圖片來源：123RF

在麥肯錫公司的“2022年技術(shù)趨勢(shì)展望”報(bào)告中，應(yīng)用人工智能位居14種最具影響力的技術(shù)趨勢(shì)之首。

目前，應(yīng)用人工智能（也可以稱為“企業(yè)人工智能”）主要是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型在實(shí)際應(yīng)用中的使用。進(jìn)入麥肯錫前14名的一個(gè)密切相關(guān)的趨勢(shì)是“機(jī)器學(xué)習(xí)工業(yè)化”，它指的是MLOps平臺(tái)和其他工具，它們可以更容易地在不同的應(yīng)用程序和環(huán)境中訓(xùn)練、部署、集成和更新ML模型。

麥肯錫的調(diào)查結(jié)果與咨詢和研究公司發(fā)布的類似報(bào)告一致，表明經(jīng)過十年的投資、研究和工具開發(fā)，應(yīng)用人工智能的障礙正在慢慢消失。

大型科技公司通常擁有許多頂尖的機(jī)器學(xué)習(xí)/深度學(xué)習(xí)科學(xué)家和工程師，多年來一直在研究新算法并將其應(yīng)用到他們的產(chǎn)品中。由于麥肯錫報(bào)告中強(qiáng)調(diào)的發(fā)展，更多的組織可以在他們的應(yīng)用程序中采用機(jī)器學(xué)習(xí)模型，并為他們的客戶和用戶帶來好處。

應(yīng)用機(jī)器學(xué)習(xí)的挑戰(zhàn)

近十年來，人們對(duì)人工智能的主流興趣得到了復(fù)蘇和增長，這主要?dú)w功于深度神經(jīng)網(wǎng)絡(luò)在執(zhí)行以前被認(rèn)為超出計(jì)算機(jī)限制的任務(wù)方面的成熟能力。在同一時(shí)期，機(jī)器學(xué)習(xí)研究界在人工智能的一些具有挑戰(zhàn)性的領(lǐng)域取得了令人矚目的進(jìn)展，包括計(jì)算機(jī)視覺和自然語言處理。

由于收集、存儲(chǔ)和訪問不同領(lǐng)域數(shù)據(jù)的能力不斷增強(qiáng)，機(jī)器學(xué)習(xí)的科學(xué)突破在很大程度上成為可能。與此同時(shí)，處理器和云計(jì)算的進(jìn)步使得以以前被認(rèn)為不可能的速度和規(guī)模訓(xùn)練和運(yùn)行神經(jīng)網(wǎng)絡(luò)成為可能。

深度學(xué)習(xí)的一些里程碑式的成就緊隨其后的是宣傳（并且經(jīng)常夸大）當(dāng)代人工智能能力的新聞周期。今天，許多公司試圖將自己標(biāo)榜為“人工智能優(yōu)先”，或者將他們的產(chǎn)品宣傳為使用了最新最好的深度學(xué)習(xí)。

然而，將ML從研究實(shí)驗(yàn)室?guī)У綄?shí)際產(chǎn)品會(huì)帶來一些挑戰(zhàn)，這就是大多數(shù)機(jī)器學(xué)習(xí)策略失敗的原因. 創(chuàng)建和維護(hù)使用機(jī)器學(xué)習(xí)的產(chǎn)品需要與傳??統(tǒng)軟件中使用的不同的基礎(chǔ)架構(gòu)、工具和技能集。組織需要數(shù)據(jù)湖來收集和存儲(chǔ)數(shù)據(jù)，需要數(shù)據(jù)工程師來設(shè)置、維護(hù)和配置數(shù)據(jù)基礎(chǔ)設(shè)施，以便訓(xùn)練和更新ML模型。他們需要數(shù)據(jù)科學(xué)家和ML工程師來準(zhǔn)備為其應(yīng)用程序提供動(dòng)力的數(shù)據(jù)和模型。他們需要分布式計(jì)算專家，這些專家可以使ML模型以時(shí)間和成本高效的方式大規(guī)模運(yùn)行。他們需要能夠使ML系統(tǒng)適應(yīng)他們的業(yè)務(wù)模型的產(chǎn)品經(jīng)理和能夠?qū)L管道集成到他們的產(chǎn)品中的軟件工程師。

企業(yè)AI帶來的數(shù)據(jù)、硬件和人才成本對(duì)于小型組織而言往往過于高昂，無法對(duì)ML戰(zhàn)略進(jìn)行長期投資。

正是在這種背景下，麥肯錫公司報(bào)告的調(diào)查結(jié)果值得研究。

應(yīng)用人工智能的增長

該報(bào)告根據(jù)五個(gè)可量化的指標(biāo)對(duì)技術(shù)趨勢(shì)進(jìn)行排名：搜索引擎查詢、新聞出版物、專利、研究出版物和投資。值得注意的是，這樣的量化指標(biāo)并不總是能最準(zhǔn)確地描繪出趨勢(shì)的相關(guān)性。但是隨著時(shí)間的推移跟蹤它們可以很好地估計(jì)一項(xiàng)技術(shù)如何通過炒作、采用和生產(chǎn)力周期的不同步驟。

麥肯錫通過對(duì)來自20個(gè)不同行業(yè)的專家的調(diào)查和訪談進(jìn)一步證實(shí)了其調(diào)查結(jié)果，從而更好地了解了機(jī)遇和挑戰(zhàn)。

該報(bào)告基于2018-2021年的數(shù)據(jù)，并不能完全解釋資本市場目前正在經(jīng)歷的低迷。根據(jù)調(diào)查結(jié)果，除了“搜索引擎查詢”??類別（這是一個(gè)灰色區(qū)域，因?yàn)槿斯ぶ悄苄g(shù)語和趨勢(shì)在不斷發(fā)展）之外，應(yīng)用人工智能在所有可量化的指標(biāo)中都出現(xiàn)了增長。麥肯錫在2021年以1650億美元的價(jià)格為應(yīng)用人工智能提供了最高的創(chuàng)新分?jǐn)?shù)和前五名的投資分?jǐn)?shù)。

（衡量投資也是非常主觀的，取決于你如何定義“應(yīng)用人工智能”——例如，如果一家獲得巨額資金的公司將機(jī)器學(xué)習(xí)作為其產(chǎn)品的一小部分，它是否算作對(duì)應(yīng)用人工智能的投資?)

在行業(yè)相關(guān)性方面，報(bào)告中提到的部分機(jī)器學(xué)習(xí)應(yīng)用包括推薦引擎（如內(nèi)容推薦、智能追加銷售）、檢測(cè)與預(yù)防（如信用卡欺詐檢測(cè)、客戶投訴建模、疾病早期診斷）等用例、缺陷預(yù)測(cè)）和時(shí)間序列分析（例如，管理價(jià)格波動(dòng)、需求預(yù)測(cè)）。有趣的是，這些是機(jī)器學(xué)習(xí)的一些領(lǐng)域，這些領(lǐng)域的算法已經(jīng)發(fā)展了多年。盡管計(jì)算機(jī)視覺在用例中只提到過一次，但一些應(yīng)用程序可能會(huì)從中受益（例如，文檔掃描、設(shè)備缺陷檢測(cè)）。

該報(bào)告還提到了機(jī)器學(xué)習(xí)的一些更先進(jìn)的領(lǐng)域，例如生成深度學(xué)習(xí)模型（例如，用于自動(dòng)駕駛汽車的模擬引擎、生成化合物）、變壓器模型（例如，藥物發(fā)現(xiàn)）、圖神經(jīng)網(wǎng)絡(luò)和機(jī)器人技術(shù)。

這進(jìn)一步說明了采用應(yīng)用人工智能的主要障礙不是糟糕的機(jī)器學(xué)習(xí)算法，而是缺乏工具和基礎(chǔ)設(shè)施來有效使用眾所周知的和經(jīng)過測(cè)試的算法。這些限制將應(yīng)用人工智能限制在沒有大量資源和稀缺機(jī)器學(xué)習(xí)人才的公司中。

近年來，在其中一些方面取得了巨大進(jìn)展。我們已經(jīng)看到了無代碼機(jī)器學(xué)習(xí)平臺(tái)、易于使用的機(jī)器學(xué)習(xí)編程庫、基于API的機(jī)器學(xué)習(xí)服務(wù)(MLaaS)以及用于訓(xùn)練和運(yùn)行機(jī)器學(xué)習(xí)模型的特殊硬件的出現(xiàn)和成熟。與此同時(shí)，ML服務(wù)底層的數(shù)據(jù)存儲(chǔ)技術(shù)已經(jīng)發(fā)展為更加靈活、可互操作和可擴(kuò)展。與此同時(shí)，一些企業(yè)AI公司已經(jīng)開始為特定行業(yè)（例如，金融服務(wù)、石油和天然氣、零售）開發(fā)和提供ML解決方案。

所有這些發(fā)展都減少了在其商業(yè)模式中采用機(jī)器學(xué)習(xí)的財(cái)務(wù)和技術(shù)障礙。在許多情況下，公司可以將ML服務(wù)集成到他們的應(yīng)用程序中，而無需深入了解后臺(tái)運(yùn)行的算法。

根據(jù)麥肯錫2021年對(duì)行業(yè)專家的調(diào)查，“56%的受訪者表示他們的組織已采用人工智能，高于2020年調(diào)查的50%。2021年的調(diào)查還表明，采用人工智能可以帶來經(jīng)濟(jì)利益：27%的受訪者將其公司5%或更多的息稅前利潤歸因于人工智能。”

MLOps的進(jìn)展

麥肯錫公司報(bào)告中包含的第二個(gè)與人工智能相關(guān)的技術(shù)趨勢(shì)是“機(jī)器學(xué)習(xí)的工業(yè)化”。這是一個(gè)模糊的術(shù)語，與應(yīng)用的AI類別有很多重疊，因此該報(bào)告將其定義為“一個(gè)可互操作的技術(shù)工具堆棧，用于自動(dòng)化ML并擴(kuò)大其使用范圍，以便組織能夠充分發(fā)揮其潛力。”

該領(lǐng)域進(jìn)步的基礎(chǔ)技術(shù)與導(dǎo)致應(yīng)用AI增長的技術(shù)基本相同（更好的數(shù)據(jù)存儲(chǔ)平臺(tái)、硬件堆棧、ML開發(fā)工具和平臺(tái)等）。然而，近年來取得令人矚目發(fā)展的一個(gè)特定領(lǐng)域是機(jī)器學(xué)習(xí)操作(MLOps)，這是一套簡化ML模型的訓(xùn)練、部署和維護(hù)的工具和實(shí)踐。

MLOps平臺(tái)提供用于管理、處理和標(biāo)記數(shù)據(jù)的工具；訓(xùn)練和比較不同的機(jī)器學(xué)習(xí)模型；數(shù)據(jù)集和模型的版本控制；部署ML模型并監(jiān)控其性能；隨著性能下降、環(huán)境變化和新數(shù)據(jù)可用時(shí)更新ML模型。MLOps平臺(tái)的數(shù)量和成熟度都在增長，它匯集了以前以臨時(shí)方式拼命執(zhí)行的幾個(gè)不同任務(wù)。

根據(jù)該報(bào)告，機(jī)器學(xué)習(xí)的產(chǎn)業(yè)化“可以將ML應(yīng)用程序的生產(chǎn)時(shí)間縮短90%（從概念驗(yàn)證到產(chǎn)品），并將開發(fā)資源減少多達(dá)40%。”

企業(yè)AI仍面臨挑戰(zhàn)

盡管應(yīng)用人工智能取得了進(jìn)展，但該領(lǐng)域仍有一些差距需要彌補(bǔ)。麥肯錫報(bào)告指出，人才和資金等資源的可用性仍然是企業(yè)AI進(jìn)一步發(fā)展的兩個(gè)障礙。目前，資本市場處于低迷狀態(tài)，包括人工智能在內(nèi)的所有行業(yè)都面臨著為初創(chuàng)公司和公司提供資金的問題。

然而，盡管人工智能的資本蛋糕越來越小，但資金并沒有完全停止。根據(jù)CB Insights最近的一份報(bào)告，已經(jīng)實(shí)現(xiàn)產(chǎn)品/市場契合并準(zhǔn)備好積極增長的公司仍在設(shè)法獲得巨額融資（超過1億美元）。這表明，沒有利潤推出新的機(jī)器學(xué)習(xí)戰(zhàn)略的公司將很難獲得外部資金。但已經(jīng)占據(jù)市場份額的應(yīng)用ML平臺(tái)將繼續(xù)吸引投資者的興趣。

報(bào)告提到的另一個(gè)重要挑戰(zhàn)是數(shù)據(jù)風(fēng)險(xiǎn)和漏洞。對(duì)于應(yīng)用機(jī)器學(xué)習(xí)來說，這正成為一個(gè)越來越重要的問題。與其開發(fā)生命周期一樣，機(jī)器學(xué)習(xí)的安全威脅格局也不同于傳統(tǒng)軟件。大多數(shù)軟件開發(fā)平臺(tái)中使用的安全工具并非旨在檢測(cè)對(duì)抗性示例、數(shù)據(jù)中毒、成員推理攻擊和其他類型的針對(duì)ML模型的威脅。

幸運(yùn)的是，安全和機(jī)器學(xué)習(xí)社區(qū)正在共同開發(fā)用于創(chuàng)建安全ML管道的工具和實(shí)踐。隨著應(yīng)用人工智能的持續(xù)增長，我們可以期待其他行業(yè)加快采用機(jī)器學(xué)習(xí)，這反過來將進(jìn)一步加快該領(lǐng)域的創(chuàng)新步伐。