人工智能 :下一代企业的催化剂

导读:

  1. 有一些认为,人工智能相当于一个变革平台,新式企业很可能就诞生于此。这些眼光长远的公司把重心摆在消费者身上,借助人工智能来实现人与进程的连结、预测商业结果,通过新的知识形式来挖掘新赢利点。

  2. 人居于关键地位。将信息转化到具体情境中去,确立行动目标,与智能机器共同减少数据偏倚,确保设计过程中始终把隐私与安全放在首位。这些都需要人来完成。

  3. 有了人工智能,企业还能掌握海量数据——或内部,或外部;或结构化的,或非结构化的,再加上深度知识,就能形成一种预测性的范式。有了这种范式,那些企业就能抢在事情发生之前做出决策。


原文翻译:


人工智能,这项全民热议的技术,在商业界却不尽然热门。虽然某些公司吃过第一口螃蟹,但缺少顶层设计。只有在那些通盘筹划的公司手中,才能用好人工智能这件“宝器”,以便应对棘手的商务问题、优化进程、提高生产效率。


在这些公司之中,有一些认为,人工智能相当于一个变革平台,新式企业很可能就诞生于此。这些眼光长远的公司把重心摆在消费者身上,借助人工智能来实现人与进程的连结、预测商业结果,通过新的知识形式来挖掘新赢利点。


 研究显示,标准普尔500指数上半数企业都要在未来十年内重新洗牌。这就是说,那些小觑人工智能不过是一股风潮的,或将其简单理解成商业速效药的,都有可能被甩在队伍后面,甚至直接淘汰。另一方面,那些整装待发的企业深知,正是有了今日努力,未来他们才能准确感知和精准预测,更加明智、迅捷地做出足以颠覆客户体验的决策。


简帕特全球集团首席数字运营官史桑杰先生(Sanjay Srivastava)认为,当前这个形势下,并非所有企业都天生平等。“凡是把人工智能嵌入公司中枢神经系统的,都将迎来一个活力大幅增强、能力迅速发展的明天。人工智能会让他们的行事方式如同出自本能。他们能够做到的有:增广知识、预测破坏、识破威胁,包括与客户建立更紧密的关系。在其发展过程中,这类新式企业也将具备行业变革的力量,以一种闻所未闻的方式释放人类潜能。”


疯狂创新的人工智能

创造性地运用人工智能、变革消费者心中的企业价值,这在商界已经开始陆续实现了。只要把人工智能同其他技术结合起来,行动就能更迅速,客户联系就能更紧密。

想象这样一间“通联之家”:地下室一漏水,就能自动探测,然后关好龙头,评估并减小损失,同时迅速提交保险申报单。等做完这一切,房主还没下班回家。配备了相应人工智能和数据分析的人员,会立即处理申报、开展调查、推进理赔进程。这样一来,双方的关系在发展,就不仅仅是一名传播理赔措施的交易人员,而是慢慢变成救护家庭安危、值得信赖的顾问。


从医疗卫生到交通运输,这样类似的场景已经在许多产业逐步出现。例如制药业,数据分析与机器学习正在构建一个紧密联系的生态体,对药物警戒(pharmacovigilance)等有机组成部分产生深刻变革。制药企业不再被动地追踪应对不良事件,而是开创性地使人工智能与数据分析相耦合,描述出一个预测不良事件的范式,大力改善和有效保护病人健康。


思维与机器的交汇

人工智能的威力大小,取决于机器学习这种数字技术与海量数据库之间的相互系有多密切。而无论是技术还是数据库,都与人类同处于一个无缝衔接的生态体系之内。当然,没有一支积极迎接变革的人才队伍,是不可能取得商业创新的。只有在放眼未来的领导治下,才能管控变革,培育出一个富饶的商业土壤,将务实的方法体系、人的聪明才智、人工智能的先进性,以及客户中心主义注入其中。


在这里,人居于关键地位。将信息转化到具体情境中去,确立行动目标,与智能机器共同减少数据偏倚,确保设计过程中始终把隐私与安全放在首位。这些都需要人来完成。


“比方说,在选担保人和动手术时,人与机器顺利共事就非常重要,”史桑杰表示,“人有知识,有经验,能放手让人工智能做决定,并达成理想结果。”


很快,这些新能力的价值就会超越常规商务行动的范畴。一旦人工智能与人相结合,机器就会深邃起来,为员工开发出更具创造力的方案提供新的视角和机遇。反过来,机器的这种复杂性又会让员工拥有一条流动性更大、目标更明确的职业轨迹,也会为企业管理者提供一支更熟练、自得的劳动力队伍。


 “新世纪,人会变得越来越有想象力和创造力,”史桑杰说,“有了人工智能,我们就拥有了暂时无法预见的可能。”


人的变革,不仅影响着劳动力的地位,也会对领导人的角色产生影响。高瞻远瞩的领导人会认为,人工智能的运用,绝不只是个战略选择。为员工赋能,实际上是一场机遇。妨碍创新的组织壁垒可能打破,在关键问题上的商业敏锐性可能上升,员工与客户满意度可能提高。所以,远见卓识之士会开始为明日打造人与技术的基础设施。


 关于人工智能的竞赛

前瞻企业,都在有意识地利用人工智能来连接其生态网络,打破彼此的隔阂,积极开展合作(包括与竞争对手的合作),以照顾客户的利益。此外,有了人工智能,企业还能掌握海量数据——或内部,或外部;或结构化的,或非结构化的,再加上深度知识,就能形成一种预测性的范式。有了这种范式,那些企业就能抢在事情发生之前做出决策。


 一个现实生活里的例子就是零售业。现在,零售业已经能够根据预期出货,在下一笔订单还没出现的时候,就提前把产品运送到离购买者最近的仓库,形成客户忠诚度与消费情报的良性循环。


这些企业不仅把人的专业技能与人工智能的先进性结合起来,还根据每个消费者的喜好,开发出高度定制化的方案,并预测消费者可能涉及的产品。


因为这些企业明白,眼下最重要的就是找准未来的发力点。他们像是冰球运动员,一边滑动,寻找冰球的地点,一边还预判冰球的移动方向。他们做出的每一个决定,都是从消费者出发,都是借助革命性的人工智能,都是把人与机器相结合,都是像本能一样行事。


一言蔽之,这就是企业直觉的核心。

人工智能:下一代企业的催化剂

原文: AI: A Catalyst for the Next Generation of Business

来源:http://fortune.com/featured/ACatalystForTheNextGenerationOfBusinessGenpact2018

「完」

本次转自:品觉 微信公众号(pinjueche.com)

车品觉简介

畅销书《决战大数据》作者;国信优易数据研究院院长;红杉资本中国基金专家合伙人;浙江大学管理学院客席教授;全国信标委员;数据标准工作组副组长;美丽心灵基金会桑珠利民基金副主席。

原阿里巴巴集团副总裁,首任阿里数据委员会会长;现担任中国信息协会大数据分会副会长、中国计算机学会大数据专家委员会副主任、粤港信息化专家委员、中国计算数学学会第九届理事、清华大学教育指导委员(大数据项目)、浙江大学管理学院客席教授等职。

版权声明:本号内容部分来自互联网,转载请注明原文链接和作者,如有侵权或出处有误请和我们联系。

关联阅读

原创系列文章:

1:从0开始搭建自己的数据运营指标体系(概括篇)

2 :从0开始搭建自己的数据运营指标体系(定位篇)

3 :从0开始搭建自己的数据运营体系(业务理解篇)

4 :数据指标的构建流程与逻辑

5 :系列 :从数据指标到数据运营指标体系

6:   实战 :为自己的公号搭建一个数据运营指标体系

7:  从0开始搭建自己的数据运营指标体系(运营活动分析)

数据运营 关联文章阅读:  

运营入门,从0到1搭建数据分析知识体系    

推荐 :数据分析师与运营协作的9个好习惯

干货 :手把手教你搭建数据化用户运营体系

推荐 :最用心的运营数据指标解读

干货 : 如何构建数据运营指标体系

从零开始,构建数据化运营体系

干货 :解读产品、运营和数据三个基友关系

干货 :从0到1搭建数据运营体系

数据分析、数据产品 关联文章阅读:

干货 :数据分析团队的搭建和思考

关于用户画像那些事,看这一文章就够了

数据分析师必需具备的10种分析思维。

如何构建大数据层级体系,看这一文章就够了

干货 : 聚焦于用户行为分析的数据产品

如何构建大数据层级体系,看这一文章就够了

80%的运营注定了打杂?因为你没有搭建出一套有效的用户运营体系

从底层到应用,那些数据人的必备技能

读懂用户运营体系:用户分层和分群

做运营必须掌握的数据分析思维,你还敢说不会做数据分析

合作请加qq:365242293  


更多相关知识请回复:“ 月光宝盒 ”;

数据分析(ID : ecshujufenxi )互联网科技与数据圈自己的微信,也是WeMedia自媒体联盟成员之一,WeMedia联盟覆盖5000万人群。

640?wx_fmt=png

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值