本文主要分为上下两部分，（上）部分主要介绍一下企业内部什么时候需要引入AI技术（这里的AI技术泛指机器学习、深度学习、NLP、视觉、语音、推荐等），（下）部分主要介绍一下在引入这些AI技术之后的一些情况和企业的技术方向发展。
（上）部分
数据积累
当一个产品是以内容为主的时候，必然会积累大量的数据，在这个数据为王的时代，有了数据当前要进行分析、挖掘，然后产出更多的商业价值。这个时候必然需要引入AI技术。
但在数据积累前期，产品、分析、挖掘等更多是基于「规则」进行的。人们总结出一些规则，然后利用编程让计算机自动的去执行这些规则。基于规则的好处是：人们知道在什么的数据条件下，会产出什么样的数据结果，一切皆可判断，可以解释。
当然一些规则会逐渐演变成可解释的、简单机器学习模型，比如KNN、K-Means、贝叶斯等。但是基于规则的方法，很难甚至无法总结出有效的规则。这个时候规则就要退场，并逐渐切换到AI技术。AI技术的最底层的根基便是数据，如果没有数据，何谈AI。
「基于数据」的方法简单说就是:从海量数据中找规律，这些规律是很抽象的，并不能总 结成具象的规则。比如:
- 给机器看海量的猫和狗的照片，它就具备了「区分猫和狗」的能力
- 给机器海量的中英文对照文章，它就具备了「中英文翻译」的能力
- 给机器海量的文章，它甚至可以具备「写文章」的能力
基于数据的好处是：只要有足够多的优质数据，那么机器就能学会某些技能，数据越多， 能力越强。
但是基于数据的方法也有明显的弊端：机器只能告诉你「是什么」，但是无法告诉你「为什么」。这就是模型的不可解释性。表现最突出的就是神经网络相关的算法模型。
上边说了有了数据的时候需要考虑引入AI，但并不仅仅是一些杂乱无章的数据，我们考虑的是数据的四大要素：
特征
首先我们要理解什么是特征？比如当听到一个人说着一口流利的东北话，我们就知道他可能来自东北，当看到一个人的头发短、卷，肤色全黑，但牙齿十分洁白，我们就可以猜测他来自非洲。但一个人说着东北话 却不一定是东北人，可能他在东北上学，一个人符合非洲人的特征，也有可能是个混血儿。
上面这个例子其实想要说明两点：
-
1、AI技术模型的一般流程
-
2、特征是AI算法模型的关键（当我们想要使用一个算法去评估一个结果时，简单几个特征是不够的，我们需要引入更多的特征，同时特征本身的不确定性也对结果有很大的影响）
- 特征少+确定性弱：适合人工解决
- 特征少+确定性强：适合规则解决
- 特征多+确定性强：适合规则解决
- 特征多+确定性弱:「可以考虑」 AI 解决
但其实还有很多其他因素:成本、⻛险、是否可测量…这里不做考虑，否则太复杂了
模型的不可解释性
在「数据积累」中，提到了模型的不可解释性。不可解释的模型只会告诉你结果「是什么」，而不会告诉你「为什么」会产出这个结果。当我们的不可解释模型中出现badcase时，我们并不能轻易的找到为什么会出现这个问题的原因？同样通常也不能对症下药，因为我们的修改和优化都是针对模型整体而言的。
因此在考虑是否使用不可解释模型去解决一些问题时，需要考虑：
- 是否需要解释
- 是否可容忍
我们先从这2个⻆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。 |
再来看一些人力和AI结合的案例
| 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「鉴⻩师」，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：
所以在评估是否引入不可解释的AI技术时，有下面三个准则：
- 1、解决方案越需要解释背后的原因，越不适合用深度学习
- 2、对错误的容忍度越低，越不适合使用深度学习
- 3、上面2条并非绝对判断标准，还需要看商业价值和性价比，自动驾驶和医疗就是反例。
（下）篇——引入AI后的情况
首先需要明确的是引入AI后并不代表其他劳动可以缺失，AI只是整个内容生产、运营链条中的一环而已，不能凡事都交给AI。
这里插播一个笑话：我经常会听到一些说，AI不是很厉害吗，那xxxx不能用AI解决吗？
是呀，AI技术是能够挖掘和创造一些价值，但AI也并不是万能的。我们要对AI树立正确的态度，合理利用AI技术，继而带来更大的产业价值。
没有任何事情是一蹴而就的，引入AI并不是马上要见到成效。通常的做法应该是这样的：
在产品中无论引入什么技术，我们最终需要追求的就是创造价值。只不过规则时代能够创造的价值是有限的，而引入AI技术之后，潜能是巨大的。
技术在企业发展中的过程中主要有两大原则：
- 1、为企业创造可见的价值（如营收、用户）
- 2、竖立企业技术品牌，扩大其影响力
2 是建立在1的基础上的，毕竟只有企业生存下来了，才有资格去谈技术品牌和影响力。所以这也就促进了员工在工作期间，不仅要完成工作的内容，同样也要不断学习新的技术，扩展自己的知识面和技术实力。当然如果一个人的目标不是技术，那无可厚非，做自己喜欢的事情就好。
所以一个企业的技术肯定是要不断进步和演化的，不可能固守在规则为王或者简单的可解释算法模型时期，需要引入更加先进的技术，因为其潜在的能创造的价值是无限的。
这才引入AI技术后，企业技术发展的正确方向。
扫一扫关注「搜索与推荐Wiki」！号主「专注于搜索和推荐系统，以系列分享为主，持续打造精品内容！」
扫一扫
899
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
