟悉AI，會了解到它是一種能思考的機器 ，至少能根據(jù)一系列預先定義的模型、算法做出明智決策。而‘自動化’只是在沒有人為干預的情況下完成任務而已。 ”布羅克說說，“自動化并不一定意味著AI，但AI最具影響力的一些案例，會以戲劇性的方式增強自動化。”

神話3：數(shù)據(jù)多就能帶來更好的AI結果

這誤解已深。好像AI成功的唯一真正先決條件是“數(shù)據(jù)”。

眼下，AI和機器學習團隊的工作，幾乎完全集中在數(shù)據(jù)挖掘與清理上。

“重要的不是數(shù)據(jù)的數(shù)量，而是質(zhì)量，” LexisNexis Legal and Professional首席數(shù)據(jù)官Rick McFarland認為，“大量不良或標記不統(tǒng)一標的數(shù)據(jù)，并不能讓您更接近結果。它們實際上可以通過創(chuàng)建‘精確’結果來欺騙建模器，因為方差公式與樣本大小成反比。”

他說，從早期AI故障中學到的常見經(jīng)驗之一是：我們只是在其中投入大量數(shù)據(jù)并假設它可行。早期階段，海量數(shù)據(jù)未必更好。

“質(zhì)量數(shù)據(jù)是有效算法不可或缺的一部分，”Very公司的Brock表示，無論解決什么問題，不良數(shù)據(jù)都會產(chǎn)生糟糕的結果。

“最佳實踐是，使用結構化方法和偏差測試，來創(chuàng)建更好的訓練數(shù)據(jù)集 。”McFarland說，建模人員實際上可使用以較低成本獲得的較小數(shù)據(jù)集。

神話4:AI將從部署一刻起傳遞價值

不是說數(shù)據(jù)多反而不好。 事實上，隨著時間推移，它會變得越來越必要，只是數(shù)量和質(zhì)量必須同步。一般來說，沒有人期望AI計劃立馬獲得投資回報，但有時，很多人還是不斷描述，只需打開，就能看到魔術。

“AI和ML引擎需要培訓，需要大量數(shù)據(jù)才能學習。一些數(shù)據(jù)可以播種，“”NetEnrich首席技術官Javed Sikander說 ，但是，大部分數(shù)據(jù)來自部署的域，以及AI / ML系統(tǒng)集中學習的地方。因此，期望系統(tǒng)第1天就提出建議和見解并不合理。我們需要建立流程，并在各種環(huán)境中分配資源，逐步學習，只有那時才會產(chǎn)生魔力。

神話5：AI和機器學習基本上只是“軟件開發(fā)”

Algorithmia首席執(zhí)行官Diego Oppenheimer認為，組織與其他任何軟件開發(fā)的方式相同，都在接近AI和ML。

“AI / ML開發(fā)只是軟件開發(fā)的一個神話，”奧本海默說，事實上，大多數(shù)ML項目失敗的很大原因，在于ML工作負載與傳統(tǒng)軟件行為非常不同，它們需要一套不同的工具、基礎架構、流程，才能大規(guī)模部署與管理。

奧本海默指出了以下問題：

1、異質(zhì)性：有一個龐大且不斷增長的語言和框架菜單。2、可組合性： AI和ML涉及多組件協(xié)同，每個組件可能用不同語言、由不同團隊構建。3、開發(fā)過程： 傳統(tǒng)軟件開發(fā)中，輸出是“受控環(huán)境中執(zhí)行的代碼”。機器學習中，輸出是“一個不斷發(fā)展的生態(tài)系統(tǒng)”。這需要一個更具迭代的循環(huán)。4、硬件/基礎設施： CPU、TPU、GPU、邊緣計算以及任何新選擇， 每個都有不同優(yōu)勢、挑戰(zhàn)。5、性能指標： 沒有適用于每個人甚至許多人的標準指標集。

神話6：AI只是另一種需要考慮的“技術”

有時，我們通過新舊比較，來讓一些令人生畏的東西看起來更容易管理一些。好像往事重現(xiàn)一樣。

AllCloud數(shù)據(jù)與AI副總裁Guy Ernest說 ，這可能會導致IT團隊只是將AI視為另一個技術周期。事實上并非如此。

“AI更像人類的大腦或身體：你用得越多，它變得越強大，越聰明。”他說。

他同時強調(diào)，大多數(shù)技術都很“脆弱”。使用它們越多，它們也會變得越復雜，也就越容易破碎。

神話7：AI只適合科技公司

不。AI并非是每個業(yè)務問題的解決方案。

SigOpt的McCourt說，最差的情況是，一家公司可選擇退出AI革命，目前趨勢若持續(xù)下去，也只能讓公司跟隨而不是領導它。

他說，神話滲透到商業(yè)世界，讓人以為AI的早期開發(fā)者和采用者都是技術最精明和最先進的公司。

神話8：AI取代了對人類智能的需求

AI的神秘地位，部分來自Ai對人類智能的超越。這一時刻，“機器人稱霸”的敘事，開始進入高潮。

“機器可以像它們獲得的數(shù)據(jù)以及編程采取的行動一樣聰明，”Sikander說，“AI和機器學習可以幫助我們識別數(shù)據(jù)海洋中的模式，并自動執(zhí)行操作，幾乎不需要人工干預。但是，用于決策的算法和模型，仍必須由人類提供。”

LexisNexis 首席數(shù)據(jù)官麥克法蘭表示，以為AI學習“就像人類一樣”，其實是一種誤解。

“人類在學習或解決問題方面具有內(nèi)在的優(yōu)勢。比如無聊，”麥克法蘭說，“AI模型永遠不會感到無聊或看到自身方式的愚蠢。他們從幾乎無限的可能性中尋求最佳答案，甚至深深追逐到一個可能永遠出不來的‘兔子洞’。相比之下，人類會厭倦追求無限的可能性，會重新考慮現(xiàn)狀，主動追求不同的道路。”