Enable javascript in your browser for better experience. Need to know to enable it? Go here.

视角一:与人工智能合作

 

机器学习 (ML) 和人工智能 (AI) 仍备受各行各业青睐。从日常操作流程的自动化,到强化战略决策,我们看到很多案例都在加速采用这两种技术。通过更好地理解人类和机器各自的优势与局限性,企业可以在员工和人工智能之间建立平衡且高效的合作关系,在留意潜在道德影响的同时,从新兴技术中获得最大价值。

 

科技棱镜趋势分析

 

要真正与AI 合作,我们不能将其视为解决所有企业问题的工具。相反,我们必须了解它在哪些方面表现出色,在哪些方面需要借助人力来发挥其潜力,以及在哪些方面不见成效。

 

一些企业问题完全可通过应用AI 自动化处理或决策,例如那些需要利用历史数据或快速数据闭环的问题。然而,对于其他问题,尤其是那些需要创造力、直觉和较慢的战略反馈循环的问题,AI 的角色最好被用于增强人类的才能。

 

AI 支持的技术日益普及,触及我们生活的更多领域,我们需要从道德角度考虑其影响。这推动了各种研究与工具支持可解释的人工智能(XAI)和更稳健的治理流程,包括自动化合规。

 

相关预兆信号包括:

 

  • 对AI 研究和应用的投资持续激增。研究公司 IDC 估计,到 2024 年,全球 AI 市场有望突破 5,000 亿美元

  • 就业市场对ML、AI 和数据专家的需求持续高涨。根据领英的数据,AI 专家是 2020 年增长最快的工作类别,而 Glassdoor 则将数据科学家列为 2021 年美国第二大最佳职业

  • ML/AI 初创企业、专业产品、IPO 和收购的增长速度加快。2021 年 10 月,英国公司 Exscientia 在纳斯达克上市,估值 30 亿美元。Exscientia 开世界之先河,将三种AI 设计的药物投入第一阶段的人体测试

  • 现有工作和角色正在发生变化。世界经济论坛估计,到 2025 年,由于人类和机器之间劳动分工的转变,8,500 万个工作岗位将被机器取代,同时可能出现 9,700 万个新的工作角色。

  • 对于AI 产生意外后果的情况,公众的认识日益提高。例如,由于隐私问题,面部识别技术一再被媒体诟病,而且有人发现 Twitter 的图像裁剪AI 中也存在种族偏见。尽管如此,人们担心未来十年内依然难以建立AI 设计的伦理规范。

 

机会

 

大多数企业都明白,通过将重复而单调的数据处理任务自动化能够提高员工的生产力。这可以从根本上改变甚至消除某些工作,但也会创造新的工作岗位,促使人们转向需要判断力和创造力的高价值活动。可以受益于自动化的领域主要包括动态定价、推荐系统、异常检测和供应链优化。

 

在其他情况下,通过人类和机器在角色上结合或互补,AI/ML 的增强也将使人类的工作受益。这种情况主要用于解决需要创造力、直觉、经验和整体思维的问题。其中涉及一些重要的战略决策,例如“我们接下来应该销售哪款产品?”或“我们如何实现净零排放?”这类决策并不需要频繁进行,但可受益于机器辅助模拟和探究不同结果,甚至产生创意供人类评估。这方面的例子包括人工智能先行(AI-first)的药物或产品开发,以及用于规划气候变化等复杂场景的动态模拟。

 

所有这些应用都展示了 AI 如何在整个组织中创造价值:即改善内部运作、提供更优商业决策,以及所有能够促进产品创新和提升客户体验的方式。

Landscape view of Oslo with city lights and cloudy purple sky Landscape view of Oslo with city lights and cloudy purple sky

我们所看到的当前形势

Forenom 是一家快速发展的服务式公寓提供商,在斯堪的纳维亚所有主要城市提供数千间客房。每年有逾20 万名房客入住 Forenom。其收入管理团队不得不耗费大量时间,来更新旧系统中的价格。为提高运营效率,最大限度地提高单间客房收入,我们用在线强化学习模型取代了旧的定价系统以实现动态的定价策略。此 AI解决方案带来了 13% 的收入增长,并证明了运营决策自动化可带来显著的业务成果。
Whisky distillery factory equipment in copper color and blurred background Whisky distillery factory equipment in copper color and blurred background

我们所看到的当前形势

我们还看到了利用计算创造力进行产品研发,成功与 AI 合作的一个案例。我们与瑞典酿酒厂 Mackmyra 合作,利用机器学习创造了数百种不同的配方,供人类调酒师选择投产,最终推出了首款由 AI 创造的威士忌 Intelligens。这并非为了取代人类调酒师,而是为了助力他们探索一切可能。此款威士忌由 AI 提出创意,但由人工负责决策。Intelligens 获得了众多奖项,包括“美国蒸馏协会金奖”、“国际最佳麦芽威士忌”,以及享誉世界的“ADC 产品设计银立方奖”。

前三个值得关注的趋势

 

采纳

 

运营化AI——在许多企业,AI 和 ML 的普及正在从试验转为生产环境,并与客户的距离越来越近。除了培养训练、部署和监控机器学习系统(如机器学习的持续交付)的技术能力外,还需要考虑一些流程和运营问题。首先,部署 AI 和 ML 的治理过程需要考虑审计、可解释性、伦理、偏见和公平问题。其次,一旦 AI 和 ML 解决方案发布,业务部门要有意愿去接受AI 并且做好了准备去使用AI 解决方案,这可能需要进行变革管理——特别是当一些岗位受到影响时。

 

分析

 

在线机器学习——机器学习模型通常采用不会随着时间演变的静态数据集,以离线批处理活动的形式进行训练。当数据本身快速变化时,则更需要增加模型再训练的频率。借助在线机器学习技术,各种解决方案能够基于源源不断的数据进行持续学习。强化学习就是此类技术的一个例子,它较少依赖于历史数据,目前已应用于内容布局、个性化和动态定价等领域。



预测

 

机器学习的因果推断——许多机器学习技术通过寻找变量之间的相关性,使用统计方法来进行学习。当推理数据与训练数据相差无几时,这种方法效果显著。然而,相关性并不等同于因果关系。因果推理研究的是在输入数据和结果之间得出因果关系的技术。如果机器学习模型能够学习因果关系,就会变得更加普遍适用,并且用更少的训练数据就能表现很好。我们开始看到,有研究试图将因果推理导向型机器学习应用于现实问题,尤其是在医疗诊断的场景中。

值得关注的趋势:完整矩阵

采纳
当前存在的技术,正在业界得到充分利用。
  • 自然语言处理
  • 人工智能即服务
  • 机器学习的持续交付
  • 测试机器学习算法和应用程序
  • 运营化AI
  • 机器学习平台
分析
受到关注的技术,但依赖不同行业和应用场景。
  • 计算机视觉
  • 道德框架
  • 边缘终端上的机器学习/人工智能
  • 可解释的人工智能
  • 平台企业
  • 去中心化数据平台
  • 在线机器学习
  • 企业背景下的合成媒体
预测
成熟度欠缺的技术,可能在未来几年产生重大影响。
  • 软件道德规范
  • 智慧城市
  • 监控技术
  • 人工智能市场
  • 自主机器人
  • 自动驾驶汽车

对采纳者的建议

 

 

  • 了解何时使用自动化与增强功能。AI 和 ML 可以完全实现某些流程或职责工作的自动化,而对于有些流程或职责工作,AI和ML可以辅助人类做出更好的决策,了解其中的差异至关重要。

 

  • 采用综合措施实现运营化AI 的试验。要部署 AI/ML 解决方案,就需要考虑企业所需执行的采用准备和变更管理,并构建强大的技术和治理流程。
 
  • 考虑 AI/ML 的伦理影响,自始至终认真履行职责。AI 和 ML 正在扩展到复杂和敏感的领域,如融资、量刑和医疗诊断,这类决策的影响可能会产生意想不到的后果。尽早考虑所有潜在的影响,发现并评估各种问题,以免为时已晚。
 
  • 让员工为角色变化做好准备。AI 可能影响到员工的工作,不要低估为这类员工提供支持和赋能所需进行的努力。自动化可以使员工腾出手来执行更高层次的任务,而 AI/ML 增强功能可助力他们提高工作效率。制定清晰的过渡和职业发展计划,帮助他们成长和发展。
 
  • 谨慎选择您的 KPI。了解您试图使用 AI 和 ML 来实现的指标;衡量当前流程以获取您的起始基线;并使用 KPI 来评估AI 和 ML 是否实实在在带来了商业利益。有了适当的基准,即使某个 AI/ML 方法不起作用,也可以尝试不同的技术,以达到预期的结果。
 
  • 投资执行稳健的数据治理和数据管理实践。  AI/ML 技术仍然需要访问数据,如果您的数据是孤立的、难以访问的,那么进展将非常艰难。考虑组织中的数据所有权情况,因为在现有组织结构和架构无法鼓励各个团队生成数据并共享其数据资源的情况下,往往会出现数据质量问题。

 

 

到 2023 年,企业将…

…我们需要了解的是:AI 的艺术不是尝试从历史数据中挖掘价值,而是通过与世界互动来创造新数据和洞察力。
Jarno Kartela
Thoughtworks 人工智能咨询业务线全球负责人

下载完整报告