我的业务要不要用人工智能？引入AI前你需要评估的（四）

打不死的小强

5年前

这是一个系列文章，从各个角度来评估一个问题：“我的业务要不要用 AI ？能不能用 AI？”
本期评估角度——黑箱

系列文章列表：

黑箱是人工智能的缺点

并非所有人工智能都是黑箱的，大家说的黑箱主要指当下最热门、效果也最好的「深度学习」。

在我之前写的《一文看懂深度学习》中，举过一个水龙头的例子，从那个例子就可以看出：深度学习的工作原理不是讲逻辑（基于规则），而是大力出奇迹（基于统计）。

大力出奇迹会导致几个结果：

下面的图片就会展示一些人工智能所犯下的「低级错误」。

而最可怕的是：当我们发现问题时，并不能针对具体问题来对症下药。

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）。

扩展阅读：

《深度 | Nature：我们能打开人工智能的“黑箱”吗？》

由于深度学习的黑箱特性，并非所有问题都适合用深度学习来解决。

我们评估哪些问题适合，哪些问题不适合的时候，可以从2个角度来评估：

我们先从这2个角度来看看普及率较高的AI应用：

案例	是否需要解释	错误容忍度
语音识别	用户只关心效果好不好，并不关心背后的原理是什么	偶尔出现一些错误并不影响对整句话的理解。少量出错是可以接受的。
人脸识别	同上	相比语音识别，用户对出错的容忍度要低一些，因为需要重新刷脸。
机器翻译	同上	跟语音识别类似，只要大面上准确，并不影响整体的理解。

我们再看一些 AI 和人力结合的具体应用：

案例	是否需要解释	错误容忍度
智能客服	用户不关心是人工服务还是机器服务，只要能解决我的问题就行	如果机器客服不能理解我的意图，无法帮我解决问题，用户会很不满意。所以当机器搞不定的时候需要人工来补位
内容审核	对于审核不通过的内容，需要解释原因。通过的内容不需要解释为什么。	有一种职业叫「鉴黄师」，目前正在逐步被机器替代，但是并没有完全替代，因为有时候机器会拿不准，这个时候人工来复审

最后看一些不适合AI落地的场景：

案例	是否需要解释	错误容忍度
推导定理	科学是绝对严谨的，一定是从逻辑上推导出来的，而不是统计出来的。	如果有例外就不能称作定理，一定是绝对正确没有错误的。
写论文	人工智能已经可以写小说，诗歌，散文。但是论文这种文体要求非常严谨的上下文逻辑。	论文里是不允许有错误的，全文的逻辑要非常清晰，哪怕一个细节出现了逻辑问题，也会造成整篇论文没有价值。

如果我们把上面提到的案例全部放在象限中，大致如下：