我的業務要不要用人工智能？引入AI前你需要評估的（四）

這是一個系列文章，從各個角度來評估一個問題：「我的業務要不要用 AI ？能不能用 AI？」
本期評估角度——黑箱

系列文章列表：

黑箱是人工智能的缺點

並非所有人工智能都是黑箱的，大家說的黑箱主要指當下最熱門、效果也最好的「深度學習」。

在我之前寫的《一文看懂深度學習》中，舉過一個水龍頭的例子，從那個例子就可以看出：深度學習的工作原理不是講邏輯（基於規則），而是大力出奇蹟（基於統計）。

大力出奇蹟會導致幾個結果：

下面的圖片就會展示一些人工智能所犯下的「低級錯誤」。

而最可怕的是：當我們發現問題時，並不能針對具體問題來對症下藥。

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）。

擴展閱讀：

《深度 | Nature：我們能打開人工智能的「黑箱」嗎？》

由於深度學習的黑箱特性，並非所有問題都適合用深度學習來解決。

我們評估哪些問題適合，哪些問題不適合的時候，可以從2個角度來評估：

我們先從這2個角度來看看普及率較高的AI應用：

案例	是否需要解釋	錯誤容忍度
語音識別	用戶只關心效果好不好，並不關心背後的原理是什麼	偶爾出現一些錯誤並不影響對整句話的理解。少量出錯是可以接受的。
人臉識別	同上	相比語音識別，用戶對出錯的容忍度要低一些，因為需要重新刷臉。
機器翻譯	同上	跟語音識別類似，只要大面上準確，並不影響整體的理解。

我們再看一些 AI 和人力結合的具體應用：

案例	是否需要解釋	錯誤容忍度
智能客服	用戶不關心是人工服務還是機器服務，只要能解決我的問題就行	如果機器客服不能理解我的意圖，無法幫我解決問題，用戶會很不滿意。所以當機器搞不定的時候需要人工來補位
內容審核	對於審核不通過的內容，需要解釋原因。通過的內容不需要解釋為什麼。	有一種職業叫「鑒黃師」，目前正在逐步被機器替代，但是並沒有完全替代，因為有時候機器會拿不準，這個時候人工來複審

最後看一些不適合AI落地的場景：

案例	是否需要解釋	錯誤容忍度
推導定理	科學是絕對嚴謹的，一定是從邏輯上推導出來的，而不是統計出來的。	如果有例外就不能稱作定理，一定是絕對正確沒有錯誤的。
寫論文	人工智能已經可以寫小說，詩歌，散文。但是論文這種文體要求非常嚴謹的上下文邏輯。	論文里是不允許有錯誤的，全文的邏輯要非常清晰，哪怕一個細節出現了邏輯問題，也會造成整篇論文沒有價值。

如果我們把上面提到的案例全部放在象限中，大致如下：