越來越多的人想要利用 AI 給自己的公司、業務、產品 來賦能。但是很多人對 AI 並不了解，所以搞不清楚哪些問題適合用AI，哪些問題不適合用。
這個PDF將從4個角度來評估AI賦能的可行性，提供了一個思考的框架。
非技術也能毫無障礙的看懂這篇文章。
先通過一張長圖來講解一下 PDF 中會涉及到的主要內容，如果想了解詳情請下載 PDF。
這個 PDF 要解決什麼問題？
人工智慧被很多人當做「黑科技」，它可以做一些神奇的事情，比如：下圍棋比人類厲害，打遊戲比人類厲害，美顏效果好到爆…
地球上最厲害的公司都把 AI 當做全公司的重要戰略，Google、微軟、Facebook、亞馬遜、騰訊、阿里巴巴、百度、位元組跳動……
很多大佬也語言人工智慧將帶來下一次的技術革命，想想「互聯網」是怎麼革命的，就能大概知道這個革命有多厲害了。
但是最大的問題是：在 AI 時代，我要怎麼利用 AI？
上面的問題太大了，很難回答，我們需要把問題聚焦一下：當我在業務中面臨了一個具體問題時，AI 也是一種解決思路，那麼這個問題適合用 AI 來解決嗎？
所以，這個PDF解決一個問題：
我面臨的具體問題適合用 AI 來解決嗎？需要從哪些方面來評估嗎？
4個評估維度
PDF中詳細闡述了4個評估維度：
- 數據
- 特徵
- 學習
- 黑箱
數據
人工智慧跟傳統的計算機程序最大的差別是：基於數據。
這也是人工智慧的底層邏輯，所以數據在人工智慧領域是最重要的資源。所以我們需要從3個方面來評估數據維度：
- 數據是否可以獲取？
- 數據是否全面？
- 數據是否多？
下載 PDF 可以查看全文，也可以通過下面的鏈接查看數據篇的全文內容：
特徵
人工智慧的基本原理是：從大量數據中找出隱藏很深的特徵，然後學會通過特徵的判斷來完成具體任務。
基於這個原理，人工智慧更應該處理一些比較複雜的問題，而不是一些簡單的問題。判斷問題的複雜程度可以從下面2個維度來判斷：
- 特徵的數量
- 特徵的確定性
特徵少+確定性弱：適合人工解決
特徵少+確定性強：適合規則解決
特徵多+確定性強：適合規則解決
特徵多+確定性弱：「可以考慮」 AI 解決
下載 PDF 可以查看全文，也可以通過下面的鏈接查看特徵篇的全文內容：
學習
前兩篇已經解釋了，基於規則的能力邊界很小，很多實際問題無法通過規則的方法來解決。人工智慧可以擴大計算機的能力邊界。
除了擴大能力邊界外，人工智慧還有一個非常重要的特性——持續學習，不斷提升能力上限。
為了讓機器實現持續不斷的學習，我們需要實現2個條件：
- 不斷的獲得反饋數據，讓機器知道自己哪裡好，哪裡不好
- 將反饋數據加入閉環，機器能否持久的學習，提升能力
下載 PDF 可以查看全文，也可以通過下面的鏈接查看學習篇的全文內容：
黑箱
我們過去的計算機科學大部分是基於規則的，很像一台汽車，我們很清楚的知道這台車是如何組裝起來的，所以發現螺絲鬆了就檸緊，哪個零件老化了就換一個。完全可以做到對症下藥。
而深度學習則完全不一樣，當我們發現問題時，不能做到對症下藥，只能全局優化（比如灌更多的數據）。
所以，在評估的時候有3條原則：
- 解決方案越需要解釋背後的原因，越不適合用深度學習
- 對錯誤的容忍度越低，越不適合使用深度學習
- 上面2條並非絕對判斷標準，還需要看商業價值和性價比，自動駕駛和醫療就是反例。
下載 PDF 可以查看全文，也可以通過下面的鏈接查看黑箱篇的全文內容：
上面的所有內容都整理成了41頁的PDF《引入AI前需要評估的》，點擊下方按鈕進行下載。
如果上面的圖片顯示有問題，請點擊這裡下載：下載鏈接
Comments