盡管人工智能取得了可喜的進(jìn)步，但它尚未在許多行業(yè)引發(fā)轉(zhuǎn)型變革。在許多情況下，問題不一定出在技術(shù)上，而是出在我們看待技術(shù)的方式上。

權(quán)力和預(yù)測Ajay Agrawal、Joshua Gans和Avi Goldfarb的新書探索了不同行業(yè)采用人工智能的根本挑戰(zhàn)。他們廣受好評的續(xù)集預(yù)測機器，新書討論了在組織能夠從人工智能進(jìn)步的全部潛力中受益之前需要改變什么。

從點解決方案和應(yīng)用到AI系統(tǒng)，Agrawal、Gans和Goldfarb研究AI在不同領(lǐng)域的成功和失敗。它們還從過去的技術(shù)革命中提供了重要的見解，并顯示了重新思考和從頭重新設(shè)計我們的系統(tǒng)如何能夠幫助基于強大的機器學(xué)習(xí)和深度學(xué)習(xí)算法.

點式解決方案與人工智能系統(tǒng)

今天的人工智能系統(tǒng)是預(yù)測機器，這意味著它們可以根據(jù)過去的數(shù)據(jù)預(yù)測未來發(fā)生的事情。這基本上是每個數(shù)學(xué)模型所做的。但是，由于大量數(shù)據(jù)和計算的可用性以及深度學(xué)習(xí)算法的進(jìn)步，我們已經(jīng)能夠創(chuàng)建能夠?qū)?fù)雜信息進(jìn)行預(yù)測的模型，如圖像、文本和多維數(shù)據(jù)。

在…里權(quán)力和預(yù)測，作者將人工智能的價值分為三類:點解決方案、應(yīng)用解決方案和系統(tǒng)解決方案。

到目前為止，我們看到的大多是點解決方案和應(yīng)用解決方案。這些人工智能系統(tǒng)取代了以前需要預(yù)測的任務(wù)。例如，在金融服務(wù)中，任務(wù)之一是預(yù)測哪些交易是欺詐性的。根據(jù)正確的數(shù)據(jù)訓(xùn)練的機器學(xué)習(xí)模型可以接管這項任務(wù)。點解決方案是人工智能的唾手可得的成果，因為采用它們只需要最少的投資和對底層系統(tǒng)的改變。

點解決方案的另一個例子是分析放射掃描?，F(xiàn)在有幾個深度學(xué)習(xí)模型可以從x光和核磁共振掃描中檢測出各種疾病，其水平與經(jīng)驗豐富的放射科醫(yī)生相當(dāng)。

他們自動化了放射科醫(yī)師執(zhí)行的許多任務(wù)中的一項，而無需對底層患者護理系統(tǒng)進(jìn)行任何更改。

人工智能系統(tǒng)可以通過自動化當(dāng)前應(yīng)用程序和系統(tǒng)中未解決的新任務(wù)和問題來提供更大的價值。然而，人工智能系統(tǒng)需要一種全新的方法，在這種方法中，你需要重新設(shè)計整個流程、工作流和應(yīng)用程序，不僅要解決現(xiàn)有的問題，還要解決新的問題。為了讓它們工作，人工智能系統(tǒng)通常需要新的組織結(jié)構(gòu)以及目標(biāo)和激勵的一致性。這使得人工智能系統(tǒng)更難、風(fēng)險更大，但也更有回報。

“系統(tǒng)解決方案通常比點解決方案或應(yīng)用解決方案更難實現(xiàn)，因為人工智能增強的決策會影響系統(tǒng)中的其他決策，”的作者權(quán)力和預(yù)測寫吧。“點解決方案和應(yīng)用解決方案通常會增強現(xiàn)有系統(tǒng)，而系統(tǒng)解決方案，顧名思義，會顛覆現(xiàn)有解決方案，因此通常會導(dǎo)致中斷。然而，在許多情況下，系統(tǒng)解決方案可能會為人工智能投資帶來最大的整體回報。”

人工智能的時代

在…里權(quán)力和預(yù)測作者認(rèn)為，我們正處于人工智能的“時代之間”在...之后見證這項技術(shù)的力量以前它的廣泛采用。“這就是為什么點和應(yīng)用解決方案目前是人工智能更有吸引力和更受歡迎的用例。

這是有歷史先例的。例如，在十九世紀(jì)末，當(dāng)電力開始工業(yè)化時，它的第一個應(yīng)用是點解決方案。對工廠來說，這意味著用電動機取代蒸汽機來降低能源成本。改變能源來源不需要重新設(shè)計工廠。

然而，電力的真正價值主張是將機器與電源分離。這使得蒸汽動力無法實現(xiàn)的新工廠設(shè)計成為可能，而且生產(chǎn)率更高，成本更低。但這種采用花了幾十年時間，因為它需要根本性的改變，打破習(xí)慣，以及現(xiàn)任者不愿意進(jìn)行的前期投資。那些利用了這個機會的企業(yè)家設(shè)法取得了領(lǐng)先地位，并占領(lǐng)了很大一部分市場，這些市場后來取代了舊的市場。

你可以在許多其他行業(yè)看到這些轉(zhuǎn)變，比如網(wǎng)上購物的興起，個人電腦的出現(xiàn)，以及從印刷媒體向數(shù)字媒體的轉(zhuǎn)變。

人工智能是一項基礎(chǔ)設(shè)施技術(shù)，其影響可以與電力相比。因此，它需要一種新的心態(tài)和大膽的探索。

的作者權(quán)力和預(yù)測寫“AI驅(qū)動的行業(yè)轉(zhuǎn)型需要時間。剛開始怎么做不是很明顯。許多人可能會嘗試失敗，因為他們誤解了需求，或者他們無法讓單位經(jīng)濟學(xué)發(fā)揮作用。最終，有人會成功，并建立起一條盈利之路。其他人會試圖模仿。行業(yè)領(lǐng)導(dǎo)者將試圖建立護城河來保護自己的優(yōu)勢。有時候會成功。無論如何，這個行業(yè)都會轉(zhuǎn)型，一如既往，會有贏家和輸家。”

打破規(guī)則

每個權(quán)力和預(yù)測，“當(dāng)你沒有東西的時候，你不會就這么放棄。你補償它。如果你沒有做出明智選擇所需的信息，你就把自己與盲目做事的后果隔離開來。因此，當(dāng)人工智能預(yù)測出現(xiàn)時，使用它的機會并不立即顯而易見也就不足為奇了。潛在決策者在沒有這些信息的基礎(chǔ)上搭建了一個腳手架。”

人工智能的機會很難發(fā)現(xiàn)，因為它們通常隱藏在運作良好、已經(jīng)建立了很長時間的嚴(yán)格規(guī)則和程序后面。這些規(guī)則彌補了我們信息的不足。它們使我們能夠在無法預(yù)測確切結(jié)果的情況下做出決定。他們幫助建立系統(tǒng)，雖然不是最佳的，但在許多情況下是可靠的。

找到這些機會的關(guān)鍵是，首先，理解預(yù)測機器的力量，其次，找到預(yù)測可以取代硬性規(guī)則的地方。作者在書中探索的一個非常有趣的例子是教育中的人工智能.

感謝機器學(xué)習(xí)算法和歷史數(shù)據(jù)，我們可以預(yù)測學(xué)生的表現(xiàn)如何，他們將在哪里出類拔萃，他們將在哪里奮斗。這使我們有機會為每個學(xué)生提供更個性化的內(nèi)容。

但是，這些預(yù)測模型在當(dāng)前的教育系統(tǒng)中沒有太大的幫助，當(dāng)前的教育系統(tǒng)是建立在基于年齡的課程基礎(chǔ)上的，每個班級只有一個老師。這個系統(tǒng)的建立是因為我們沒有辦法通過學(xué)生的教育軌跡來準(zhǔn)確衡量他們的個人學(xué)習(xí)能力。

為了能夠充分利用機器學(xué)習(xí)，我們需要以一種新的方式重新思考教育系統(tǒng)。這一新系統(tǒng)將用個性化討論、小組項目和教師支持取代基于年齡的課程，并對整體教育和個人成長與發(fā)展產(chǎn)生更大的影響。

“基于年齡的課程規(guī)則是現(xiàn)代教育系統(tǒng)的粘合劑，因此個性化學(xué)習(xí)內(nèi)容的人工智能只能在該系統(tǒng)中提供有限的好處，”的作者權(quán)力和預(yù)測寫吧。“釋放個性化教育人工智能潛力的主要挑戰(zhàn)不是建立預(yù)測模型，而是將教育從目前將系統(tǒng)粘合在一起的基于年齡的課程規(guī)則中分離出來。”

換檔動力

人工智能的成功應(yīng)用需要權(quán)力和預(yù)測稱之為“系統(tǒng)思維”，它與“任務(wù)思維”相對立任務(wù)思維側(cè)重于節(jié)約成本。系統(tǒng)思維側(cè)重于價值創(chuàng)造。任務(wù)思維專注于自動化單個任務(wù)。系統(tǒng)思維模式認(rèn)識到，需要重新構(gòu)建系統(tǒng)，在機器預(yù)測和人類決策的基礎(chǔ)上創(chuàng)造價值。

我們已經(jīng)看到這種情況發(fā)生在一些行業(yè)和大型科技公司，如亞馬遜和谷歌，它們已經(jīng)形成了有利可圖的系統(tǒng)推薦個性化內(nèi)容基于人工智能的預(yù)測。

也許系統(tǒng)思維模式的一個重要因素是隨著人工智能的采用而發(fā)生的權(quán)力轉(zhuǎn)移。隨著系統(tǒng)的變化，有決策權(quán)的人也在變化。

“雖然人工智能不能把決定交給機器，但它可以改變由哪個人來做決定。機器沒有權(quán)力，但當(dāng)部署后，它們可以改變誰有權(quán)力權(quán)力和預(yù)測寫吧。“當(dāng)機器改變決策人時，底層系統(tǒng)也必須改變。制造機器的工程師需要理解他們嵌入到產(chǎn)品中的判斷的后果。過去在瞬間做出決定的人可能不再需要了。”

作者在書中探討的一個假設(shè)例子是心臟病發(fā)作風(fēng)險。目前，這種風(fēng)險評估是通過醫(yī)院的測試進(jìn)行的，決定是由進(jìn)行測試的?？漆t(yī)生做出的。

比方說，我們能夠建立人工智能系統(tǒng)，根據(jù)智能手表等可穿戴設(shè)備收集的數(shù)據(jù)預(yù)測心臟病發(fā)作風(fēng)險。然后，有可能將這些預(yù)測從醫(yī)院急診部的分診區(qū)轉(zhuǎn)移到病人家中。在這種情況下，許多患者在被診斷患有藥劑師或初級保健醫(yī)生可以在家?guī)椭委煹募膊『?，將永遠(yuǎn)不需要去醫(yī)院。

不管我們站在哪里科學(xué)和哲學(xué)辯論圍繞人工智能，我們都同意預(yù)測機器可以提供很多東西，而我們只是觸及了表面。能夠充分利用它們的潛力，首先要回到繪圖板，重新思考如果我們有能力預(yù)測，我們將如何設(shè)計我們的系統(tǒng)。