人工智能现状和建立标准的必要性:Syed Husain 访谈实录
作者:The Open Group
人工智能(AI) 拥有广阔的发展前景,目前被炒得相当火热。虽然机器学习和认知计算都取得了重大进展,但AI 的大部分实践应用仍处于萌芽之中。正因为这样,此时才是开发AI 标准的最佳时机,这有助于及时解决一些已经发现的问题,比如潜在偏见和道德质疑,从而最大限度地发挥其商业价值。
Syed Husain是埃森哲的企业架构经理,他在2018 年4 月举办的The Open Group 伦敦大会上探讨了这些话题。在这场意义深刻的对话中,我们与Husain 讨论了AI 的现状、AI 的最终前景以及AI 标准可能会为这项新兴技术带来的价值。
您如何定义人工智能?
从对行业运转方式的影响来看,人工智能(AI) 可以分为三大类。其中最常用的便是机器学习。这是一项不断地从人机交互中学习并自我改善的技术,包括监督学习、无监督学习和强化学习三个领域。从企业的角度来看,您可以借此利用所掌握的特定数据或解释这些数据的技能,超越竞争对手而获得战略优势。这也是机器学习的独特战略优势。
此外还有认知计算,它实际上是机器学习的另一个元素。认知计算基本上是一个重复利用他人解决方案的过程,旨在让您的整个流程变得更智能。例如,您可以在聊天机器人服务通道中使用Alexa,在AI 的加持下提高竞争力。认知计算能够降低客户服务方面的成本,并通过创新融合到您的流程中。但是鉴于它的易操作性,任何人都可以轻易试水,因此无法为您带来真正的差异化优势。
第三类是RPA,即机器人流程自动化。这是一项可以将当前流程自动化的技术,但它具有很大的争议性(对于其是否属于AI,业内各执一词),并且只能简单用于削减成本,而无法带来任何实际的战略优势。
人们常说的AI 大致就是以上三种。
AI 的发展由来已久,却似乎总是处于突破的边缘,迟迟未见有实际成果。AI 的现状如何?
AI 技术经历了两次“寒冬期”。每次当我们以为会出现转机时,结果都会以失望告终。第一次是在上个世纪50 年代中期,研究人员们信心满满:“我们将会在一周内攻克AI”,但我们最终等来的却是,“别担心,我们马上搞定了”。你看,60 年过去了,我们仍然无解。
但好在我们有图灵测试。艾伦·图灵指出,如果您无法辨别被测试者是机器还是人,那么这台机器就通过了测试,并被认为具有人工智能。与以往不同的是,我们现在有了辅助工具,可以帮助企业和个人释放AI 的价值。我们有数据、有处理能力,但称不上有新算法,因为业内使用的算法已经存在很长时间了。但这些算法一直在通过不同的方式进行升级和修复,并经历了多次应用实验和改良。所以,AI 目前是得益于其周边辅助技术的进步。
任何技术都有利弊,AI 也不例外——它有哪些潜在优势?
逻辑上来说,AI 能够使您的产品策划和定制达到前所未有的水平。例如,我们可以根据您的偏好,创造一部您一定会喜爱并且只有您才喜爱的电影,并让您心甘情愿地掏腰包。这就是AI 的潜力所在。AI 的产品定制水平可以细化到个人级别,这不仅是因为它拥有大量的个人数据,还在于它具备支持量身定制的高级能力。这是AI 的最终潜力所在。
往复杂了说,AI 今天做的就是分析数据并创建程序,不需要你去操心编写程序。而往简单了说,它又只是一堆if/then语句。
从某种程度上来说,一切都量身定制有什么好处? 如果都像您刚才提到的电影例子那样,《星球大战》或《黑豹》就会失去一些共性,也就无法引起社会的共鸣和思考,是不是有点过犹不及了?
这个问题问得好。有些娱乐是专供个人享受的,所以如果这种体验变得个性化,个人享受就会最大化。在面向大众的教育领域中,您可以针对每个人的潜力进行批量定制。举例来说,我擅长在实践中学习,如果学校对我因材施教,老师根据我的理解能力调整讲课节奏,简单的一带而过,复杂的深入浅出,那我必将获益匪浅。这种定制也同样适用于医疗等其他领域。当然,在娱乐领域我们也不否认共享体验的价值:纷说《黑豹》引起的共情,畅谈《权力的游戏》中詹姆·兰尼斯特的驭龙之举,都不失为一种乐趣。
为什么很多企业都对AI 无从下手?
一方面是这项技术太年轻了,企业难以找到合适的人才。另一方面,从AI 当前的实力来看,它所做的工作并不够惊艳,比如重新设计业务流程等,而这无疑是在重复数字化的工作。AI 尚未发展成熟,人们却期待它能够一鸣惊人,结果自然不如人意。AI 有更好的用武之地,您需要挖掘到它的闪光点并运用到业务流程中,这才是它的正确打开方式。我们以Alexa 为例,Alexa 目前已经拥有数百万名用户,如果您希望开通新的客户沟通渠道,则不妨利用这一点优势,让工作变得更简单、更高效。但是很多企业还没有到达这一步,因此AI 从炒作到落地还有很长的路要走。
为什么?
一方面很多公司甚至还没有经历数字化转型,另一方面,我们调查过的很多公司都在边缘试探,也就是说只有一些部门在尝试性地使用AI。但实际上只有形成一定的产业化方法,并在整个公司内全面实施时,AI 才能释放真正的价值。建立AI 卓越中心是一种不错的选择,即通过卓越中心找到AI 与产品和服务的契合点,并输送回企业价值流中。Google 和Facebook 已经完成这方面的布局。这需要大量的资金投入。
但最大的挑战在于缺乏自上而下的管理承诺。在《点球成金》一书中,比利·比恩凭借新颖的管理、充分的信任、坚定的承诺和强大的分析能力带领奥克兰运动家球队逆境夺冠。他们所用的数据存在已久,早在上个世纪四五十年代就有公开发表的棒球数据了,但没有得到任何人的重视。这些统计数据并不复杂,却被荒置了这么久,这是为什么呢?其实人们并非没有分析这些数据,只是棒球组织不愿为得出的结论买账,或者在实施上没有得到管理层的支持。
现在到处都在宣传AI 能够颠覆工作方式,更有AI 抢人饭碗之说,您怎么看?
颠覆是必然的,并且已经发生在眼前了。无人驾驶汽车就是一个开端,将对劳动力市场造成重大影响。顺着这个方向发展,它的极端就是类似于《星际迷航》中的世界,人人各尽所能、各取所需,共享共产主义经济。如果机器学习发展到极端,大众人工智能诞生,并因掌握了充分和完美的数据流而控制着一切,那么可能就没有人类的立足之地了。但这些都不切实际。
其实,当公司解雇的员工超过一定限度时,政府可能会重新分配财富,调整最低基本薪资,为或失业或在职的人们提供生活保障。这是大量人口失业产生的一种可能,历史上这种现象并不在少数,就像如今没有电报工人一样。人们需要重新接受教育,为当今不受用但未来大有前景的增值活动做准备;政府必须要加以干预和调控,向采用大规模自动化流程的企业加强征税力度,然后将这部分资金应用到重新教育和生活保障中——当然这只是一个例子。
很多人还认为AI 存在道德问题,其中哪些比较常见?
Target 能够利用女性购物模式数据预测其怀孕情况,并曾经让一位少女的父母知道了她的怀孕秘密,这个例子您听说过吧?这是技术超出人类理解和推断能力的一个典型例子,这种现象也将变得越来越多。
AI 在三个方面受到了道德质疑。首先,训练机器学习模型的数据可能会有所偏差。例如,如果您总是做出涉嫌种族歧视的决策,那么当您使用这些数据训练机器学习模型时,机器也会被调教成种族主义分子。一个有名的例子就是微软Tay 聊天机器人,它在短短三个小时的聊天时间内就曝出了有关种族歧视、性别歧视和种族灭绝的言论。种瓜得瓜,种豆得豆,输入的数据质量不好,机器也会误入歧途。
这是一方面。其次,解决方案的实施可能无法做到公平公正。例如,如果您的所有机器学习解决方案都是通过移动应用开发的,那么不使用移动应用的特定阶层人群就无法享受这些解决方案;而如果您使用的数据来自非移动应用环境,那么毫无疑问又有大部分人与其失之交臂,成为被歧视的对象。例如,Google 注意到女性较少收到高薪招聘广告,甚至这些广告直接不向女性显示,于是他们根据这些数据和方法在解决方案中排除了女性。
最后一点来自于您训练模型时使用的算法。如果您使用个体模型代替整体模型,那么模型本身的世界观就会存在偏见。
如何克服这些偏见?
业内为此频出高招,其中有一点强调对机器学习决策的解释。欧洲颁布了《一般数据保护条例》(GDPR),首次在法律上探讨了机器学习算法应该具备向人类解释的能力,因此人们开始反复实验如何使用机器学习算法向人类解释机器学习决策。现在已经有这样算法诞生了。使用机器学习向人类解释机器学习,这听起来很不可思议,创意是有了,但实现起来却是任重道远。
您在The Open Group 伦敦大会上探讨了标准可帮助克服AI 面临的一些挑战,能再具体说说吗?
以数据偏见为例,我们应该就如何检查数据是否存在偏差或偏见而设定标准。这些标准可能会提供一些工具,并在检查数据之后给出反馈,比如“您是否知道您的数据没有考虑女性?您的样本完全是男性。”全面盘查数据,指出不确定变量,这是一种非常可行的方法。
此外,我们还可以建立标准化流程。即使流程不理想,也总比没有强,因为我们还可以查漏补缺,逐渐完善。但如今的机器学习方法似乎比较随意,基本上是先尽力而为,再检查机器学习的数据协议,然后由数据科学家通宵达旦整合模型,最终投入生产环境。
公司如何利用AI 取得成功?
方法有很多,仔细想一下,认知解决方案还是比较好上手的。它涉及的因素比较简单,包括文本到语音、光学字符辨识、语音到文本、声音到文本等。此外还有很多API 支持进行自然语言处理,帮助您从文本中提取主题和情绪,这些并不难实施,至少比以前简单多了。例如,Google、Amazon 和IBM 的云服务都提供了API,您调用之后便会返回特定大小文本的主题,它会告诉您主题背后的情绪。这样您在企业内实施机器学习就简单多了。
一个比较有趣的用例是对客户数据进行主题和情绪分析,以了解客户对公司和产品的不满之处和不满程度。例如,如果客户表示“你们的抵押贷款流程太差了,但客服部的Lisa 还不错”,那么公司的短板和长处便一目了然。
反洗钱和欺诈检测领域也有很多例子,很多公司的认知计算都成为了打击犯罪的利器。最有趣的是,有一位朋友告诉我,他们发现经常买健怡可乐的人不太实施欺诈犯罪,经常买七喜的人却更可能产生欺诈行为。更令人惊讶的是,他们从未在爱买的豆腐的人身上发现这种犯罪记录。