Tech Trends 2017

洞察

揭秘人工智能

商业领袖需要了解的认知技术

人工智能在近几年备受关注。科技公司自2011年以来对研究开发人工智能相关产品和技术的投资已超过20亿美元,还投资了数十亿美元来收购人工智能初创公司。

认识人工智能的第一步是定义这个术语,概述它的历史,并描述其中的一些核心技术。

  1. 定义人工智能

    人工智能的领域定义太少也太多。Nils Nilsson是该领域的奠基人之一,他写道,人工智能“可能缺乏一个公认的定义……”。一本备受尊重的人工智能教科书在它的第三版中,提供了人工智能的8个定义,但并未明确表明更推崇其中的某一个。对我们来说,人工智能的一个有用的定义是计算机系统的理论和发展能够执行通常需要人类智能参与的任务。例如视觉认知、语音识别、决策不确定、学习和跨语言翻译等。当我们用人类所做能的事情,而不是人类的思维方式来定义人工智能时,我们就可以在科学界对智力的神经机制产生明确认识之前,讨论它的实际应用。
  2. 人工智能的历史

    人工智能不是一个新概念。实际上,这个词本身可以追溯到上世纪50年代。这一领域的历史可以被恰当的总结为“充满了炒作和高期望的时期,交替出现挫折和失望”。研究人员于1950年阐明模拟人类智能的大胆目标后,在1960年开发了一系列示范项目,并在70年代展现了计算机能够实现一些一度被认为是只有人类才能完成的任务,如证明定理,解决计算问题,通过计划和执行身体动作来回应命令——甚至模仿心理治疗师和作曲师。但是处理不确定性问题的算法不够成熟,以及计算能力的限制,阻碍了解决更难或更多样化问题的尝试。在缺乏持续进步的失望之中,到20世纪70年代中期,AI研究不再是一种潮流。

    上世纪80年代初,日本推出了一项计划,开发一种先进的计算机架构,以推动人工智能领域的发展。西方对被日本赶超的担忧促使其决定重新投资人工智能领域。20世纪80年代见证了商业AI产品供应商的诞生,其中一些公司已经开始上市,比如英特尔、Symbolics和Teknowledge。到了20世纪80年代末,500强中有近一半正在开发或维护“专家系统”。

    人工智能是以事实和规则为基础,对人类的专业知识进行模拟的一种技术。
    人们曾对“专家系统”的潜力寄予厚望,但是由于它们的局限性,包括缺乏明显的常识,难以捕捉专家的隐性知识,以及建立和维护大型系统的高成本和高复杂性等的问题,这种期望最终又被搁置。人工智能技术的发展又失去了动力。

    上世纪90年代,人工智能方面的技术工作仍处于较低的水平。但是神经网络遗传算法等技术得到了新的关注,一部分原因是它们避免了专家系统的一些局限性,另一部分是因为新算法使它们更有效。神经网络的设计灵感来自于大脑的结构。遗传算法旨在通过迭代地生成候选解决方案来“升级”解决问题的方法,剔除掉最弱的解决方案。并且通过引入随机突变生成新的解决方案。
  3. 人工智能发展的催化剂

    到20世纪末,许多因素推动了人工智能的进步,尤其是在一些关键技术方面。下文列举了促进人工智能发展的几大关键性因素,并对其进行了详细阐述。

    摩尔定律:
    在给定的价格和规模下,计算能力的持续增长,被称为摩尔定律。

    大数据:大数据为人工智能的发展提供很大助力,因为一些人工智能技术会使用统计模型进行数据分析推理,例如图像、文本或语音。通过大数据来验证这些模型,可以使模型得到改进或者“训练”。

    互联网和云:将人工智能的进步归功于互联网和云计算有以下两个原因。首先,互联网和云连接的计算设备能够提供和计算海量的数据和信息, 这为需要大量数据集进行工作的人工智能提供了助力。第二,它们为人类提供了一种有助于培训人工智能系统的能够多方参与的方法。

    新算法:近年来,开发出的新算法极大地提高了机器学习的性能,机器学习技术是计算机视觉等其他技术的推动者。
  4. 认知技术

    在此我们把人工智能和该领域中衍生出的新技术区分开讨论。大众媒体将人工智能描绘成智能或比人类聪明的计算机。相比之下,某些单独的技术在执行特定的任务时表现得更好,我们称之为认知技术。下面我们将列举一些被广泛采用、取得快速进展或获得巨额投资的认知技术。

    计算机视觉:
    计算机识别图像中的物体、场景和活动的能力。计算机视觉技术使用图像处理操作和其他技术将图像解析并分割成可管理的部分。

    机器学习:计算机系统在不遵循明确编程指令的情况下,通过接触并处理数据来提高性能的能力。机器学习的核心是计算机自主发现数据中的特殊模式。一旦成功,这种“模式”就可以用来预测结果

    自然语言处理:计算机以人类的方式处理文本。例如,从文本中提取文意,甚至可以将文本生成通顺的,语法正确且风格自然的句子。

    语音识别:计算机自动并准确地翻译人类语音。语音识别系统使用的是一些与自然语言处理系统相同的技术,另外还有一些声音模型,比如描述声音的声学模型,以及它们在给定语言中出现的概率。
  5. 德勤应用与实践

    德勤的角度来看,现在的问题是:“公司客户和各成员所如何从使用认知技术中获益?”德勤美国创新团队开发的一个软件应用正与德勤美国的审计咨询业务进行密切合作,并已经帮助公司节省了大量时间和资金。然而,这对于那些梦想着未来的人而言,这样的进程也许只是刚刚起步。

    2014年10月,由德勤美国创新团队开发并上线了一个人工智能文档审查平台,它自动化了从合同中读取和提取关键信息的过程。通过将第三方机器学习算法与德勤美国领域专家提供的“训练”相结合,该技术通常可减少至少50%检查文档的时间,从而使用户能够专注于增值分析解释性活动

    德勤美国创新团队总监Craig Muraskin说,团队每年审阅数千份文件,因此可以节省成倍的时间,是数量级的效率提高改进。此外,应用程序的分析和可视化功能使提取合同和文档中的数据成为可能,也能让用户快速了解潜在的风险因素,并获得更深刻的见解。

    合同审阅应用程序现已成为一种引领变革的能力,涉及审计、管理咨询和其他咨询服务。我们还发现它对多种文件类型,包括发票、财务报表、董事会会议记录也同样有效,”Muraskin说,“我相信我们很快就会扩展这个平台来解决其他问题。我们的客户可以通过多种方式从这项技术中获益。”

    支持这个平台的认知技术是由很多或大或小的第三方公司提供的,这些公司正在开发认知技术或AI解决方案。德勤美国正在与这些开发人员合作,其中包括IBM。沃森的认知系统目前提供了一个全面的认知计算平台,它是专门为广泛支持企业解决方案而设计的。

    德勤致力于成为认知技术运用领域的创新者。德勤的成员所正与一些小公司合作,帮助补充和扩展德勤认知技术能力。“我们的目标是提供全面的认知先进的分析解决方案,以帮助我们的客户做出更明智的决定,” 德勤美国创新领袖Paul Roma说到。

    德勤最近成立了一个2000万美元的基金,专为新的认知技术平台提供资金支持,让其为德勤的市场业务制定解决方案。“这对我们来说是一个游戏规则的改变。”Roma说到“我们将打造自己的平台,由认知技术供应商提供原动力。利用这个平台,我们将为客户创建和部署新产品。该基金将成为创新的真正催化剂。”

    随着认知技术逐渐成熟和德勤的应用经验不断累积,德勤各成员所探索和应用认知技术相关服务的方式也会不断发展。“我们预计,随着认知技术的不断发展,它的应用市场将会大幅增长,人们会找到更为实用的方法来利用认知技术解决商业问题,” 德勤的首席分析技术负责人Nitin Mittal说到“作为一个拥有深厚行业经验的国际公司,德勤十分看好认知技术的强大能力。德勤需要将这些技术融入到我们现有的业务当中,为成员所的客户提供创新性的认知解决方案。”
(仅限英文版)
此内容是否提供了您需要的资讯?