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
在数据工作的全流程中,数据清洗是最基础、最耗时,同时也是最关键的核心环节,无论后续是做常规数据分析、可视化报表,还是开展 ...
2026-03-20在大数据与数据驱动决策的当下,“数据分析”与“数据挖掘”是高频出现的两个核心概念,也是很多职场人、入门学习者容易混淆的术 ...
2026-03-20在CDA(Certified Data Analyst)数据分析师的全流程工作闭环中,统计制图是连接严谨统计分析与高效业务沟通的关键纽带,更是CDA ...
2026-03-20在MySQL数据库优化中,分区表是处理海量数据的核心手段——通过将大表按分区键(如时间、地域、ID范围)分割为多个独立的小分区 ...
2026-03-19在商业智能与数据可视化领域,同比、环比增长率是分析数据变化趋势的核心指标——同比(YoY)聚焦“长期趋势”,通过当前周期与 ...
2026-03-19在数据分析与建模领域,流传着一句行业共识:“数据决定上限,特征决定下限”。对CDA(Certified Data Analyst)数据分析师而言 ...
2026-03-19机器学习算法工程的核心价值,在于将理论算法转化为可落地、可复用、高可靠的工程化解决方案,解决实际业务中的痛点问题。不同于 ...
2026-03-18在动态系统状态估计与目标跟踪领域,高精度、高鲁棒性的状态感知是机器人导航、自动驾驶、工业控制、目标检测等场景的核心需求。 ...
2026-03-18“垃圾数据进,垃圾结果出”,这是数据分析领域的黄金法则,更是CDA(Certified Data Analyst)数据分析师日常工作中时刻恪守的 ...
2026-03-18在机器学习建模中,决策树模型因其结构直观、易于理解、无需复杂数据预处理等优势,成为分类与回归任务的首选工具之一。而变量重 ...
2026-03-17在数据分析中,卡方检验是一类基于卡方分布的假设检验方法,核心用于分析分类变量之间的关联关系或实际观测分布与理论期望分布的 ...
2026-03-17在数字化转型的浪潮中,企业积累的数据日益庞大且分散——用户数据散落在注册系统、APP日志、客服记录中,订单数据分散在交易平 ...
2026-03-17在数字化时代,数据分析已成为企业决策、业务优化、增长突破的核心支撑,从数据仓库搭建(如维度表与事实表的设计)、数据采集清 ...
2026-03-16在数据仓库建设、数据分析(尤其是用户行为分析、业务指标分析)的实践中,维度表与事实表是两大核心组件,二者相互依存、缺一不 ...
2026-03-16数据是CDA(Certified Data Analyst)数据分析师开展一切工作的核心载体,而数据读取作为数据生命周期的关键环节,是连接原始数 ...
2026-03-16在用户行为分析实践中,很多从业者会陷入一个核心误区:过度关注“当前数据的分析结果”,却忽视了结果的“泛化能力”——即分析 ...
2026-03-13在数字经济时代,用户的每一次点击、浏览、停留、转化,都在传递着真实的需求信号。用户行为分析,本质上是通过收集、整理、挖掘 ...
2026-03-13在金融、零售、互联网等数据密集型行业,量化策略已成为企业挖掘商业价值、提升决策效率、控制经营风险的核心工具。而CDA(Certi ...
2026-03-13在机器学习建模体系中,随机森林作为集成学习的经典算法,凭借高精度、抗过拟合、适配多场景、可解释性强的核心优势,成为分类、 ...
2026-03-12在机器学习建模过程中,“哪些特征对预测结果影响最大?”“如何筛选核心特征、剔除冗余信息?”是从业者最常面临的核心问题。随 ...
2026-03-12