人工智能的技术、资源及基础建设日渐成熟,无论是大型企业还是商场等公共场所都在策略性的往人工智能方向发展,人工智能越来越体现出他的商业价值。什么是人工智能?​人工智能的潜能有多大?一起往下看:

什么是人工智能?人工智能的潜能有多大?

  要真正理解如何充分的应用AI,我们可以先从定义、趋势、以及应用面开始着手,在逐步地探讨到导入策略,以了解企业于部署、发展、并规模化组织于AI之应用该如何执行。

  许多领域对于人工智能的定义与见解都不大相同,但核心层面的定义是一样的。 AI的意思是用程式的方式达到人类需要运用智慧才能完成的事情。

  传统的程式是用一系列的指令以及规範来让整个程式运作,例如一个计算机,他的Input如数字、以及加减乘除等的运算子,都是被规範好的,而这导致这个程式无法处理没有被定义的新变数。所以若我们想要此程式处理其他问题,工程师就必须更新指令以处理新的变数。

  同样的,深度学习、强化学习等技术也是具备着庞大潜能,一份研究更是指出较为先进的AI技术有着每年产出3.5兆~5.8兆的潜能。而当前于物件侦测、自然语言处理、以及图像辨识等等技术的突破,都是重度依赖着深度学习与其他较为先进的AI模型之发展。

  机器学习(Machine Learning)​

  机器学习,一种人工智能的技术,不同于传统程式,机器学习是通过处理并学习庞大的数据后,利用归纳推理的方式来解决问题,所以当新的数据出现,机器学习模型即能更新自己对于这个世界的理解,并改变他对于塬本问题的认知。

  简单来说,假设现在有一个人对于美丑没有概念,那么你把他带到一群人面前,并指着其中一个说是美、一个是丑、另一个是美等等…随着这位本无审美观的人看到更多资讯后,他也会开始对审美这个观念有一定的想法。 而关键在于,数据的量一定要足够大且数据的质一定要好,才能让机器学习模型更好的判断问题的答案。

  虽然神经网路的技术早在数十年前就被研发出来了,但当时的环境不仅数据匮乏,运算速度以及成本都导致深度学习无法成功带进商业环境。然而随着运算速度大幅的提升、运算成本大幅的降低、以及演算法变得更加成熟,如深度学习一般的技术也开始被频繁的应用在商业环境中。

  强化学习(Reinforcement Learning)

  强化学习同样为机器学习的分支之一,为一种透过奖励机制以及惩罚机制的方式,训练演算法模型的方法。 也就是说,当演算法做了我们所期望之行为时,我们就会透过奖励的方式,明示演算法做更多如此行为,反之亦然。 而我们评估演算法在执行每一个任务的有效性的方式,即是透过观察其分数(被奖励之多寡)来衡量。

  强化学习的应用面非常广泛,从自动驾驶的轨迹优化、路径规划、运动规划,或是透过用户行为回馈而建立的新闻推荐模型,一直到行销与销售以及NLP等。

  集成学习(Ensemble Learning)​

  集成学习是为了降低模型偏见、变数、以及提高准确度而根据不同种类的数据,在各个阶段应用不同的机器学习演算法来训练模型的演算法。 集成学习在数据非常复杂,或是有多种潜在的假设时非常实用,因为它能够根据不同的假设建立模型,以定义出更明确的方向。

  然而,即便人工智能乘载着如此庞大的商业潜能,多数组织依然无法全面的发挥出AI的潜能。其原因无不外乎就是四项:

  1.缺乏有效的数据基础建设以获取乾净、充足、且具商业价值之数据

  2.数据科学家、 AI工程师、以及相关数据技术人才于劳动市场上的短缺

  3.组织与团队成员出于对AI的不理解,而导致对于AI导入的阻力

  4.缺少策略性的部署与专案发展过程中的变革管理,而致使AI导入之专案失去了动能。

  那么,看完这篇文章相信你已经了解什么是人工智能?人工智能的潜能有多大了吧。人工智能都能够为组织带来庞大的商业价值。 MGI更是于一次2018年的研究中指出,倘若70%的组织採纳部分AI技术,而50%的大型组织全面採纳AI技术,在2030时,人工智能 (包括机器学习) 将能够给全球GDP带来另外13兆美金的潜能。