越来越多的人想要利用 AI 给自己的公司、业务、产品 来赋能。但是很多人对 AI 并不了解,所以搞不清楚哪些问题适合用AI,哪些问题不适合用。

这个PDF将从4个角度来评估AI赋能的可行性,提供了一个思考的框架。

非技术也能毫无障碍的看懂这篇文章。

先通过一张长图来讲解一下 PDF 中会涉及到的主要内容,如果想了解详情请下载 PDF。

PDF下载地址

这个 PDF 要解决什么问题?

人工智能被很多人当做「黑科技」,它可以做一些神奇的事情,比如:下围棋比人类厉害,打游戏比人类厉害,美颜效果好到爆…

地球上最厉害的公司都把 AI 当做全公司的重要战略,Google、微软、Facebook、亚马逊、腾讯、阿里巴巴、百度、字节跳动……

很多大佬也语言人工智能将带来下一次的技术革命,想想「互联网」是怎么革命的,就能大概知道这个革命有多厉害了。

但是最大的问题是:在 AI 时代,我要怎么利用 AI?

上面的问题太大了,很难回答,我们需要把问题聚焦一下:当我在业务中面临了一个具体问题时,AI 也是一种解决思路,那么这个问题适合用 AI 来解决吗?

所以,这个PDF解决一个问题:

我面临的具体问题适合用 AI 来解决吗?需要从哪些方面来评估吗?

4个评估维度

PDF中详细阐述了4个评估维度:

  1. 数据
  2. 特征
  3. 学习
  4. 黑箱

数据

人工智能跟传统的计算机程序最大的差别是:基于数据。

这也是人工智能的底层逻辑,所以数据在人工智能领域是最重要的资源。所以我们需要从3个方面来评估数据维度:

  1. 数据是否可以获取?
  2. 数据是否全面?
  3. 数据是否多?
数据评估的3个要素

下载 PDF 可以查看全文,也可以通过下面的链接查看数据篇的全文内容:

使用AI前需要评估的——数据篇

特征

人工智能的基本原理是:从大量数据中找出隐藏很深的特征,然后学会通过特征的判断来完成具体任务。

基于这个原理,人工智能更应该处理一些比较复杂的问题,而不是一些简单的问题。判断问题的复杂程度可以从下面2个维度来判断:

  1. 特征的数量
  2. 特征的确定性
特征象限

特征少+确定性弱:适合人工解决

特征少+确定性强:适合规则解决

特征多+确定性强:适合规则解决

特征多+确定性弱:「可以考虑」 AI 解决

下载 PDF 可以查看全文,也可以通过下面的链接查看特征篇的全文内容:

使用AI前需要评估的——特征篇

学习

前两篇已经解释了,基于规则的能力边界很小,很多实际问题无法通过规则的方法来解决。人工智能可以扩大计算机的能力边界

除了扩大能力边界外,人工智能还有一个非常重要的特性——持续学习,不断提升能力上限

如何让机器持续学习?

为了让机器实现持续不断的学习,我们需要实现2个条件:

  1. 不断的获得反馈数据,让机器知道自己哪里好,哪里不好
  2. 将反馈数据加入闭环,机器能否持久的学习,提升能力

下载 PDF 可以查看全文,也可以通过下面的链接查看学习篇的全文内容:

使用AI前需要评估的——学习篇

黑箱

我们过去的计算机科学大部分是基于规则的,很像一台汽车,我们很清楚的知道这台车是如何组装起来的,所以发现螺丝松了就柠紧,哪个零件老化了就换一个。完全可以做到对症下药。

而深度学习则完全不一样,当我们发现问题时,不能做到对症下药,只能全局优化(比如灌更多的数据)。

案例在2个评估象限中的位置

所以,在评估的时候有3条原则:

  1. 解决方案越需要解释背后的原因,越不适合用深度学习
  2. 对错误的容忍度越低,越不适合使用深度学习
  3. 上面2条并非绝对判断标准,还需要看商业价值和性价比,自动驾驶和医疗就是反例。

下载 PDF 可以查看全文,也可以通过下面的链接查看黑箱篇的全文内容:

使用AI前需要评估的——黑箱篇

上面的所有内容都整理成了41页的PDF《引入AI前需要评估的》,点击下方按钮进行下载。

下载PDF《引入AI前需要评估的》

如果上面的图片显示有问题,请点击这里下载:下载链接