京公网安备 11010802034615号
经营许可证编号:京B2-20210330
作者 | Daniel Newman
编译 | 张大笔茹
来源|网络大数据
4 Growing Enterprise AI Trends: Where Are We Now And Where Are We Going?
人工智能比传统的工业自动化和数据处理更牛吗?
答案是肯定的!现在一些诸如图像识别、自然语言处理等AI基本功能已经发展成熟,随着研究的不断深入,AI将来一定会变得越来越强大,能实现的功能也越来越多。
根据麦肯锡预计,到2030年GDP的增长中将会有13万亿美元是来自AI,AI会影响到零售、旅游、交通、物流、医疗、制造业等各个方面,吴恩达也呼吁,企业要设立CAIO(首席人工智能官)。
那现在的人工智能在企业的应用现状如何呢?将来会有怎样的发展?近日,福布斯的一份报道总结了人工智能在企业的四个应用方面和发展趋势,快跟文摘菌一起看看吧。
趋势1:AI必然会超越传统分析
大多数公司已经开始使用一些常见的人工智能功能,而且用户们也基本满意。其中包括个性化定制(个性化广告、电子邮件、自动文本等)和精准营销(您在Spotify,Netflix或亚马逊购物卡等应用上看到的那些推荐)以及其他的营销技术,现在广泛使用的功能是适用于任何规模的企业的。
许多技术也比较成熟了:其中最重要的是机器人流程自动化(RPA)。RPA是AI的初级成果,它即智能又简单。RPA侧重于自动化一个流程,而不是整个企业的垂直流程。
RPA虽然为公司节省了大量的时间和金钱,但尚未达到一定规模。有许多公司最近才刚开始使用RPA技术,而积累一定用户的公司已经开始着手开始进一步流程优化了。
现在既然许多公司已经掌握了基础知识,早期尝到甜头的公司就会想走得更远。他们越来越多地关注AI和ML驱动的预测分析,即企业从数据(特别是实时数据)中提取更多的有价值的信息,甚至利用这些信息做出决策。对知识图谱的理解也更加深入,人工智能可以根据大量数据分析出我们从未想到过的结果。
趋势2:企业使用AI还是会有一定门槛
事实上,目前企业完成人工智能项目还是有难度的。许多公司的项目要么超期,要么需要花很多时间来建立相应的系统,Pactera技术公司最近的一份报告反映了Gartner之前报道的问题:85%的企业AI项目无法如期交付。
Dimensional Research最近发布的另一份报告显示,在人工智能和机器学习方面,每10家企业就有8个表示这他们的AI项目是停滞不前的,而96%的人表示他们在数据质量、数据分类和建模的置信度上遇到了问题。即使像IBM,Uber和亚马逊这样的高科技巨头也不得不在面临巨大的挑战时放弃一些数百万美元的大项目。
这时候是否还要坚持下去呢?其实大可不必!目前对于在AI项目中什么该做,什么不该做已经有足够的总结经验了。一些常见的误区有:起始目标不明确,太多数据(或不当使用数据),使用错误算法,交付成果的周期过长(应该在工作过程中实时检查,保持平衡)。
趋势3:交互性和人性化更强
随着强化学习领域技术的重大进步,人工智能能够通过完成特定目标获得反馈,AI开始变得有“意识”起来。它开始以一种类似人类的但奇怪的方式思考,这也意味着它也有能力开始工作了。人工智能似乎已经到了无限趋近人类的三岔口。
AI正在朝着能够流畅地与人类对话这个目标迈进,初创公司和技术领导者都在争夺聊天机器人,它们不仅能回答问题,而且还具有先进的推理功能。谷歌,微软,亚马逊和IBM都想在会话式人工智能方面取得进步,让AI学会人性化的沟通,就是说人工智能可以根据场景的变化灵活应变。
会话式人工智能的实现需要有力的后端支撑—比如说更强大的硬件。这使得像英特尔这样的公司开始研发用专用推理芯片,以及开发他们声称可以加快计算机深度学习推理过程的DL boost技术。GPU也是竞争越来越激烈,传统上专注于训练的GPU也变得越来越有推断能力,上周NVIDIA公布了一项会话式AI,展示了GPU如何通过推理,实现延迟更短、更自然、更人性化的对话体验。
趋势4:道德问题始终会是个问号
随着人工智能确实变得更加人性化,企业也开始意识到使用,如果AI使用不当会产生严重后果,不仅仅是失业问题,AI算法会是在“不经意间”建立的,且是有偏见的。例如,白人男性写的用于招募的AI软件可能“意外地”选择白人男性作为高度匹配的应聘特征,或者在人脸识别上更多的关注白人。
特别是像IBM这样的公司,他们不仅使用人工智招聘,还用它评价员工的工作表现。你会信任一个机器人来评判你的工作表现吗?来决定你是否应该加薪?这公平吗?
未来,会有更多的与AI相关的道德规范出台。例如,甲骨文建立了一个道德委员会来讨论公平性、问责制和算法的透明度等问题。
IBM也正在研究“可解释的AI”,Microsoft制定了使用聊天机器人责任的指导原则(例如,公司应始终提醒客户他们正在与机器人而不是人进行通信,并提醒他们注意限制)。
由于担心隐私泄露的道德问题,有的城市停止使用人工智能程序面部识别功能,亚马逊也因为同样的原因叫停了员工监控跟踪AI。
人们开始明白虽然人工智能力量强大,现在相互提取或处理的数据类型是没有限制的。但我们必须回答的问题是:应该这样做吗?
展望未来,公司应制定合理的人工智能的发展路线,并且建立例行审计制度来确保他们的人工智能在管理员的掌控之下。这个过程也许会伴随着无休止的辩论:它在哪些方面进行了优化?是否会取代人类?如何对其进行监管以及道德风控等。人工智能的未来令人兴奋,与此同时,这或许也是一个疯狂的旅程。
但是有一点是确定的,那就是人工智能时代已经到来!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析实战中,我们经常会遇到“多指标冗余”的问题——比如分析企业经营状况时,需同时关注营收、利润、负债率、周转率等十 ...
2026-02-04在数据分析场景中,基准比是衡量指标表现、评估业务成效、对比个体/群体差异的核心工具,广泛应用于绩效评估、业务监控、竞品对 ...
2026-02-04业务数据分析是企业日常运营的核心支撑,其核心价值在于将零散的业务数据转化为可落地的业务洞察,破解运营痛点、优化业务流程、 ...
2026-02-04在信贷业务中,违约率是衡量信贷资产质量、把控信用风险、制定风控策略的核心指标,其统计分布特征直接决定了风险定价的合理性、 ...
2026-02-03在数字化业务迭代中,AB测试已成为验证产品优化、策略调整、运营活动效果的核心工具。但多数业务场景中,单纯的“AB组差异对比” ...
2026-02-03企业战略决策的科学性,决定了其长远发展的格局与竞争力。战略分析方法作为一套系统化、专业化的思维工具,为企业研判行业趋势、 ...
2026-02-03在统计调查与数据分析中,抽样方法分为简单随机抽样与复杂抽样两大类。简单随机抽样因样本均匀、计算简便,是基础的抽样方式,但 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27