Gartner预计2018年全球人工智能商业价值将达到1.2万亿美元

640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

来源:亿欧


根据全球领先的信息技术研究与顾问公司Gartner的预测,人工智能(AI)产生的全球商业价值预计将在2018年达到1.2万亿美元,比2017年增长70%。此外,Gartner预计到2022年,人工智能衍生的商业价值将达到3.9万亿美元。


针对由人工智能带来的商业价值预测,Gartner评估了其所覆盖的全部垂直领域的总商业价值。人工智能衍生的商业价值有三种不同来源:客户体验(customer experience)、新增收入(new revenue)以及成本降低(cost reduction)。


客户体验:对间接成本产生正面或负面影响。就广泛应用人工智能技术并充分发挥其潜能及实现价值而言,客户体验是必要的先决条件。


成本降低:降低生产和交付这些新产品或现有产品与服务所需的成本。


新增收入:增加现有产品与服务的销售额,以及/或者创造当前没有的新产品或服务机会。


Gartner研究副总裁John-David Lovelock表示:“鉴于其在计算能力、体量、速度、数据多样性以及深度神经网络技术(DNNs)领域的超乎寻常的进步,未来10年人工智能将成为最具颠覆性级别的技术。从2017年到2022年,企业获得的由人工智能技术支持的产品与服务中,最大来源将是满足某个需求的细分市场解决方案。企业高管将推动对这些来自数千家专注于特定人工智能技术支持的应用程序专业供应商的产品进行投资。” 


人工智能商业价值增长呈现出与新兴技术相关的典型“S”形曲线模式。2018年的商业价值增长率预计为70%,但从现在直至2022年的增长速度都将逐渐放缓(见表一)。2020年以后,曲线将趋于平缓,之后几年增长率较低。 


640?wx_fmt=png


Lovelock先生指出:“由于企业机构均认为在改善客户互动、增加及留住客户方面,人工智能技术存在很大价值,因此在人工智能发展早期,客户体验(CX)是人工智能衍生商业价值的主要来源。此外,企业机构能够利用人工智能技术来提高决策流程的效率并自动执行更多任务,因此紧随客户体验之后的商业价值来源就是成本降低。然而,随着企业逐步发掘出人工智能在增加现有产品和服务销售额、发现新产品与服务机会方面的商业价值,到2021年,新增收入将成为人工智能衍生商业价值的主要来源。因此,从长远来看,人工智能的商业价值将主要在新增收入方面。”


决策支持/增强(如深度神经网络)将占2018年全球人工智能衍生商业价值的36%,超越人工智能技术支持的基本类型产品所衍生的全球商业价值。到2022年,决策支持/增强将超越其它全部类型的人工智能项目,占全球人工智能衍生商业价值的44%。


Lovelock先生认为:“深度神经网络帮助企业机构对数量庞大且不易进行量化或分类的数据库进行数据挖掘,同时也是模式识别、创建对复杂输入进行分类且能够支持传统编程系统的工具。如此一来,决策支持/增强算法就可以直接处理以前需要人类分类员才能处理的信息。这些直接处理信息的能力对企业机构实现决策和互动过程自动化的能力会产生巨大影响。这种新型自动化水平提升不仅能够降低成本与风险,还能通过更好的微定位(microtargeting)、细分(segmentation)、市场营销(marketing)和销售(selling)来增加收入。”


 通过替代呼叫中心、帮助台和其它服务人员执行简单请求与任务,而将比较复杂的问题交给人类工作人员去处理,虚拟代理(virtual agents)能帮助企业机构降低人力成本。通过成为金融服务行业的机器顾问(roboadvisor)或客户服务中心的销售,虚拟代理还能够增加公司收入。作为虚拟员工助理(virtual employee assistants),虚拟代理可以承担日程安排、时间规划以及其它行政任务,从而让人类员工能够有时间从事更高附加价值的工作,并减少对人类助理的需求。代理业务在2018年将占全球人工智能衍生商业价值的46%。而随着人工智能其它类型的产品与服务逐渐成熟,2022年代理业务的占比将下降至26%。


决策自动化系统(decision automation systems)可以使用人工智能来自动化任务或优化业务流程。在将语音转换为文本或反过来将文本转换为语音、识别与处理手写内容或图像以及对常规系统无法访问的其它丰富材料内容进行分类等方面,人工智能尤其有用。由于非结构化数据(unstructured data)和模糊性(ambiguity)是企业数据的常见特征,决策自动化在其不断成熟的过程中将为企业机构带来巨大的商业价值。目前,决策自动化仅占2018年全球人工智能衍生商业价值的2%,但到2022年将增长至16%。


2018年,智能产品占全球人工智能衍生商业价值的18%,但随着其它深度神经网络技术支持的系统类型逐渐成熟并超过智能产品在商业价值中的占比,到2022年,智能产品占比将缩减至14%。智能产品通常以云系统的形式使用人工智能技术。云系统可以收集来自多个系统和互动的用户偏好数据,了解用户及其偏好,实现更佳的个性化用户体验并推动用户参与。


未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能,互联网和脑科学交叉研究机构。


未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

640?wx_fmt=jpeg

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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