跳转到主要内容

商业价值、培训数据和文化准备对于人工智能的成功至关重要。 如果没有这三者,传统的解决方案是您最好的选择。

人工智能的采用正在上升。根据麦肯锡最近的一项调查,55% 的公司在至少一项功能中使用人工智能,27% 的公司将至少 5% 的息税前利润归因于人工智能,其中大部分以节省成本的形式。

由于人工智能将极大地改变它所涉及的几乎所有行业,因此供应商和企业正在寻找机会在任何地方部署人工智能也就不足为奇了。但并不是每个项目都能从人工智能中受益,试图不恰当地应用人工智能不仅会耗费时间和金钱,还会让员工、客户和企业领导在未来的人工智能项目上感到不满。


确定一个项目是否适合人工智能的关键因素是商业价值、培训数据的可用性和文化变革的准备程度。以下是如何在您涉足人工智能成为沉没成本之前确保这些标准符合您提议的 AI 项目的方法。

从最简单的解决方案开始


比萨连锁店 Domino's 的数据科学和人工智能经理 Zack Fragoso 说,数据科学家尤其倾向于采用人工智能优先的方法,该公司在全球 90 多个国家/地区拥有 18,000 多个地点。但是你不能在任何地方都应用人工智能。

尽管是一项非常传统的业务,多米诺骨牌一直在拥抱变化——尤其是在大流行期间。客户现在有 13 种数字方式订购比萨饼,该公司在 2020 年通过数字订购渠道产生了超过 70% 的销售额。这为兑现人工智能的承诺提供了很多机会。

Fragoso 说,Domino 应用 AI 的关键在于采用简单的方法。 “归根结底,简单的解决方案运行速度更快,性能更好,我们可以向我们的业务合作伙伴解释,”他说。 “可解释性是其中很大一部分——人们越了解我们使用的工具和方法,就越容易获得采用。”

方法本身很简单:如果有需要解决的业务问题,Domino's 会寻找最简单、最传统的解决方案,然后,“如果我们从那里往上走,模型的性能就需要增值,”弗拉戈索说。

例如,预测烹饪披萨并将其放入盒子中需要多长时间很简单。 “我们从我们的运筹学中得出了这一点。你可以插入烤箱时间,”他说。但他补充说,有些问题只能通过人工智能来解决,比如那些需要图像识别或自然语言处理的问题。

例如,去年,达美乐推出了一项忠诚度计划,奖励顾客吃比萨——任何比萨,任何比萨制造商的比萨。 “我们使用数百万张不同种类比萨的图片构建了一个比萨分类器,并将其放入应用程序中,”弗拉戈索说。

该项目提供了两种商业价值。首先,它增强了客户体验,他说。其次,它创建了一组比萨图像,然后公司用这些图像来检测比萨的质量和温度。 “这是一个非常棒的全方位人工智能项目,”他说。

Fragoso 说,Domino 进行的一个更实用的 AI 项目是一个旨在提高其比萨跟踪器准确性的预测器,因为客户想知道什么时候来商店取餐,或者预计什么时候送达。他说,将机器学习添加到 Domino 的披萨跟踪器的传统 if-then 编码中,准确度提高了 100%。

在构建模型时,Domino 坚持其最简单的原则。 “第一次迭代是一个简单的回归模型,”他说。 “这让我们很接近。然后是决策树模型,我们可以在其中查看更多方面。然后我们实际上转向了神经网络,因为我们可以捕获一些与决策树中相同的变量,但神经网络可以更快地产生答案。我们希望我们在网站上的客户体验非常快。”

Genpact 的首席数字官 Sanjay Srivastava 说,机器学习有一个地方,特别是当一家公司希望建立基于经验不断改进的流程时。但有时所需要的只是一个简单的相关性,这可以从基本的统计建模中获得。

“与围绕它建立一个完整的 MLOps 团队相比,围绕随机森林和其他统计工具包的十年历史实践可以更快、更便宜地为您提供答案,”Srivastava 说。 “你必须知道何时回归到更简单、更有效的现有技术。”

他说,人工智能经常被提出解决方案但通常过度杀伤的一个常见领域是聊天机器人,他说:“在某些情况下,这是有道理的。但是在 90% 的情况下,您知道将要提出的问题,因为您可以查看过去三年中提出的问题,并且您知道每个问题的答案。事实证明,90% 的聊天机器人可以通过简单的问答对侥幸逃脱。”

历史数据:人工智能预测未来结果的关键


任何有限的数据集都可以拟合到曲线上。例如,您可以采用前几年的中奖彩票号码,并提出一个可以完美预测它们的模型。但该模型仍然无法更好地预测未来的奖金,因为基本机制是完全随机的。

COVID-19 大流行是现实生活中发生这种情况的一个典型例子。例如,无法预测封锁将导致工厂停工的地方。因此,根据麦肯锡的人工智能状况调查,公司在许多领域看到的收入增长有所下降。

例如,去年有 73% 的受访者看到战略和企业融资方面的收入增加,而今年只有 67%。这种差异在供应链管理方面更为明显。去年,72% 的企业在这一领域实现了收入增长,但今年只有 54%。

“人工智能或机器学习的基本特征是你使用历史来提供信息,”Axiom Consulting Partners 收入增长实践的合伙人 Donncha Carroll 说。 “你被历史所束缚,被束缚,被戴上手铐。人工智能在历史可能重演的情况下是很好的——你可以接受历史重演。”

例如,他说,他的一些客户已经尝试使用人工智能来预测未来的收入。但通常,收入受到无法预测、无法控制以及公司没有任何数据的因素的影响。如果其中一些因素对结果有外部影响,它可能会破坏整个模型。

“那么选择人工智能就没有意义了,”他说。 “你是否打算在一个解决方案上投资数十万美元,只要改变一个变量就可以立即变得无关紧要吗?”

他说,人工智能仍然可以在这里发挥作用,帮助模拟各种场景,或者呈现在其他情况下可能不明显的洞察力。 “如果你的关注点更窄,你成功的可能性就会增加。”

如果人工智能的存在改变了系统的行为,人工智能也会失败。例如,如果人工智能被用来过滤仇恨言论,人们很快就会了解人工智能寻找什么模式和词,以便他们通过过滤器。

“世界上最优秀的人才一直在努力解决这些问题,但他们没有成功,”卡罗尔说。

Kearney 的合伙人 Bharath Thota 曾与一家市值超过 300 亿美元的全球消费品和商品集团合作。首席财务官领导团队希望更好地了解企业集团的财务指标,以便了解其增长是否上升和下降。现有流程是他们在报告期结束后 30 天获得报告的 PDF。

数据科学团队应用人工智能来预测数字的样子。 “他们的意图很好,”Thota 说。 “他们想为领导层提供未来主义的观点。”

他们犯的错误在于他们输入算法的财务数据。输入这些数据的金融分析师必须做出很多假设,因此数据集最终包含许多个人偏见。

“领导层很兴奋,”Thota 说。 “他们有一些面向前方的东西,而不是面向后视的东西。但是当季度结束时,他们回顾了这些预测,结果完全错了。”

整个项目耗时数月,Thota 说。 “他们必须弄清楚如何构建这个东西,做架构,研究人工智能平台,让一切协同工作。”

他说,当这样的项目失败时,人们就会对人工智能失去兴趣和信心。对于这家特定的公司,解决方案只是为 CFO 领导团队建立一个财务仪表板,在他们需要时为他们提供所需的指标。

最终,Thota 说,也使用了一些人工智能,以自然语言生成的形式,以简单的英语语言自动向高管提供对数据的关键见解。

“这是一个能见度问题,”他说。 “而且有一个简单的解决方案可以提供这种可见性。”

数据挑战


大多数人工智能项目都需要数据。好的数据、相关数据、正确标记的数据,并且没有会扭曲结果的偏差。

例如,一家希望让猫远离鸡舍的公司可能会选择安装摄像头和图像识别技术来发现进来的猫。但成功取决于拥有足够的训练集。

Gartner 分析师 Whit Andrews 说:“你需要有很多照片,而且这些照片上需要贴上标签,说明里面是否有猫。”他补充说,收集这些数据既费时又昂贵。收集完所有数据后,公司能否将相同的数据集重用于其他项目?

但是,如果事实证明企业实际上需要知道有多少只猫进入鸡舍呢?然后,图片的原始数据集也需要用每张图片中猫的数量重新标记。

“也许一只猫没那么贵,但一群猫是个问题,”安德鲁斯说。

另外,如果只有一小部分图像包含多只猫,那么获得准确的模型将更加困难。

这种情况在营销应用程序中经常出现,当公司试图将市场细分到数据集变得无限小的程度时。

普华永道合伙人兼全球人工智能负责人 Anand Rao 表示:“我所知道的几乎每家公司都使用细分来定位客户。”

如果他们收集数据并期望将其用于一个目的,而最终将其用于另一个目的,则数据集可能不符合新要求。

例如,如果数据收集的设置使美国每个地区的数据点保持平衡,但业务问题最终是关于非常狭窄的人口群体的需求,那么所有推论都将毫无用处。例如,如果公司对特定年龄段的亚裔美国女性的购买习惯感兴趣,并且样本中只有一对夫妇。

“要非常清楚你想对你的细分做出什么样的决定,”Rao 说。 “尽量确保你所做的抽样既具有代表性,又能抓住你的问题。”

示例问题发生在任何试图预测罕见事件的系统中。例如,如果一家公司正在寻找欺诈行为的示例,那么在包含一百万笔交易的数据集中,有少数已知的欺诈行为——以及相同或更多数量的欺诈交易被遗漏。

“这对推理不是很有用,”Rao 说,并补充说,当公司每天有很多人在执行特定任务时,这种情况经常发生在业务流程自动化中,但没有捕获有关这些任务如何完成的数据,或者没有'没有捕获训练人工智能如何做到这一点所需的正确数据。

“在这些情况下,你应该去建立一个系统来捕获这些信息,”他说。 “然后,几个月后,回来建立模型。”

而对于不需要数据的项目,人工智能并不是正确的选择。例如,一些业务流程,如保险和承保,是基于规则的,Rao 说。 “你可以通过采访专家并汇总传统公式来建立一个基于规则的系统。但如果你可以用规则和脚本来做到这一点,你就不需要人工智能。这将是矫枉过正。”

在这样的项目中使用 AI 可能需要更多时间,并且准确性可能不会更好,或者只是稍微好一点——或者您可能不需要改进的性能。

“所以你不会有投资回报率,因为你把时间花在了一个你本可以解决的问题上,”他说。

一个价值 3 亿美元的人工智能错误


去年 11 月,房地产公司 Zillow 宣布根据其 AI 驱动的 Zillow Offer 服务的推荐,减记其购买的价值 3.04 亿美元的房屋。

该公司可能还需要在下个季度再减记 240 至 2.65 亿美元——除了裁员四分之一的员工。

“在我们经营 Zillow Offer 的短暂任期内,我们经历了一系列非同寻常的事件:全球大流行、房地产市场暂时冻结,然后是供需失衡,导致房价以史无前例,”Zillow 首席执行官 Rich Barton 在与投资者的电话会议上表示。 “我们一直无法准确预测未来的房价。 ......我们可以将这种巨大的波动归咎于外生的黑天鹅事件,根据我们学到的知识调整我们的模型并继续努力。但根据我们迄今为止的经验,假设未来不会发生不可预测的价格预测和中断事件是幼稚的。”

麦肯锡高级合伙人 Tim Fountaine 说,人工智能从过去中学习。 “如果过去没有发生任何事情,那么算法就不可能预测它。”

他补充说,人工智能没有常识。 “一种人工智能算法旨在预测一家以前从未见过火灾的工厂的产量,它不会预测如果发生火灾,产量会直线下降。”

他说,预测房地产价格是人工智能的一个有趣用途。 “但你可以看到每个人都对这种类型的应用程序有点害羞。”

本文:https://cioctocdo.com/how-know-when-ai-right-solution