这就是为什么AI还要重塑大多数企业

对于许多公司来说,部署AI比看起来更慢,更昂贵

转到MIT Technology Review的个人资料 麻省理工学院技术评论 BlockedUnblockFollow 2月13日

插图:德里克布拉尼

布莱恩伯格斯坦

自19世纪80年代开始使用合成成分以来,制造香水的艺术发生了很大变化。专业香水创造者修补化学品的组合,希望产生引人注目的新气味。因此,世界上最大的香水制造商之一Symrise的高管Achim Daub想知道如果他将人工智能注入到这个过程中会发生什么。一台机器会建议人类可能不会尝试的吸引人的公式吗?

Daub聘请IBM设计一个计算机系统,该系统可以挖掘大量信息 - 现有香水的公式,消费者数据,监管信息等等 - 然后为特定市场提出新的配方建议。该系统被称为Philyra,仅次于希腊香水女神。除了令人回味的名字,它闻不到东西,所以它不能代替人类调香师。但它让他们在创造新奇事物上有了先机。

Daub对目前的进展感到满意。针对巴西年轻客户的两款香水将于6月在那里上市销售。该公司70名香水设计师中只有少数人使用过该系统,但Daub最终希望将其推广到所有这些系统。

然而,他谨慎地指出,到目前为止已经花费了将近两年的时间 - 而且还需要一段时间才能收回投资。 Philyra最初的建议非常糟糕:它一直暗示着洗发水配方。毕竟,它看了销售数据,洗发水远远超过香水和古龙水。 Symrise的调香师接受了大量培训。此外,该公司仍在努力进行昂贵的IT升级,这些升级必须将数据从不同的记录保存系统泵入Philyra,同时保持一些信息对调香师本身保密。 "这是一种陡峭的学习曲线,"道布说。 "在我们的企业系统中,我们已经远远没有完全建立人工智能。"

香水业务并不是唯一一个在没有看到快速变化的情况下采用机器学习的企业。尽管您可能听说过人工智能席卷全球,但各行各业的人士表示,该技术的部署非常棘手。它可能很昂贵。而最初的回报往往是适度的。

人工智能的突破可以超越Go的大师,甚至拥有可以按照你的命令打开音乐的设备,这是一回事。使用AI在非固有数字化的业务中进行更多增量变更是另一回事。

这并不意味着AI被夸大了。但算法只是重塑业务运营方式的重要组成部分。

人工智能可能最终改变经济 - 通过预测人类无法预见的事物,以及减轻员工的苦差事,使新产品和新商业模式成为可能。但这可能需要比希望或担心更长的时间,这取决于你坐的位置。大多数公司从员工投入的时间来看并没有产生更多的产出。在最大和最富有的公司中,这种生产率的提高是最大的,这些公司可以在人力和技术基础设施上投入大量资金,以使AI运作良好。

这并不一定意味着AI被夸大了。只是在重塑业务的方式时,模式识别算法只是重要的一小部分。更重要的是从IT部门一直到业务前线的组织元素。几乎每个人都必须适应人工智能的工作方式以及盲点,特别是那些期望相信其判断的人。所有这些不仅需要金钱,还需要耐心,细致和其他典型的人力技能,而这些技能往往是供不应求的。

寻找独角兽

去年9月,一位名叫Peter Skomoroch的数据科学家在推特上写道:"根据经验,你可以预期,企业公司向机器学习的过渡将比向移动设备转型困难大约100倍。"它有一个笑话,但Skomoroch不是在开玩笑。有几个人告诉他,听到他们的公司并不孤单,他们感到宽慰。 SkipFlag的首席执行官Skomoroch说:"我认为那里有很多痛苦 - 夸大了预期。"该公司表示,它可以将公司的内部沟通转变为员工的知识基础。 "AI和机器学习被视为魔法仙尘。"

最大的障碍之一是让不同的记录保存系统相互通信。这是Richard Zane在UC Health(科罗拉多州,怀俄明州和内布拉斯加州的医院和医疗诊所网络)担任首席创新官时遇到的问题。它最近推出了一款名为Livi的会话软件代理,它使用一家名为Avaamo的初创公司的自然语言技术来帮助致电UC Health或使用该网站的患者。 Livi指示他们更新处方,书籍并确认他们的约会,并向他们展示有关他们的条件的信息。

Zane很高兴Livi处理常规查询时,UC Health的员工可以花更多时间帮助患者解决复杂问题。但他承认,这个虚拟助手几乎没有人工智能最终可能在他的组织中做什么。 "这只是冰山一角,或者说是积极的版本,"赞恩说。部署Livi需要一年半的时间,主要是因为将软件与患者医疗记录,保险计费数据和其他医院系统相关联的IT问题令人头疼。

类似的设置也困扰着其他行业。例如,一些大型零售商在单独的系统中保存供应链记录和消费者交易,这两个系统都没有连接到更广泛的数据仓库。如果公司不停止并建立这些系统之间的连接,那么机器学习将只对他们的一些数据起作用。这就解释了为什么迄今为止人工智能的最常见用途涉及的是孤立的业务流程,但仍然拥有丰富的数据,例如银行的计算机安全或欺诈检测。

即使公司从许多来源获取数据,也需要进行大量的实验和监督,以确保信息的准确性和有意义。当一家IT服务公司Genpact帮助企业推出他们认为的人工智能项目时,"10%的工作是AI,"首席数字官Sanjay Srivastava说。 "百分之九十的工作实际上是数据提取,清理,规范化和争论。"

在人工智能带外,由于合理的经济原因,事情进展缓慢得多。

对于Google,Netflix,亚马逊或Facebook,这些步骤可能看起来无缝。但这些公司的存在是为了捕获和使用数字数据。他们还拥有数据科学,计算机科学和相关领域的博士学位。 "这与大多数企业公司的等级和档案不同,"Skomoroch说。

事实上,较小的公司通常要求员工深入研究几个技术领域,位于休斯顿的能源公司桑切斯油气公司的数据科学家Anna Drummond说。 Sanchez最近开始实时流式传输和分析井中的生产数据。它没有从头开始构建功能:它从一家名为MapR的公司购买了该软件。但Drummond和她的同事仍然必须确保来自该领域的数据采用计算机可以解析的格式。 Drummond的团队还参与设计软件,将信息提供给工程师的屏幕。她说,熟悉所有这些事情的人"不容易找到"。 "这就像独角兽一样。这就是减缓人工智能或机器学习采用的原因。"

Fluor是一家大型工程公司,花了大约四年的时间与IBM合作开发人工智能系统来监控大规模的建设项目,这些项目可能耗资数十亿美元并涉及数千名工人。该系统吸收数字和自然语言数据,并向Fluor的项目经理发出有关可能导致延迟或成本超支的问题的警报。

Fluor的信息管理副总裁Leslie Lindgren表示,IBM和Fluor的数据科学家并不需要很长时间来模拟系统会使用的算法。花费更多时间的是在使用该系统的Fluor员工的密切参与下完善技术。 Lindgren说,为了让他们相信自己的判断,他们需要对如何运作提出意见,他们必须仔细验证其结果。

为了开发这样的系统,"你必须把你的领域专家从业务中带出来 - 我的意思是你最好的人,"她说。 "这意味着你必须把它们从其他东西中拉出来。"她补充说,使用顶尖人物是必不可少的,因为构建AI引擎"太重要,太长,太昂贵",否则他们无法做到。

人工智能的种子

一旦创新出现,它将以多快的速度在经济中蔓延?经济学家Zvi Griliches在20世纪50年代提出了一些基本答案 - 通过观察玉米。

Griliches研究了该国各地玉米种植者转向产量高得多的杂交品种的比率。对他感兴趣的不仅仅是玉米本身,而是混合动力车的价值,正如我们今天所称的未来创新平台。 "杂交玉米是一种发明方法的发明,是一种为特定地区培育优质玉米的方法,"Griliches在1957年的一篇具有里程碑意义的论文中写道。

20世纪20年代末和30年代初,爱荷华州引入了混合动力车。到1940年,他们几乎占了该州种植的所有玉米。但是在德克萨斯州和阿拉巴马州这样的地方,采用曲线远远不够陡峭,后者在20世纪50年代初引入了杂交种,并覆盖了大约一半的玉米种植面积。一个重要原因是杂交种子比传统种子更贵,农民每年都不得不购买新种子。对于这些州的农场而言,转向新技术对于中西部富裕且生产力更高的玉米带来说是一个风险更高的主张。

Griliches所捕获的内容以及随后的经济学家所证实的是,技术的传播不仅受到创新内在品质的影响,也不受用户经济状况的影响。对于技术专家来说,用户的关键问题不是"技术能做什么?"但"投资它会让我们受益多少?"

今天,机器学习正在为Facebook,谷歌和亚马逊等公司以及许多初创公司的运营的各个方面提供支持。它使这些公司异常丰富。但是在人工智能带之外,出于理性的经济原因,事情的发展速度要慢得多。

在Symrise,Daub认为香水AI项目落入了一个甜蜜点。这是一个相对小规模的实验,但它涉及香水客户的实际工作,而不仅仅是实验室模拟。

"我们都承受着很大的压力,"他说。 "没有人真正有时间在那里进行绿地学习。"然而,即便如此,这也需要对技术有一定的信心。 "这完全取决于信念,"他说。 "我非常坚定地认为,人工智能将在我们今天看到的大部分行业中发挥作用,其中一些行业占主导地位。完全忽视它不是一种选择。"

查看英文原文

查看更多文章

公众号:银河系1号

联系邮箱:public@space-explore.com

(未经同意,请勿转载)