大发快3高手计划_大发快3和值计划人工智能前沿记:深度学习的应用和价值

  • 时间:
  • 浏览:0
  • 来源:5分时时彩-5分快3-5分排列3

  在整个经济中应用厚度学习技术的巨大潜力,但随着技术的不断发展,当我们歌词 歌词 都都 儿也意识到一些挥之不去的局限和障碍(以及未来的机遇)。最终,人工智能的价值都这麼于模型五种,而在于公司否有有能力使用人工智能。

  有一份对19个行业和9个业务职能的80多个用例进行分析的报告突出了先进人工智能技术的广泛应用和重大经济潜力。

  人工智能(AI)作为数字时代的转型技术脱颖而出人工智能在整个经济中的实际应用正在快速增长。为了撰写《人工智能前沿记:数百用例知道多》你這個 ,当我们歌词 歌词 都都 儿将传统分析和更新的“厚度学习”技术及其都时要出理 的问提映射到公司和组织的80多个特定用例中。借助麦肯锡全球研究院的研究以及麦肯锡分析人工智能的应用经验,当我们歌词 歌词 都都 儿评估了跨行业和业务职能的高级人工智能技术的实际应用和经济潜力。当我们歌词 歌词 都都 儿的研究结果强调了在整个经济中应用厚度学习技术的巨大潜力,但随着技术的不断发展,当我们歌词 歌词 都都 儿也意识到一些挥之不去的局限和障碍(以及未来的机遇)。最终,人工智能的价值都这麼于模型五种,而在于公司否有有能力使用人工智能。

  即使当我们歌词 歌词 都都 儿意识到使用人工智能技术的经济潜力,数据的使用也时要始终考虑到数据安全性、隐私和潜在的等等的问提,你這個 点不得不强调。

  随着人工智能技术的发展,到底是哪种技术构成了人工智能的定义也在不断发展。出于本的目的,当我们歌词 歌词 都都 儿将使用人工神经网络的厚度学习技术的简称为人工智能。当我们歌词 歌词 都都 儿还考察了其它机器学习技术和传统分析技术。

  神经网络(neural network)是机器学习技术的一部分。神经网络本质上是基于通过模拟辦法 连接的“神经元单元(neural unit)”的人工智能系统,那些系统粗略地模拟了神经元在大脑中的相互作用辦法 。自20世纪40年代以来,当我们歌词 歌词 都都 儿不可能 研究了受神经连接的计算模型,就让随着计算机出理 能力的提高和大型训练数据集成功地用于分析输入数据(如图像、视频和语音)而再次声名大噪。人工智能从业者将那些技术称为“厚度学习”,不可能 神经网络具有好多好多 (“深”)层的模拟互连神经元(simulated interconnected neuron)。

  :最简单的人工神经网络。在你這個 架构中,信息仅在三个小 方向上移动,从输入层向前移动,经过“隐藏”层移动到输出层。网络中还里能要能 环(loop)。首个单神经元网络是由人工智能Frank Rosenblatt在1958年提出的。其实你這個 想法过多新鲜,但计算能力、训练算法和可用数据的发展促成了高于以往的性能水平。

  :人工神经网络的神经元之间的连接带有环,那些环非常适用于出理 一连串输入。2016年11月,大学的研究人员报告说,基于递归神经网络(和卷积神经网络)的系统在唇读(reading lips)方面达到了95%的准确率,优于经验丰厚的人类唇读者,后者的准确率为52%。

  ,其中神经层之间的连接受到动物视觉下皮 (animal visual cortex)的,动物视觉下皮 是大脑出理 图像的部分,非常适用于方面的任务。

  对于当我们歌词 歌词 都都 儿的用例,当我们歌词 歌词 都都 儿还考虑了另外五种技术生成对抗网络(GAN)和强化学习但未将它们带有在当我们歌词 歌词 都都 儿对人工智能的潜在价值评估中,不可能 生成对抗网络你這個 新生技术尚未得到广泛应用。

  生成对抗网络(GAN)使用三个小 神经网络在零和游戏(zero-sum game)框架中相互竞争(就让是“对抗”)。生成对抗网络能法学会模拟各种数据分布(类式文本、语音和图像),就让,一旦还里能要能 数据分布可用励志的话 ,该网络就能生成测试数据集,这很有用。

  强化学习是机器学习的子领域,在强化学习中,系统通过接收虚拟“励”或“惩罚”来得到训练,这实际上是通过试错法来学习。谷歌DeepMind不可能 使用强化学习来开发都时要玩游戏的系统(包括视频游戏和围棋(Go)等棋类游戏),其能力胜过人类冠军棋手。

  在业务中,那些分析技术可用来出理 现实问提。最普遍的问提类型是分类、连续评估(continuous estimation)和聚类(clustering)。侧栏中提供了问提类型及其定义的列表。

  当我们歌词 歌词 都都 儿分发并分析了19个行业和9个业务职能部门的80多个用例。那些用例为特定部门里的领域带来了就让的洞察厚度神经网络在那些领域里所能创造的最大价值,那些神经网络相较于传统分析所能产生的增量提升,以及为了实现潜力而时要得到满足的的数据需求(就数量,种类和带宽而论)。当我们歌词 歌词 都都 儿的用例库其实范围很广,但过多详尽,不可能 会夸大或低估一些部门的潜力。当我们歌词 歌词 都都 儿将继续对它进行改进和扩充。

  :机器学习检测异常的能力。厚度学习能分析小量高维数据(high dimensional data),就让它都时要将现有的预防性系统(preventive maintenance system)提升到三个小 新的水平。不可能 将额外的数据(例自其它传感器的音频和图像数据,来自麦克风和摄像机等相对便宜的传感器也算)加入分层中,神经网络就都时要增强并取代更传统的辦法 。人工智都时要够预测故障并使有计划的干预辦法 成为不可能 ,那些能力都时要减少停机时间和运营成本,并肩提高生产力。类式,人工智能都时要用传统的分析技术延长货机的寿命,使其寿命大大超出预期,辦法 可是我将飞机模型数据、记录、物联网传感器数据(类式发动机振动数据的异常检测)和表明发动机具体情况的图像和视频通通结合起来。

  物流中使用人工智能技术(如连续评估)都时要为各个部门带来实其实在的增值。人工智能都时要优化运输线,从而提高燃油带宽并缩短交付时间。有一家欧洲货运公司将燃油成本降低了15%,其辦法 五花八门,比如使用能并肩车辆性能和驾驶员行为的传感器,让司机接收实时指导(包括何时能 加速或降速运动)、优化油耗并降低成本。

  不可能 人工智能技术的应用,呼叫中心管理和呼叫由(call routing)中的语音识别得到了改善,为客户提供了更加无缝的体验(和更高效的出理 能力)。那些功能不仅仅守候在文字上。类式,对音频进行厚度学习分析使系统能评估客户的情绪;不可能 客户对系统反应不佳,呼叫会自动再由到接线员和管理员。人工智能技术在营销和销售的其它领域要能产生重大影响。将客户人口统计、过去的交易数据与社交相结合促使生成个性化的产品推荐。面向另一方客户的“下三个小 要购买的产品(next product to buy)”推荐(亚马逊和网飞等公司已成功实施)都时要使销售率提高两倍。

  在当我们歌词 歌词 都都 儿研究的69%的用例中,厚度神经网络可用于提高性能,其提升性能的能力优于其它分析技术。当我们歌词 歌词 都都 儿将不得不使用神经网络的具体情况姑且称为“绿地(greenfield)”案例,你這個 具体情况仅占总数的16%。对于剩下的15%,人工神经网络在性能上略胜于其它分析技术,原困 之一是数据的局限原困 那些案例不适用于厚度学习。

  绿地人工智能出理 方案(Greenfield AI solution)在客户服务管理等业务领域以及数据丰厚且数量庞大就让有都是整合人类反应的一些行业中非常普遍。在各大行业中,当我们歌词 歌词 都都 儿发现医疗领域里绿地用例尤其多。这其带有一些用例涉及疾病诊断和护理改善,那些用例还依赖于带有图像和视频输入的富数据集(MRI发来的图像和富数据集也算)。

  平均来看,当我们歌词 歌词 都都 儿的用例表明,现代厚度学习人工智能技术对附加值的提升不可能 远高于传统分析技术,高出80%到128%不等,具体要看行业。

  然而,在当我们歌词 歌词 都都 儿掌握的小量用例中,不可能 人工智能在一些具体情况下潜力有限,好多好多 传统分析和机器学习技术继续支撑着行业(包括保险、制药和医疗产品以及电信)中很大一部分的价值创造潜力,人工智能则局限于一些中。在五种程度上,这归咎于那些行业使用数据的辦法 ,归咎于监管问提。

  要在大多数应用中高效使用神经网络就时要大型的经过标记的训练数据集,并肩充分使用计算基础设施。此外,那些厚度学习技术很重强大,能从冗杂的数据类型(如图像,视频,音频或语音)中提取模式。

  厚度学习辦法 时要成千上万的数据记录要能使模型在分类任务中表现得相对较好,在一些具体情况下,该辦法 要数百万的数据记录才都时要达到人类的表现水平。根据三个小 估计,有监督厚度学习算法(supervised deep-learning algorithm)往往能达到可接受的性能(每个类别有为宜 5,000个标记示例),就让当我们歌词 歌词 都都 歌词 儿用带有为宜 1,000万个标记示例的数据来训练有监督厚度学习算法时,该算法能达到或超越人类的表现水平。在目前使用高级分析的一些具体情况下,可用的数据非常多(每个数据集有数百万甚至数十亿行),以至于人工智能马谡败给非用不可。就让,不可能 数据量阈值未达到,人工智能不可能 无法为传统的分析技术增值。

  对于好多好多 业务用例而言,那些海量数据集不难 获取或创建,就让标记仍是三个小 问提。当前大多数人工智能模型完正都是通过“有监督学习”进行训练的,有监督学习要求人类对基础数据进行标记和分类。然而,有前景的新技术将克服那些数据瓶颈(类式强化学习,生成对抗网络,转移学习和“一次性学习”),使训练有素的人工智能模型都时要根据小量(有时还里能要能 三个小 )真实的演示或示例来学习主题。

  组织时要采用和实施能大规模分发和整合数据的战略。即使组织有大型数据集,它们也时要出理 “过拟合(overfitting)”,即模型与训练集的“嘈杂的”行态或随机行态过于匹配,过拟合会原困 未来性能不足英文相对的准确性,它们时要出理 “欠拟合(underfitting)”,即模型无法捕获所有相关功能。将客户群和渠道之间的数据连接起来,而完正都是让数据在孤岛中,这对于创造价值尤为重要。

  神经人工智能技术(Neural AI technique)擅于分析图像、视频和音频数据类型,不可能 它们具有从业者称为“高维度”的冗杂的性质。神经网络擅长出理 高维度,不可能 网络中的多个层都时要法学会表述数据中居于的好多好多 不同行态。就让,对于人脸识别来说,网络中的第一层都时要关注原始像素,下一层则关注边缘和线条,再下一层则关注通用面部行态,而最后一层则都时要识别人脸。那些神经网络技术不同于前几代人工智能(前几代人工智能往往时要人的专业知识来做“行态工程”),它们往往要能法学会在模拟神经网络中表述那些行态,成为训练过程的一部分。

  除了和数据量和数据有关的各种问提,带宽也是三个小 需求:人工智能技术时要重新训练模型,以匹配不可能 的条件变化,就让训练数据时要突然刷新。在三分之一的案例中,模型为宜 每月更新一次,几乎四分之一的案例时要每天更新;在营销和销售以及供应链管理和制造方面尤其还里能要能 。

  当我们歌词 歌词 都都 儿估计,当我们歌词 歌词 都都 儿在本次中引用的人工智能技术有不可能 在19个行业的9个业务职能中每年创造3.7万亿至5.7万亿美元的价值。这构成了每年总体影响力(即9.7万亿到15.7万亿)约40%的比重,你這個 比重我知道你都时要由所有的分析技术实现。

  按行业来看,当我们歌词 歌词 都都 儿估计人工智能的潜在价值为宜 2016年收入的1%至9%。按行业收入百分比衡量的价值在不同行业之间大不相同,这取决于具体的适用用例、小量的冗杂的数据的可用性,以及监管和其它因素。

  从当我们歌词 歌词 都都 儿研究过的用例中,当我们歌词 歌词 都都 儿发现使用人工智能产生的最大潜在价值影响都带有在以销售收入为导向的功能中,类式营销和销售,也带有在以损益表底线为导向的运营功能,包括供应链管理和制造业。

  零售和高科技等消费行业往往在营销和销售人工智能方面的应用系统守护进程中更有潜力,不可能 业务和客户之间的频繁数字互动会产生更大的数据集,以便用上人工智能技术。很重是电子商务平台将受益。这是不可能 那些平台都时要轻而易举地分发客户信息(类式点击率数据或客户在网页上花费的时间),随还里能动态、实时地为每个客户定制促销、价格和产品。

  在零售业,营销和销售是人工智都时要发挥最大潜在价值的领域,在该职能范围内,定价和促销以及客户服务管理是主要的价值领域。当我们歌词 歌词 都都 儿的用例表明,使用客户数据将促销活动个性化(类式,包括每天定制个别优惠)就都时要使实体零售商的增量销售额增加1%到2%。

  在消费品中,供应链管理是都时要从人工智能部署中受益的关键功能。在当我们歌词 歌词 都都 儿所列举的用例中,当我们歌词 歌词 都都 儿发现基于需求的潜在驱动因素(而完正都是先前的结果)的预测怎么才能 才能 要能将预测准确性提高10%到20%,这原困 库存成本不可能 会降低5%,收入不可能 会增加2%到3%。

  在银行业,尤其是零售银行业(retail banking),人工智能在营销和销售方面具有巨大的价值潜力,丝毫不亚于它在零售业的价值潜力。然而,不可能 评估和管理银行业风险的重要性(类式贷款承保和欺诈检测),人工智能在提高银行业风险绩效方面所具有的价值潜力要高于好多好多 其它行业。

  人工智能正在吸引过多的企业投资,随着技术的发展,可发掘的潜在价值很不可能 会增长。然而,到目前为止,还里能要能 约20%意识到人工智能重要性的公司目前在核心业务流程中使用其中一项或多项技术,或大规模使用那些技术。

  尽管人工智能技术前景广阔,它仍有好多好多 时要克服的局限。那些局限包括列出的苛刻的数据需求,还包括一下五个局限:

  第三个小 局限是标记训练数据的挑战,那些数据往往时要手动完成,它们对于监督学习是必要的。有前景的新技术正在不断涌现,旨在应对你這個 挑战,类式强化学习和流内监督(in-stream supervision),在那些技术里,数据都时要在自然使用过程中进行标记。

  第五个局限是难以获得足够大且全面的数据集用于培训;对于好多好多 商业用例来说,创建或获取此类海量数据集不可能 很困难类式,有限的临床试验数据都时要更准确地预测医疗治疗结果。

  第三个小 局限是难以用人类励志的话 来解释大型冗杂模型得出来的结果:为那些达成了某个决定?类式,医疗以及汽车和航空航天工业中的产品认证不可能 是三个小 障碍;除了其它因素外,监管机构往往希望规则和挑选标准要能得到清楚的解释。

  第五个局限是学习的普遍性:人工智能模型从五种具体情况转移到另五种具体情况时仍然居于困难。这原困 公司时要投入资源来训练新模型,即使是与就让 类式的用例。迁移学习(人工智能模型在这里得到训练以完成某项任务,就让快速将学到的知识应用于类式但不同的活动)是对你這個 挑战的三个小 有前景的否认。

  ? 第五个局限涉及数据和算法偏差的风险。你這個 问提本质上涉及更具社交意义的忧虑,就让不可能 时要更广泛的步骤来出理 ,类式,要了解用来分发训练数据的流程以那些样的辦法 影响曾过它们训练的模型的行为。类式,当训练数据不代表应用人工智能模型的较大人口时,当我们歌词 歌词 都都 儿不可能 会引入非预期的偏差。就让,当我们歌词 歌词 都都 歌词 儿将人脸识别应用到具有更多不同行态的群体时,在与人工智能开发者的人口统计相对应的面部群体上受到训练的人脸识别模型不可能 会遇到困难。最近关于恶意使用人工智能的报告突出了一系列安全,如冗杂的入侵自动化、超个性化的虚假宣传活动等等。

  计划采用重要厚度学习工作的组织要考虑一系列有关怎么才能 才能 做到你這個 点的挑选。挑选范围包括构建完正的内部管理人工智能功能,将那些功能外包或利用人工智能即服务(AI-as-a-service)产品。

  公司要根据计划要构建的用例来制定三个小 能产生结果和预测的数据计划,那些数据计划都时要输入设计的界面,供人类在交易系统上进行操作。关键的数据工程问提包括数据创建或数据获取,定义数据本体(data ontology)以及构建适当的数据“管道”。鉴于厚度学习的重要计算要求,不可能 法规或安全问提,一些组织将另一方的数据中心,但资本支出不可能 相当大(很重是在使用专用硬件时)。云供应商提供另五种挑选。

  不可能 组织在数字化方面不心智心智成熟期的句子的句子期期 期的句子的句子,流程可是我可能 会成为成功采用的障碍。在技术方面,组织时要开发强大的数据和治理流程,并实施现代软件规程,如敏捷(Agile)和开发运维(DevOps)。在规模方面,更难的是克服“最后一英里”问提,即确保人工智能提供的卓越洞察在企业人员和流程的行为中得到实例化。

  从人的阵线来说,厚度神经网络的大部分建设和优化仍然是五种艺术,就让时要真正的专家要能提供逐步改进的性能。那些技能供不应求;根据一些估算,具备出理 严重人工智能问提所需的技能的人还里能 10,000个。科技巨头们纷纷展开激烈的人才争夺战。

  在人工智能技术和数据可用且价值得到明确验证的具体情况下,组织就都时要抓住机遇。在一些领域,当今的技术不可能 不可能 心智心智成熟期的句子的句子期期 期的句子的句子就让数据不可能 可用,但考虑到人工智能不可能 生成的价值,部署人工智能的成本和冗杂性不可能 根本不值得。类式,航空公司都时要使用人脸识别和其它生物识别扫描技术来冗杂登机流程,但还里能要能 做所带来的价值不可能 无法证明与隐私和另一方身份有关的成本和问提的合。

  同样,当我们歌词 歌词 都都 儿就看了好多好多 潜在案例,在那些案例中,数据和技术日趋心智心智成熟期的句子的句子期期 期的句子的句子,但价值尚不明朗。最不可预测的具体情况是,数据(类型和数量)或技术都太新,且未经检验,以至于无法知道数据到底能发掘几个价值。类式,在医疗方面,不可能 人工智都时要在惊人的精细度上再接再厉(当我们歌词 歌词 都都 儿要做X光分析要能看得到),将你這個 精度拓宽到医疗诊断乃至医疗系统守护进程上,你這個 经济价值是不可估量的。与此并肩,抵达你這個 前沿的冗杂性和成本也令人生畏。除一些问提外,这还时要完美的技术执行和出理 医疗事故保险和一些法律问提。

  社会问提和法规可是我可能 人工智能的使用。监管在与另一方身份信息相关的使用案例中尤为普遍。在一些关于一些在线平台上另一方数据的使用和商业化的辩论日益激烈的时期,你這個 点尤为重要。另一方信息的使用和存储在银行、医疗、医药和医疗产品以及公社会部门等部门尤为。除了出理 那些问提之外,企业和其它人工智能数据用户时要继续发展与数据使用相关的业务模式,以出理 社会关注的问提。此外,监管要求和因国家和部门而异。

  正如当我们歌词 歌词 都都 儿所就看的,真正创造价值的是公司对人工智能模型的执行能力,而完正都是模型五种。在最后你這個 节,当我们歌词 歌词 都都 儿概述了研究人工智能技术提供者、人工智能技术的应用者和政策制定者的案例所隐含的一些高层次的影响,那些人五种具体情况都占了。

  对于提供人工智能技术的公司来说:好多好多 为其它公司开发或提供人工智能的公司在技术五种和数据科学家所需的数据方面具有相当大的优势,但那些公司不可能 不足英文对终端市场的深刻理解。了解人工智能跨部门和职能的价值潜力促使塑造那些人工智能技术公司的投资组合。也可是我说,它们不一定可是我优先考虑潜在价值最高的领域。相反,它们都时要将所有的资源(对竞争格局的互补分析、对自身现有优势的互补分析、部门或职能领域的知识和客户关系)结合起来,以打造投资组合。在技术方面,将问提类型和技术对应到具有潜在价值的部门和职能对具有特定专业领域的公司所要关注的重点具有指导作用。

  好多好多 设法在运营中采用人工智能的公司已开使在业务中进行机器学习和人工智能实验。在推出更多试点项目或测试出理 方案就让 ,走出藩篱并采取整体辦法 来出理 问提,进而在整个企业中确立一系列重要的计划(包括人工智能和更广泛的分析和数字技术),这是十分有用的。要让业务负责人确立适当的投资组合,重要的是要了解那些用例和领域有望为公司带来最大价值,以及时要对那些人工智能和其它分析技术进行部署,获取你這個 价值。你這個 投资组合时要得到两方面的启迪,即在哪都时要践行理论价值以及怎么才能 才能 在整个企业范围内大规模部署技术。分析技术怎么才能 才能 扩展的问提不仅取决于技术五种,更取决于公司的技能、能力和数据。公司要考虑“最初一英里”(和“最后一英里”)方面的工作,即怎么才能 才能 获取和组织数据和工作,不可能 怎么才能 才能 将人工智能模型的输出整合到工作流程中(从临床试验经理和销售队伍管理者乃至采购人员)。麦肯锡全球研究院以往的研究表明,人工智能领导者在最初一英里和最后一英里的那些工作中投入了小量资金。

  政策制定者要在支持人工智能技术的发展和管理不良行为者的风险之间取得平衡。当我们歌词 歌词 都都 儿有意支持广泛采用,不可能 人工智能都时要带来更高的劳动生产率、经济增长和社会繁荣。当我们歌词 歌词 都都 儿的手段包括对研发的公共投资以及对各种培训计划的支持,那些手段促使培养人才。在数据问提上,都时要通过的数据计划直接刺激训练数据的开发。公共部门数据都时要刺激私营部门的创新。设立通用数据标准也大有裨益。人工智能也给政策制定者提出了新的问提,即传统的工具和框架不可能 不足英文用的问提。就让,当我们歌词 歌词 都都 儿不可能 时要一些政策创新来应对那些快速发展的技术。但鉴于商业、经济和社会受到了巨大的积极影响,其目标不应该只人工智能的采用和应用,可是我鼓励人工智能得到有益和安全的使用。