面向企业的实用型AI:拨云见日指南 原创

各大软件供应商围绕人工智能发动的炒作技能直接导致AI产品的购买与实施成为一项复杂难题。在今天的文章中,我们将立足企业领导者的视角,聊聊如何真正实现AI能力。

至顶网软件频道消息:

各大软件供应商围绕人工智能发动的炒作技能直接导致AI产品的购买与实施成为一项复杂难题。在今天的文章中,我们将立足企业领导者的视角,聊聊如何真正实现AI能力。

事实上,几乎每一家企业软件供应商都在力推AI——具体包括机器学习、认知计算、深度学习以及其它相关技术等等,并将其视为改变您业务、生活乃至整个世界的终极武器。

尽管存在诸多炒作,或者说也正因为如此,一部分供应商的AI方案也确实发挥了巨大作用。皇家加勒比游轮服务公司首席数据与认证官Sol Rashidi就曾经讲述她自己的AI方案采购经验:

目前全球拥有超过1300万投资AI技术的厂商,而相关研究经费总额更是达到90亿美元左右。我们的挑战在于如何了解这些待选供应商,判断其在行业内的生命力并通过演示方案与执行能力作出最终选择。大多数企业目前仍处于种子轮融资阶段,因此持续生命力是我们判断的核心指标。另外,我们还需要确切掌握对方的能力与功能——因为遗憾的是,尽管这1300家企业皆强调其属于AI技术服务商,但其中相当一部分只能提供聊天机器人这类初级选项。

聊天机器人并不是什么新兴技术。然而,将其与AI的名头相结合,就让这类解决方案有了更为可观的吸引力。因此,我们不得不投入心力了解哪些厂商属于真正的AI企业,而哪些不是。

必须承认,这样的情绪反映出大多数企业买家当前所面临的严峻现实。坦白地讲,实际情况甚至更为荒谬。

为了拨开炒作的迷雾并真正解决企业环境内AI方案部署的现实难题,我们邀请到Genpact公司总裁兼CEO Tiger Tyagarajan——这是一家年营收接近30亿美元的专业服务厂商。

另外,来自全球顶尖专业服务厂商之一HFS Research公司CEO兼行业分析师 Phil Fersht也加入到此次对话当中。我向他咨询了Genpact公司与企业内AI实现工作的相关背景信息:

Genpact公司凭借着其颠覆性的独特价值主张为BPO(即业务流程外包)模式带来变革,极大挑战了旧有BPO模式的定价机制,并将离岸能力纳入其中。

这家公司亦通过将AI机制引入业务流程的方式发行原有模式,并将这些概念带进其庞大的全球金融领导者社区。相较于专注实现后台数字化的自动化思路,人工智能则负责将业务流程同智能技术与自我发展型算法结合起来。

Genpact公司当前的关注重点是将智能认知应用嵌入至其流程链与工作流当中; 具体来讲,其希望借此从错误当中学习并汲取新的经验。这种新兴“组织神经系统”能够以实时方式自我学习并凭借智能化运营能力支持客户需求。

与Tiger Tyagarajan进行的此次对话将主要侧重于AI部署层面。正如Phil Fersht的评论所言,Tyagarajan确实拥有提供建设性意见与观点的资格。

感兴趣的朋友可以通过视频观看完整对话,而下文则为我们交流的重要内容摘录。

大型企业该如何实现AI方案?

在企业当中以贯彻性运用AI技术无疑是个缓慢的过程——事实上,这并不是必要或者真正有效的实现方式。

我们发现,客户们最为成功的AI技术运用案例,往往出现在对具体问题的攻克与解决当中。举例来说,其中包括管理应收账或者流动资金、汇出账单以及各类行政事务。有时候客户们不希望用人力来解决这些复杂的问题,因此开始将目光转向机器以改善实际效果。

当AI被用于解决具体问题时,我们发现其能够发挥最出色的实际效果。但当尝试利用AI管理企业整体时,相关过程则完全不同,而结果也通常令人失望。

有时候,董事会、CEO以及高管团队会说,“我们希望在公司内使用AI技术。让我们将AI引入企业环境吧。”但在一段时间之后,他们会意识到最理想的方案实际上体现为人工狭义智能(简称ANI),即将问题范围缩小到有价值且我们能够解决的水平,而后利用AI加以攻克。这就是所谓“人工狭义智能”的核心。我们发现这类项目通常非常成功。

最大的机遇往往出现在最具价值的范畴之内。大家通常会通过概念验证以证明对大问题及大机遇的解决与把握——因为一旦成功,这将带来可观的回报,而不只是小小的一点甜头。

这类工作并没有那么困难,而且确实值得我们投入精力。单凭基于AI的工具并不足以驱动这样的价值,除非大家将其引入工作流之内。

AI如何协助实现数字化转型?

AI在建立并推动新型业务模式方面拥有不可思议的强大能力。事实上,将其称为创新型商业模式仍然不够确切,或者说低估了其效果。在大多数情况下,这类极具颠覆性与创新性的新型商业模式应该作为AI等新兴技术的真正核心所在。

下面我给大家举个有趣的例子:保险。

我们都深爱着自己的坐驾——汽车,因此必须为其购置保险。而如果发生了意外,我们当然得提出保险索赔。很多企业在这方面做得很好:客户发生了小事故,其将车停在路边并拨打热线电话,而后根据提示在原地等待; 出险人员抵达现场,并在勘查之后表示“我们会在对损失金额完成评估之后,与您进行联系”。

随后,我们从保险公司方面得到对应的开销数字,但接下来就要开始扯皮了——例如“我认为保险公司应该负担索赔数额当中的800美元。”

整个流程需要大量时间、精力以及多次沟通。尽管大多数保险公司作出了巨大努力,但客户仍然抱怨实际体验不够理想。另外,整个过程往往伴随着客户本人的焦虑情绪。

对于这方面问题,很多保险公司正在尝试建立新的商业模式——同样是出现了上述事故,现在大家只需要打开自己的智能手机,开启相关应用并按下发生意外的报警按钮。

这时该应用会自动触发后续操作,包括联络优步司机并确保其在5到7分钟之内抵达您所在位置。此后,对方会使用自己的智能手机拍摄事故车辆的各角度与细节照片。当然,优步司机本人必须遵循保险公司提出的一系列相关说明。

在照片拍摄完成之后,AI工具会对图像内容进行审查,并根据库存中的超过1000万张图像完成视觉分析。其最终将给出结论,“根据对损坏情况的评估,我们得出了基本适用的维修成本,此笔保险索赔金额应在747美元以内。”

对于20%到30%相对复杂的事故,图片将被交付至专家处进行进一步审查。在15分钟之内,客户即可在自己的智能手机上收到总额为747美元的保险索赔结果。之后的事情就很简单了,大家可以根据这样的额度决定如何修复自己的车辆。

如此一来,客户满意度显然将大幅提升,而客户挽留率也将创下新高。与此同时,保险公司也将借此实现价值增长,甚至给整个保险行业带来颠覆。任何有能力实现这种解决方案的保险公司也必将成为新时代下的领导者。

在AI成功层面,专业知识扮演着怎样的角色?

只有满足两项条件,AI技术才能真正迸发出能量。

条件一:大家必须将AI技术与商业背景及问题结合起来,即将AI浸入至行业环境之内。

举例来说,技术专家们真的清楚我们之前提到的事故案例中,州际公路上到底发生了什么吗?我们假定地点是在密歇根州的州际公路上,车型为本田雅阁等等……另外,事故发生的不同时间会对实际情况造成怎样的影响?这些都需要加以考量。

更重要的是,大家真的了解保险行业吗?了解密歇根州的汽车保险政策吗?是否了解客户在自动索赔期间进行的交互或者提交的索赔内容?是否了解索赔过程中可能存在的欺诈问题?事实上,对于相关领域的专业知识积累将带来完全不同的结果。

第二项条件在于,我们是否能够获得充足的数据。我们的数据是否足以代表以往的索赔案例?是否包含以往的全部图像与照片素材?是否足以用于构建必要的智能方案?

如果缺少相关专业的情景资料并将其同数据相结合,那么AI方案将无从谈起。因此,我们需要强调AI加上领域再加上数据的重要意义。如果没有特定领域与相关数据,价值将成为空中楼阁。

企业应如何确保自身具备专业知识与数据?

这是个复杂且相互关联的问题,需要投入大量时间以工业化方式及规模进行解决。当然,对于我们来说,这可能也算是个坏消息——毕竟其规模庞大、复杂且存在诸多细节。

但好消息是,我们可以将其拆分成一系列组成部分。具体包括“我们能否从概念验证入手?”如何快速测试概念验证方案?虽然这同样需要一定时间周期,但已经完全可以接受。第二个好消息是,一旦完成这项工作,其将带来极为可观的价值,因此选择正确的待解决问题就显得非常重要。

所以,理想的流程是首先选择一个大问题,将其转化为概念验证任务,而后通过一系列实验进行迭代。我们无法很快解决全部问题,但可以分段解决其中部分问题,并在过程中意识到AI方案可能仅能够完成决策工作中的20%到30%。然而,20%到30%相较于零已经好了很多。在此基础之上,我们不断改进,也许在第十次迭代时,其解决比例已经能够达到85%。

第二个问题是确保相关实验有序进行。

 

最后,当完成一系列实验并打算扩大实践规模时,我们将迎来第三个问题——即AI有可能最终在解决方案或者企业环境当中失败。事实上,这样的情况有可能出现在一切数字化技术之内。因此在扩大规模时,大家必须建立起一套用于监控这些技术方案的治理层。

相比之下,假设AI或者其它技术不需要加以治理或者监控的思维则非常危险:有些人确实会误以为相关方案拥有良好的代码质量并能够永久运行。但残酷的现实告诉我们,商业模式一直在发生变化、政策一直在发生变化,法规也同样是如此。我们必须持续关注此前制定的全部技术成果,而这必要需要一套治理层加以配合。

这意味着我们必须拥有专门的平台以观察上述变化,并在业务需求有所波动后对技术作出及时调整。这一点非常重要,也应成为AI实现之旅中的核心议题之一。

来源:ZDNet

0赞

好文章,需要你的鼓励

2017

09/20

13:37

分享

点赞

邮件订阅
白皮书