文 | AI國際站 唐恩

編 | 艾娃

本文由AI國際站 原創(chuàng)出品，未經(jīng)許可，任何渠道、平臺(tái)請勿轉(zhuǎn)載，違者必究。

預(yù)測機(jī)器為人工智能業(yè)務(wù)提供了直觀且急需的介紹,新事物與有效的事物之間存在區(qū)別。您只需要看一下在拉斯維加斯舉行的年度消費(fèi)電子展（CES），就可以發(fā)現(xiàn)我們創(chuàng)造的技術(shù)中有多少?zèng)]有被削減，而是因?yàn)檎也坏接行У纳虡I(yè)模式而被扔進(jìn)了創(chuàng)新的垃圾箱。

哪里人工智能將焉附？機(jī)器學(xué)習(xí)的最新進(jìn)展無疑給人工智能帶來了很多興奮和恐懼。超越人類冠軍的游戲機(jī)器人。一種可在短短幾秒鐘內(nèi)撰寫文章的生成文本的AI?？梢蕴崆皫啄隀z測出癌癥的醫(yī)學(xué)成像算法。這些技術(shù)進(jìn)步中有多少實(shí)際上已成為主流？其中有多少是不必要的炒作？人工智能將如何影響工作？機(jī)器學(xué)習(xí)如何改變公司的商業(yè)模式？

Ajay Agrawal，Joshua Gans和Avi Goldfarb教授在其《預(yù)測機(jī)器：人工智能的簡單經(jīng)濟(jì)學(xué)》一書中回答了這些問題以及許多其他問題，并非常真實(shí)地描繪了機(jī)器學(xué)習(xí)如何適應(yīng)當(dāng)今的經(jīng)濟(jì)。

Prediction machines提供了有關(guān)機(jī)器學(xué)習(xí)以及AI算法提供的預(yù)測的功能和限制的非常易于訪問的高級(jí)概述。這本書是商業(yè)領(lǐng)袖和高管必讀的書。對于想了解創(chuàng)新成果以及他們?nèi)绾蝿?chuàng)造技術(shù)融入更大經(jīng)濟(jì)的工程師和科學(xué)家來說，這也是一項(xiàng)非常有價(jià)值的研究。

這本書包含了大量詳細(xì)而有用的信息，以及有關(guān)機(jī)器學(xué)習(xí)如何改變我們做事方式的示例。

預(yù)測機(jī)的力量

關(guān)于人工智能，機(jī)器學(xué)習(xí)和其他相關(guān)術(shù)語的含義和差異存在許多誤解。關(guān)于AI在人類層面的思維和理解方面的進(jìn)步以及奇異點(diǎn)是否可以達(dá)到的問題，也有許多科學(xué)討論。但是Prediction Machines的作者將AI的當(dāng)前狀態(tài)分解為一個(gè)非常簡單的概念，盡管沒有令人興奮的概念：預(yù)測。他們寫道：“人工智能的新浪潮實(shí)際上并沒有為我們帶來情報(bào)，而是情報(bào)的關(guān)鍵組成部分-預(yù)測。”

機(jī)器學(xué)習(xí)算法的預(yù)測能力仍然是本書的核心概念，并有助于我們了解其在各個(gè)層次上的影響。

預(yù)測機(jī)器：人工智能的簡單經(jīng)濟(jì)學(xué)

什么是預(yù)測？Prediction Machine的作者再次簡化：“預(yù)測是填充缺失信息的過程。預(yù)測會(huì)獲取您擁有的信息（通常稱為“數(shù)據(jù)”），并使用它來生成您沒有的信息。”

即使在最高級(jí)的水平上，大多數(shù)機(jī)器學(xué)習(xí)算法都是可以預(yù)測結(jié)果的數(shù)學(xué)模型：圖像屬于哪一類？將來股票的價(jià)值是多少？貸款申請人違約的可能性是多少？某個(gè)電子郵件的可能答案是什么？

隨著這些預(yù)測變得更加細(xì)化和精確，它們可以為以前不可能或極其困難的應(yīng)用提供支持，例如創(chuàng)建從未存在的人的真實(shí)照片或開發(fā)用于危險(xiǎn)疾病的藥物。

您會(huì)在媒體上聽到很多東西，那就是機(jī)器學(xué)習(xí)及其流行的子集深度學(xué)習(xí)已經(jīng)存在了數(shù)十年。但是，為什么今天機(jī)器學(xué)習(xí)的預(yù)測能力變得如此重要呢？大多數(shù)專家會(huì)告訴您數(shù)據(jù)的可用性，更強(qiáng)大，更便宜的計(jì)算資源在過去幾年中推動(dòng)了深度學(xué)習(xí)的發(fā)展。

預(yù)測機(jī)器的作者將這兩個(gè)前提推得更遠(yuǎn)。“當(dāng)某物的價(jià)格下跌時(shí)，我們會(huì)更多地使用它。他們寫道：“這很簡單，而且現(xiàn)在正在AI中發(fā)生。”正如他們在書中進(jìn)一步解釋的那樣，這是計(jì)算和技術(shù)歷史上一直存在的趨勢。計(jì)算機(jī)降低了算術(shù)的價(jià)格?；ヂ?lián)網(wǎng)減少了分發(fā)，通信和搜索的成本。機(jī)器學(xué)習(xí)降低了預(yù)測的成本，而以前這需要大量的人類認(rèn)知工作和專業(yè)知識(shí)。

Prediction Machines的作者寫道：“將某物減少到純成本的方式可以避免大肆宣傳，盡管這無助于使最新最好的技術(shù)看起來令人興奮。”因此，就當(dāng)今的AI而言，作者寫道：“計(jì)算機(jī)仍然無法思考，因此思想不會(huì)變得便宜。”但是預(yù)測變得非常便宜，這本身就是一個(gè)大問題。

機(jī)器學(xué)習(xí)將如何改變業(yè)務(wù)

廉價(jià)的預(yù)測將通過兩種主要方式改變組織的工作方式。“低級(jí)別的預(yù)測機(jī)器可以減輕人們的預(yù)測任務(wù)，從而節(jié)省成本，”預(yù)測機(jī)器的作者寫道。這意味著放射線醫(yī)生會(huì)在人工神經(jīng)網(wǎng)絡(luò)的幫助下檢查更多的X射線片，幫助臺(tái)操作員使用自然語言處理算法來響應(yīng)更多的客戶查詢，并且借助機(jī)器學(xué)習(xí)算法預(yù)測庫存時(shí)間和庫存量，庫存管理系統(tǒng)可以更有效地工作。 。

作者寫道：“但是在某個(gè)時(shí)候，預(yù)測機(jī)器可能變得如此準(zhǔn)確和可靠，以至于改變了組織的工作方式。”這是一個(gè)示例：Amazon當(dāng)前使用機(jī)器學(xué)習(xí)算法來提出銷售建議。例如，當(dāng)搜索Prediction Machines時(shí)，這家電子商務(wù)巨頭的平臺(tái)使用聚類機(jī)器學(xué)習(xí)算法來顯示我可能會(huì)感興趣的其他書籍的列表。

亞馬遜使用機(jī)器學(xué)習(xí)來提出建議。

希望（對于亞馬遜），這些建議可以說服我購買一本書而不是兩本書。需要明確的是，亞馬遜的建議非常不錯(cuò)。實(shí)際上，我經(jīng)常在亞馬遜上搜索舊書以發(fā)現(xiàn)新的相關(guān)書名。

但是在某些時(shí)候，預(yù)測將變得如此精確，以至于將導(dǎo)致公司業(yè)務(wù)模式的重大轉(zhuǎn)變。目前，亞馬遜使用先購物后發(fā)貨的模式。您在amazon上購買商品，公司會(huì)盡力將購買的商品盡快送到您的家中。

先買后買是另一種商業(yè)模式：亞馬遜使用機(jī)器學(xué)習(xí)來預(yù)測您的需求，然后將其運(yùn)送到您的家中。如果需要這些物品，則購買它們，如果不需要，則由公司承擔(dān)退還費(fèi)用。僅當(dāng)預(yù)測準(zhǔn)確性超過某個(gè)閾值以使其對亞馬遜有利時(shí)，該模型才有效。

機(jī)器學(xué)習(xí)和數(shù)據(jù)的價(jià)值

在學(xué)術(shù)界，大多數(shù)AI研究都專注于創(chuàng)建可以對已建立的數(shù)據(jù)集（例如ImageNet，CLEVR或SQUAD）執(zhí)行任務(wù)的算法。但是在實(shí)際應(yīng)用中，獲得正確的數(shù)據(jù)以訓(xùn)練和維護(hù)機(jī)器學(xué)習(xí)算法時(shí)，還有許多其他細(xì)微差別。

Prediction Machines的作者做了出色的工作，為機(jī)器學(xué)習(xí)算法處理數(shù)據(jù)的經(jīng)濟(jì)學(xué)帶來了神秘化。預(yù)測機(jī)器依賴于數(shù)據(jù)。更多更好的數(shù)據(jù)可以帶來更好的預(yù)測。從經(jīng)濟(jì)角度來講，數(shù)據(jù)是預(yù)測的關(guān)鍵補(bǔ)充。隨著預(yù)測變得越來越便宜，它變得越來越有價(jià)值。

但是他們還強(qiáng)調(diào)，收集質(zhì)量數(shù)據(jù)既昂貴又費(fèi)時(shí)，并且經(jīng)營一家AI公司需要在獲取更多數(shù)據(jù)的利益和獲取數(shù)據(jù)的成本之間進(jìn)行權(quán)衡。統(tǒng)計(jì)學(xué)家和機(jī)器學(xué)習(xí)從業(yè)者都知道，數(shù)據(jù)的規(guī)模收益遞減。當(dāng)您在更多數(shù)據(jù)上訓(xùn)練機(jī)器學(xué)習(xí)算法時(shí)，準(zhǔn)確性提高的速度會(huì)變慢。第三個(gè)數(shù)據(jù)點(diǎn)提供的信息比百分之一百多，后者又比百分之一有用。

作者提醒我們，但是當(dāng)您使用機(jī)器學(xué)習(xí)來開展業(yè)務(wù)時(shí)，情況會(huì)有所不同，因?yàn)閺慕?jīng)濟(jì)角度來看，重要的是從預(yù)測中獲得的價(jià)值。因此，如果更多的數(shù)據(jù)可以改善您的機(jī)器學(xué)習(xí)算法，從而使您在競爭者中脫穎而出（想一想從購物然后運(yùn)輸?shù)竭\(yùn)輸然后購物的轉(zhuǎn)變），那么可能值得投資。

這就是為什么我們看到Facebook和google等技術(shù)巨頭進(jìn)行軍備競賽，以收集可以增強(qiáng)其AI算法的數(shù)據(jù)。商業(yè)領(lǐng)導(dǎo)者還必須了解，本身擁有大量數(shù)據(jù)并不一定會(huì)讓您處于開發(fā)強(qiáng)大的機(jī)器學(xué)習(xí)算法的正確位置。數(shù)據(jù)分為三類：訓(xùn)練，輸入和反饋。您需要全部三個(gè)來為您的業(yè)務(wù)開發(fā)和維護(hù)高效的機(jī)器學(xué)習(xí)模型。

例如，擁有大量歷史銷售記錄可能會(huì)為預(yù)測銷售數(shù)字的機(jī)器學(xué)習(xí)模型構(gòu)成一個(gè)很好的培訓(xùn)數(shù)據(jù)集。但是，要不斷提高模型的性能，還需要獲取新數(shù)據(jù)（輸入）并將新的預(yù)測與實(shí)際客戶行為（反饋）進(jìn)行比較的方法。除了技術(shù)創(chuàng)新外，這還需要一種業(yè)務(wù)策略。

數(shù)據(jù)和預(yù)測機(jī)器是補(bǔ)充。因此，除非有足夠的數(shù)據(jù)來采購或開發(fā)AI，否則其價(jià)值有限。”作者寫道。“如果這些數(shù)據(jù)與其他人在一起，則需要一種策略來獲取它。如果數(shù)據(jù)駐留在獨(dú)家或壟斷提供商的手中，那么您可能會(huì)面臨使該提供商占用您AI的全部價(jià)值的風(fēng)險(xiǎn)。如果數(shù)據(jù)歸競爭對手所有，則可能沒有任何策略值得從競爭對手那里獲取。如果數(shù)據(jù)歸消費(fèi)者所有，則可以交換數(shù)據(jù)以換取更好的產(chǎn)品或更高質(zhì)量的服務(wù)。”

預(yù)測與判斷之間的區(qū)別

Prediction Machines中討論的另一個(gè)關(guān)鍵主題是，在預(yù)測和判斷之間劃清界限，在AI和人類之間分工。預(yù)測不是決定。做出決定需要先對預(yù)測做出判斷，然后采取行動(dòng)。我認(rèn)為這是至關(guān)重要的一點(diǎn)。對于每個(gè)業(yè)務(wù)領(lǐng)導(dǎo)者來說，重要的是要了解機(jī)器學(xué)習(xí)算法的潛力，同時(shí)也要認(rèn)識(shí)到它們的缺點(diǎn)以及需要依靠人工智慧和決策的地方。

隨著機(jī)器預(yù)測逐漸取代人類做出的預(yù)測，人類預(yù)測的價(jià)值將下降。但是關(guān)鍵是，盡管預(yù)測是任何決策的關(guān)鍵組成部分，但它并不是唯一的組成部分。決策的其他要素（判斷，數(shù)據(jù)和行動(dòng)）目前仍牢牢地存在于人類領(lǐng)域。它們是對預(yù)測的補(bǔ)充，這意味著隨著預(yù)測變得便宜，它們的價(jià)值也會(huì)增加。

判斷是一項(xiàng)復(fù)雜的任務(wù)，通常需要常識(shí)和對世界的了解，這是機(jī)器學(xué)習(xí)算法當(dāng)前奮斗的兩個(gè)領(lǐng)域。在許多情況下，人類必須判斷和決定跨越短期和長期的多個(gè)目標(biāo)。他們必須評(píng)估動(dòng)態(tài)情況并評(píng)估權(quán)衡。但是，在不太復(fù)雜的環(huán)境中，可以通過獎(jiǎng)勵(lì)功能工程或硬編碼規(guī)則的實(shí)施來自動(dòng)進(jìn)行判斷和決策。這些是AI分支（例如強(qiáng)化學(xué)習(xí)）可以完全自動(dòng)化任務(wù)的領(lǐng)域。

了解機(jī)器學(xué)習(xí)業(yè)務(wù)模型

如果Prediction Machines強(qiáng)調(diào)了一件事情，那就是運(yùn)營AI業(yè)務(wù)的根本差異和挑戰(zhàn)。許多公司和業(yè)務(wù)領(lǐng)導(dǎo)者都具有經(jīng)典軟件開發(fā)和業(yè)務(wù)的背景。他們需要適應(yīng)管理機(jī)器學(xué)習(xí)模型的開發(fā)和維護(hù)的規(guī)則，并管理隨之而來的獨(dú)特風(fēng)險(xiǎn)。那些適應(yīng)人工智能業(yè)務(wù)的人必將獲得豐厚的回報(bào)。