“新一代人工智能的‘良性循環(huán)’建立在幾個關(guān)鍵的市場層面之上。忽視潛在轉(zhuǎn)變級 AI 的風(fēng)險超過了快速、早期失敗的風(fēng)險?！薄狵enneth F. Brant，Tom Austin
Gartner認(rèn)為，人工智能要創(chuàng)造商業(yè)價值，并不需要以人類的形式存在或者進行創(chuàng)建。企業(yè)完全可以通過清晰可識別的虛擬和/或機器形式部署現(xiàn)代人工智能，以增強人類的智慧，從而代替人類執(zhí)行多種專業(yè)、有限范圍和常規(guī)領(lǐng)域知識等工作。
然而，企業(yè)也必須有清醒的認(rèn)識，伴隨著固有的失敗、挫折和新興技術(shù)典型的“泡沫破裂”等一系列“狀況”，對于人工智能相關(guān)的前沿技術(shù)的應(yīng)用是存在一定“風(fēng)險”的，因此，在制定和實施AI計劃前，了解具體技術(shù)的發(fā)展階段和應(yīng)用場景，將變得更加重要。
為此，在7月份，Gartner發(fā)布了2017年人工智能技術(shù)成熟度曲線圖，希望能夠幫助那些有數(shù)字業(yè)務(wù)和物聯(lián)網(wǎng)(IoT)計劃的企業(yè)的CIO及其他IT負(fù)責(zé)人，了解 AI 技術(shù)的范圍、狀態(tài)、價值和風(fēng)險。
該報告中所列出的 AI 技術(shù)中，有41%是轉(zhuǎn)變級技術(shù)，另有 44%是高效益技術(shù)；87%位于泡沫破裂低谷期之前或之中，并且預(yù)計到2022年以后，雖然54%的技術(shù)還無法達(dá)到成熟度，但已經(jīng)可以為消費市場提供可靠的生產(chǎn)力。
▲ 2017 年人工智能技術(shù)成熟度曲線
▲ 2017 年人工智能優(yōu)先矩陣圖
從上圖中我們看到，絕大多數(shù)的人工智能技術(shù)在主流業(yè)務(wù)部署方面仍然不成熟，并且具有一定風(fēng)險。而為了提高企業(yè)效益或?qū)⒓夹g(shù)轉(zhuǎn)化為實在的收益，企業(yè)可以先從成熟度較高的技術(shù)入手，成為人工智能技術(shù)的“早期采用者”。
根據(jù)到達(dá)成熟期所需時間，具體的人工智能技術(shù)表現(xiàn)情況如下：
?2年內(nèi)到達(dá)成熟期
語音識別
集成學(xué)習(xí)
?2-5年到達(dá)成熟期
虛擬現(xiàn)實
GPU加速器
虛擬客戶助理
消費類智能家電
學(xué)習(xí)BPO
認(rèn)知專家顧問
FPGA加速器
預(yù)測分析
商業(yè)UAV（無人機）
智能APP
機器學(xué)習(xí)
深度學(xué)習(xí)
深度神經(jīng)網(wǎng)絡(luò)ASIC
自然語言生成
AI相關(guān)的C&SI服務(wù)
?5-10年到達(dá)成熟期
知識管理工具
增強現(xiàn)實
計算機視覺
認(rèn)知計算
自然語言處理(NLP)
虛擬助理
規(guī)范分析
圖譜分析
智能機器人
3級自動駕駛汽車
數(shù)字倫理
會話用戶界面
機器人
神經(jīng)形態(tài)硬件
深度強化學(xué)習(xí)
用于IT運營（AIOps）平臺的人工智能
算法市場
?10年以上
4級自動駕駛汽車
自動駕駛汽車
人工通用智能
人機回圈眾包
由此，從現(xiàn)階段來看，企業(yè)至少可以在5年內(nèi)將AI應(yīng)用于：加強與客戶、合作伙伴和員工的自動化互動；加強視頻和音頻的實時分析和改進響應(yīng)：增強機械、汽車和結(jié)構(gòu)的功能和“智能價值”；深化軟件的能力，實現(xiàn)以人類速度(或更快)改進性能和成果。
篇幅所限，科技行者挑選出了其中的八大技術(shù)做簡單概述，《2017 年人工智能技術(shù)成熟度曲線》完整報告大家可以通過以下方式下載：關(guān)注科技行者公眾號（itechwalker），并打開對話界面，回復(fù)關(guān)鍵詞“Gartner報告”，即可獲得下載地址。
語音識別
將人類語言翻譯成文本以進行進一步處理的技術(shù)。
現(xiàn)狀及采用速度說明:語音識別的性能在去年得到了快速提高。在研究層面上，諸如 IBM、微軟、谷歌、亞馬遜和百度這樣的重量級企業(yè)在2016-2017年都取得了非常大的進展。尤其是深度學(xué)習(xí)技術(shù)如卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNNs)以及使用連接時序分類(CTC)Loss(由百度支持)等端到端神經(jīng)體系結(jié)構(gòu)的應(yīng)用，大大提升了語音識別技術(shù)的水平和準(zhǔn)確性，并減少了模型訓(xùn)練的時間。微軟和谷歌的相關(guān)產(chǎn)品語音識別的錯誤率為4.8%，而人類的錯誤率為4.9%。 在商業(yè)應(yīng)用方面，技術(shù)在特定的細(xì)分領(lǐng)域如轉(zhuǎn)錄放射科醫(yī)師對醫(yī)學(xué)圖像的解讀中，成功率要高于消費者使用領(lǐng)域。
應(yīng)用場景:
支持用戶 消費類電子產(chǎn)品提供商應(yīng)考慮使用智能家居和汽車的語音識別服務(wù)，可以授權(quán)技術(shù)對自己的設(shè)備進行在線/離線操作，或使用云服務(wù)來豐富其設(shè)備和服務(wù)的經(jīng)驗和狀態(tài)。
支持客戶 電話和聯(lián)絡(luò)中心應(yīng)用程序的語音識別使企業(yè)能夠自動化呼叫中心功能，例如旅行預(yù) 訂、訂單狀態(tài)檢查、票務(wù)、股票交易、呼叫路由選擇、目錄服務(wù)、自動總機和姓名撥號。
支持員工 現(xiàn)有的企業(yè)應(yīng)用程序開發(fā)人員應(yīng)該考慮使用語音識別和自然語言輸入，作為簡化 UI 并 提高生產(chǎn)力的方法。高聚集區(qū)工作場所中的一個用例體現(xiàn)在會議記錄時，此時內(nèi)部對話或銷售電話將被自動采集，同時自動跟蹤所有行為和見解。
集成學(xué)習(xí)
集成技術(shù)是機器學(xué)習(xí)算法，通過使用某種規(guī)則把各個學(xué)習(xí)結(jié)果進行整合從而獲得比單個學(xué)習(xí)器更好的學(xué)習(xí)效果。
現(xiàn)狀及采用速度說明:集成技術(shù)最近已經(jīng)得到了廣泛的應(yīng)用。許多重要的數(shù)據(jù)科學(xué)供應(yīng)商都將這項技術(shù)作為其投資組合的一部分提供給客戶。對于數(shù)據(jù)科學(xué)家來說，集體學(xué)習(xí)也已經(jīng)成為一種廣泛的可行方法，這項技術(shù)將很快達(dá)到生產(chǎn)成熟期。
應(yīng)用建議:即使對一個中等技能的數(shù)據(jù)科學(xué)專業(yè)人士來說，集成技術(shù)也相對比較容易應(yīng)用于高精度場景，它們通常能夠降低 5%至 30%的誤差率。另外，對于那些難以找到最適合模型的全新項目來說，集成學(xué)習(xí)尤其有價值。
然而，需要注意的是集成技術(shù)的部署可能會對當(dāng)前基礎(chǔ)設(shè)施造成計算負(fù)擔(dān)。在受監(jiān)管的行業(yè)中，預(yù)測模型必須是完全可解釋和透明的，因此可能無法使用集成技術(shù)。
虛擬現(xiàn)實
虛擬現(xiàn)實(VR)提供的是一個計算機生成的3D環(huán)境，通常是通過沉浸式頭戴式顯示器（HMD）以自然的方式對用戶行為作出響應(yīng)。
現(xiàn)狀及采用速度說明:沉浸式VR應(yīng)用程序比其他類型的圖形模擬更為先進，到達(dá)成熟期的時間為五到十年。通常使用HMD來實現(xiàn)VR體驗，目前市場上為大家所熟知的設(shè)備有Oculus Rift、索尼PlayStation VR、Valve/HTC Vive、三星 Gear VR 和谷歌 Cardboard。對于企業(yè)使用來說，VR 已經(jīng)足夠成熟， 但仍需要謹(jǐn)慎，因為雖然設(shè)備具備所需功能，但是 VR 系統(tǒng)的成功取決于用戶體驗或 app 的質(zhì)量。大多數(shù)消費者將 VR 設(shè)備用于玩視頻游戲或觀看視頻。VR 正在進入成熟期，用戶手中已經(jīng)有大量設(shè)備，但是互動或使用量仍然較小。
應(yīng)用場景:
復(fù)雜的模擬和訓(xùn)練應(yīng)用
軍事模擬和訓(xùn)練，如飛行模擬器
臨場感場景，如遠(yuǎn)程醫(yī)療
設(shè)備操作員培訓(xùn)
娛樂和社交體驗，如視頻游戲或360度環(huán)繞視頻或互動電影
產(chǎn)品營銷延伸到品牌互動或產(chǎn)品設(shè)計中
結(jié)構(gòu)化走查和科學(xué)可視化，如基因組映射
建模，如石油行業(yè)的地質(zhì)建模
GPU加速器
GPU 加速計算被定義為同時使用圖形處理單元(GPU)和CPU，加快高度并行的計算密集型工作負(fù)載部分的速度的加速器。
現(xiàn)狀及采用速度說明:一般來說，大多數(shù)計算優(yōu)化的 GPU 均具有高密度的浮點單元和高級內(nèi)存技術(shù))。對于許多高度并行的計算密集型應(yīng)用來說，這些功能可以帶來巨大的性能效率。目前，可以使用 GPU 的計算密集型應(yīng)用包括分子動力學(xué)、計算流體動力學(xué)、財務(wù)建模、地理空間應(yīng)用等，其在技術(shù)成熟度曲線上的位置已經(jīng)調(diào)整到“穩(wěn)步爬升復(fù)蘇期”。
應(yīng)用建議：并不是所有的GPU加速計算解決方案都一樣。使用者可以通過以下方式使用GPU解決方案，從而加快兼容應(yīng)用程序的速度:
選擇提供最成熟軟件堆棧的 GPU 計算平臺；
通過確保對核心應(yīng)用的支持，最大限度的降低風(fēng)險；
通過評估用于POC和原型階段的云托管GPU環(huán)境來優(yōu)化基礎(chǔ)設(shè)施成本。
總而言之，當(dāng)應(yīng)用程序需要極高性能并具有高度計算并行性(例如多種高性能計算和深度學(xué)習(xí)應(yīng)用程序等)時，使用者就應(yīng)該使用 GPU 加速器。
FPGA加速器
FPGA加速器是一種基于服務(wù)器的、可重構(gòu)的計算加速器，通過實現(xiàn)可編程硬件級應(yīng)用程序加速來提供極高的性能。
現(xiàn)狀及采用速度說明: 數(shù)據(jù)中心將FPGA應(yīng)用于有限范圍的場景中，例如高頻交易(HFT)、超大規(guī)模搜索和DNA測序等等。通過能夠降低使用FPGA所需時間和技能的新框架(如OpenCL)的幫助，F(xiàn)PGA的應(yīng)用正在變得越來越容易。目前，F(xiàn)PGA在數(shù)據(jù)中心的最大成長機遇是深度學(xué)習(xí)工作負(fù)載的推論部分。鑒于這種新的應(yīng)用場景和周邊軟件生態(tài)系統(tǒng)不斷演化的性質(zhì)，F(xiàn)PGA 加速器的發(fā)展已經(jīng)進入“泡沫破裂低谷期”。
應(yīng)用建議:與同類商品技術(shù)相比，F(xiàn)PGA 加速器可以在更小的能耗范圍內(nèi)實現(xiàn)顯著的性能提升。但使用者還需要從以下方面評估 FPGA 加速器的適用性: 識別使用FPGA能夠影響的應(yīng)用程序子集；列出技能和編程挑戰(zhàn)的相關(guān)成本；利用基于云的FPGA服務(wù)來加快發(fā)展。
應(yīng)用場景：
存在有助于大幅度轉(zhuǎn)變關(guān)鍵工作負(fù)載的預(yù)配置解決方案(例如金融交易分析、基因組測序等)；
算法將不斷發(fā)展，這需要頻繁更新硅芯片，以便用于更廣泛的應(yīng)用程序中(例如微軟Project Catapult)。
機器學(xué)習(xí)
機器學(xué)習(xí)是是一門多領(lǐng)域交叉學(xué)科，是從一系列觀察結(jié)果中提取出某些類型特征的知識和模式。機器學(xué)習(xí)有三個主要的分支學(xué)科，包括有監(jiān)督學(xué)習(xí)，其中觀察結(jié)果包含輸入/輸出數(shù)據(jù) (也稱為“標(biāo)記數(shù)據(jù)”);無監(jiān)督學(xué)習(xí)(將標(biāo)簽省略);強化學(xué)習(xí)(給出評估情況好壞程度的結(jié)果)。
現(xiàn)狀及采用速度說明:機器學(xué)習(xí)是目前最熱門的技術(shù)概念之一。其中涉及到深度神經(jīng)網(wǎng)絡(luò)的機器學(xué)習(xí)分支稱為深度學(xué)習(xí)（下文會做介紹），正在受到越來越多的關(guān)注。由于不斷增長的數(shù)據(jù)量和復(fù)雜性，傳統(tǒng)的方法對于數(shù)據(jù)的處理越來越“無能為力“。因此，可以說未來如果沒有機器學(xué)習(xí)，交通、能源、醫(yī)藥和制造業(yè)等的發(fā)展將受到極大的阻礙。
應(yīng)用建議：
使用者可以從對預(yù)期結(jié)果達(dá)成共識的簡單業(yè)務(wù)問題開始，逐步走向復(fù)雜的業(yè)務(wù)場景；
培養(yǎng)機器學(xué)習(xí)所需的人才，并且與大學(xué)和思想領(lǐng)袖合作，從而緊跟數(shù)據(jù)科學(xué)快速變化的發(fā)展速度；
評估機器學(xué)習(xí)的功能及其對多種場景的潛在業(yè)務(wù)影響——從流程改進到新服務(wù)和產(chǎn)品的開發(fā)；
對已經(jīng)開展的具有強大機器學(xué)習(xí)組件的計劃進行跟蹤，例如客戶評分、數(shù)據(jù)庫營銷、客戶流失管理、質(zhì)量控制和預(yù)測性維護，通過最佳實踐的交互影響來促進機器學(xué)習(xí)算法的不斷成熟。監(jiān)測您可能參與的其他機器學(xué)習(xí)計劃，以及您的同行正在做什么；
組建一個(虛擬)團隊，將機器學(xué)習(xí)用例進行優(yōu)先級排序，并構(gòu)建一個管理流程，將最有價值的用例推廣到生產(chǎn)中；
通過調(diào)整機器學(xué)習(xí)的數(shù)據(jù)管理和信息治理，將數(shù)據(jù)作為機器學(xué)習(xí)的動力。數(shù)據(jù)是您獨一無二的競爭優(yōu)勢。雖然機器學(xué)習(xí)算法的選擇相當(dāng)有限，但是數(shù)據(jù)源豐富并且這是一 項良好的長期投資。
深度學(xué)習(xí)
深度學(xué)習(xí)是機器學(xué)習(xí)中一種基于對數(shù)據(jù)進行表征學(xué)習(xí)的方法。觀測值（例如一幅圖像）可以使用多種方式來表示，如每個像素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區(qū)域等。而使用某些特定的表示方法更容易從實例中學(xué)習(xí)任務(wù)（例如，人臉識別或面部表情識別）。
現(xiàn)狀及采用速度說明:數(shù)以千計的供應(yīng)商正在探索深度學(xué)習(xí)在諸如計算機視覺、會話系統(tǒng)和生物信息學(xué)等領(lǐng)域的適用性。研究人員正在持續(xù)發(fā)布關(guān)于這個主題的新論文，谷歌、蘋果、微軟、Facebook 和百度等重量級企業(yè)正在不斷增加深度學(xué)習(xí)的研發(fā)。這使得深度學(xué)習(xí)功能在數(shù)據(jù)科學(xué)平臺中越來越易于使用，預(yù)計到 2018年，將會成為80%數(shù)據(jù)科學(xué)家工具箱中的標(biāo)準(zhǔn)組件，同時，其商業(yè)化也正在全面展開。
應(yīng)用建議:數(shù)據(jù)和分析領(lǐng)導(dǎo)者應(yīng)該重新審視之前與文本、圖像、視頻和語音分析相關(guān)的棘手“認(rèn)知”問題，以及涉及復(fù)雜數(shù)據(jù)的問題。
適應(yīng)深度學(xué)習(xí)的快速發(fā)展 大多數(shù)主要DNN（深度神經(jīng)網(wǎng)絡(luò)）變體已經(jīng)取得成功，包括圖像和語音識別的卷積神經(jīng)網(wǎng)絡(luò)、自然語言處理和翻譯的循環(huán)神經(jīng)網(wǎng)絡(luò)，以及用于生物信息學(xué)的自動編碼器等。通過使用基于云的服務(wù)進行實驗，例如面部識別、語言翻譯、會話系統(tǒng)、語音搜索和超參數(shù)調(diào)優(yōu)等，可以使用經(jīng)過特定領(lǐng)域訓(xùn)練的DNN的打包應(yīng)用程序——例如確保精準(zhǔn)有效的醫(yī)學(xué)治療。
將深度學(xué)習(xí)算法中的數(shù)據(jù)作為長期投資的重點 有效數(shù)據(jù)的價值將隨著時間的推移而不斷增長。但需要說明的是，到目前為止，雖然使用監(jiān)督或半監(jiān)督學(xué)習(xí)已經(jīng)取得了一些成果，但DNN并不能從任何類型的數(shù)據(jù)中通過無監(jiān)督學(xué)習(xí)解決問題。
自然語言生成（NLG）
自然語言生成是是自然語言處理（NLP）的分支，是研究使計算機具有人一樣的表達(dá)和寫作的功能，能夠?qū)⒆匀徽Z言處理與機器學(xué)習(xí)和人工智能(AI)相結(jié)合，以動態(tài)識別數(shù)據(jù) (趨勢、關(guān)系、相關(guān)性)中最相關(guān)的見解和情境。
現(xiàn)狀及采用速度說明:文本分析側(cè)重于從文本數(shù)據(jù)中推導(dǎo)出分析見解，反之，NLG則是通過將分析輸出與情境化敘述相結(jié)合來合成文本內(nèi)容。盡管仍處于采用的早期階段，但NLG正在有效的減少進行可重復(fù)分析所需的時間和成本，例如運營和監(jiān)管報告、金融服務(wù)部門的收益報告、政府部門的財務(wù)報表和天氣預(yù)報、以及廣告部門的個性化信息。NLG與現(xiàn)代商業(yè)智能(BI)及數(shù)據(jù)科學(xué)平臺的結(jié)合，將成為促進市場增長的最有潛力的應(yīng)用之一，而易于配置和多語言支持將是NLG廣泛應(yīng)用的必要條件。
應(yīng)用建議：
將NLG與現(xiàn)有的BI和及數(shù)據(jù)科學(xué)計劃相集成，或探索新興的增強數(shù)據(jù)發(fā)現(xiàn)工具，將NLG嵌入到自動數(shù)據(jù)準(zhǔn)備和模式檢測中；
依據(jù)業(yè)務(wù)成果的一致性，評估企業(yè)在業(yè)務(wù)、用戶、訪問等高級分析方面的就緒度；
監(jiān)測BI及數(shù)據(jù)科學(xué)平臺的NLG功能和路線圖；
了解解決方案的成熟度和可擴展性，特別是在以下方面:集成和易用性、前期設(shè)置/配置要求、數(shù)據(jù)準(zhǔn)備要求、平臺的自學(xué)習(xí)功能、可分析的數(shù)據(jù)類型、支持的語言范圍、支持的算法類型、單個 圖表或跨儀表板的敘述程度、以及結(jié)果和敘述的準(zhǔn)確性；
了解與多語言用戶場景相關(guān)的潛在缺點，并在術(shù)語、語氣和專業(yè)本體方面對行業(yè)特定的用例進行仔細(xì)考慮；
需要認(rèn)識到，NLG 可能對政府組織很有吸引力，這些組織會要求企業(yè)的BI和分析解決方案符合政府的相關(guān)政策。
聯(lián)系客服
