浅析人工智能产业的痛点及应对
浅析人工智能产业的痛点及应对
如今，人工智能正与各行各业快速融合，助力传统行业转型升级、提质增效，在全球范围内引发全新的产业浪潮。但同时人工智能产业的痛点仍存在，我们该如何应对呢？
在产业落地过程中，人工智能技术与企业需求之间的鸿沟不容忽视。企业用户的核心目标是利用人工智能技术实现业务增长，而人工智能技术本身无法直接解决业务需求，需要根据具体的业务场景和目标，形成可规模化落地的产品和服务。在这个过程中，人工智能在数据、算法、业务场景理解、服务方式、投入产出比等方面都面临一系列挑战。
数据稀缺。AI领域，数据是基础要素，目前现有的AI模型都需要大量的数据标记，因为模型大多数是监督学习模型。大量的数据标记，不仅仅会要求更多的人力资源，同时人的参与难免会为数据带来一定程度的误差。除了对数据量的需求极大，对数据的维度也要求尽可能的全面。总之就是，能有最好都给我，越全面越好。但是实际情况就是，结构性的全面的数据在现实生活中很难获得，而且也很难获得比较准确的数据。
黑盒子效应。从传统模型到新型算法，AI的复杂性逐步递增，促使人工智能算法的决策机制越发难以被人类理解与描述。很多人将大部分基于深度学习的算法想象成是一个“黑盒子”，也就是说认为模型不具备可解释性。相比较“黑盒子”而言，可解释性的AI对于深度神经网络的透明性有所增加，有助于向用户提供判断依据等信息，增强用户对人工智能的信任与安全感，同时也为事后监管、责任归属等环节提供有力依据。
业务场景理解差。随着人工智能的行业化发展，待解决的业务问题从通用型场景向特定型场景过渡，单点问题向业务整个流程演进，从感知化到认知化的发展，业务场景的壁垒与复杂度越来越高。在这样的背景下，仅仅依靠算法技术的积累，难以满足对场景的理解要求。所以，AI算法需要经验与业务规则的结合。这种情况下，知识图谱技术成为关键所在。通过知识图谱，可以更好地理解业务。通过建立统一的图谱来实现知识的融合，进一步加快推进人工智能的落地。
服务方式单一。对于企业业务人员的根本需求，标准化的人工智能技术输出或者API调用的服务方式是不够的。厂商需要根据具体场景，在技术基础上提供定制化的解决方案，并封装为应用到业务系统中的产品，即“AI+产品”。另外，厂商需要提供持续性的业务运行服务，才可让AI产品真正发挥价值，以保证达到最终业务效果，即“AI+服务”。
投入产出比失衡。对于企业来说，在业务中落地AI技术应用，至少包括两个层面的成本：芯片、算法平台等智能化产品、引进算法工程师等人工智能方面人才。目前，一些数据平台、机器学习平台的涌现，提高了人工智能建模的自动化程度，同时也降低了整个业务流程对算法工程师的依赖，AI应用的总成本有待降低。此外，未来算法的进步可降低硬件标准，也可促使成本的节省。
人工智能是新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎，重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。所以我们应该尽早知道人工智能产业的痛点及提出应对方案。
