传统行业如何用上AI?吴恩达给出了两个建议

TalkingData

共 2299字,需浏览 5分钟

 ·

2021-09-18 03:44

比起人工智能(AI)这个看上去宏大而前沿的概念,“算法”可以说是AI技术最微观、最靠近我们生活的应用体现。


无论是刷短视频时的个性化推荐,还是外卖配送时的耗时预估,或者是移动支付时的人脸识别,以算法为代表的AI技术的应用更多是集中在消费互联网行业,而传统行业却很难享受到AI带来的价值。


其他行业想用上AI为何这么难?该如何让传统行业获得AI能力的加持?近期,AI大佬吴恩达在《哈佛商业评论》发表文章,针对这个话题提出了他的观察和建议。


传统行业应用AI?

确实很难


纵观全球,为什么只有消费互联网公司在大规模应用AI?因为这些公司拥有海量的用户,所以拥有海量的数据。这也正是传统行业想应用AI的最大阻碍——数据量太少、业务却又太多样。



吴恩达认为,在采用AI上,消费互联网行业之外的其他行业都面临着三大挑战:

1、数据集很小。在消费互联网公司,工程师可以提供数以百万计的数据点给AI学习。但其他行业拥有的数据量要小的多。例如,汽车企业想构建一个零件缺陷检测系统,但可能只有50个样本;或者医疗机构想构建一个罕见病诊断系统,但可能只有100份诊断书作为参考。当数据集太小,常用于大数据集的技术就不适用了。

2、定制化成本很高。消费互联网公司可以雇佣几十、上百个专业工程师,来构建和维护一个能带来上亿美元收入的AI系统。但对其他行业来说,每个项目成本只有几百万美元,还都需要定制化开发。例如,每家工厂生产的产品不同,需要定制不同的质量检测系统;每家医院的医疗记录编码方式不同,需要定制不同的患者数据系统。虽然整体市场很大,但是单独项目的成本都支撑不起一个大型、全职的AI团队。而AI人才本来就短缺,也进一步抬高了成本。

3、从验证想法到部署生产的过程很长。AI系统就算能在实验室中良好运行,也仍需要大量的工程部署才能用于生产。从成功实现想法,到部署和运维系统,中间可能要一到两年的工作量。


AI如何适应传统行业?

改变模式


那传统行业还有希望用上AI吗?吴恩达认为,可以的!重点是要采用一条新的路径——以数据为中心、让AI构建系统化&可复用。要“编辑数据,而不是编辑代码(programming with data, not code)”。


什么是以数据为中心的模式?


过去这十年,大部分AI的研发和应用是“以软件为中心”驱动的(或者说“以模型为中心”)。在这样的模式下,数据是固定的,主要依靠不断优化软件和算法,来获得更好的效果。消费互联网公司拥有海量数据,因而能够在AI领域不断创新。


但对其他行业来说,现实就是既缺数据数量也缺研发力量。吴恩达认为,以AI目前的复杂性,应用上的瓶颈其实通常在于数据的质量和匹配度。传统行业应该采用“以数据为中心”的模式,把重点放在获得质量更好、匹配度更高的数据上。也就是说,要让数据尽量全面地覆盖所有用例,并进行统一化地标注。


这样一来,企业就可以降低对AI人才的需求,而让具备丰富业务知识的员工来帮助优化模型,例如让高度熟练的一线工人来识别、标注残次产品,并通过数据把这些知识输入给AI,帮助提高模型效果。



如何让AI构建和使用系统化&可复用?


为了让业务侧的专家和员工也能够帮助编辑数据,需要提供相应的工具,降低AI系统构建、部署和维护的难度,也就是吴恩达重点推荐的MLOps(Machine Learning Operations)




MLOps提供三大方面的能力:




首先,帮助构建高质量的数据集,让AI系统能够基于传统行业的小数据集进行学习;

其次,让业务人员也能够参与到数据的编辑中,而不仅仅是依靠AI专家;

此外,为AI系统部署到生产环境提供软件支持,节省软件开发所需的时间。根据埃森哲的预测,80%到85%的公司的AI项目仍处于想法验证的阶段。吴恩达表示,MLOps可以让AI项目从验证想法到投入生产的周期从“年”缩短到“月”甚至“周”。


让传统行业用上AI?

行动指南


让消费互联网之外的其他行业广泛应用上AI,并不是一蹴而就的事情。但吴恩达表示,下面三件事,是企业现在就可以着手去做的:


1、不只关注收集数据的数量,也更要考虑数据的质量,确保数据所体现的与我们想让AI去学习的能够相匹配。

2、真正考虑和采纳以数据为中心的方式。大部分AI工程师是以软件为中心的方式训练出来的,包括那些具备深厚学术或科研背景的,要督促他们采用以数据为中心的技术。

3、即使是尚处于验证想法阶段的AI项目,只要未来想投入生产,就要做数据管理、开发、系统监测和维护的长期规划,并提供MLOps工具作为支持。


AI在传统行业的应用存在巨大潜力,但消费互联网的套路并不适合传统行业。吴恩达认为,改变构建和部署AI系统的策略,采用以数据为中心的思路+MLOps工具的支持,将能让所有行业都更快享受到AI带来的价值。


原文来自:哈佛商业评论

原作者:吴恩达

原文链接:https://hbr.org/2021/07/ai-doesnt-have-to-be-too-complicated-or-expensive-for-your-business

本文编译:TalkingData

图片来源于:Pixabay


推荐阅读:

惨烈而短命,CDO的一生何以至此?

对待数据的三大致命错误

营销策略丨售价3W块的鞋,卖的并不是鞋


TalkingData——用数据说话

每天一篇好文章,欢迎分享关注

浏览 44
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报