压庄龙虎计划CTRL+D收藏本站    您好!欢迎来到ibloz.com

                                                                      首页 > 压庄龙虎计划 >  正文

                                                                      90%人工智能公司都虧損?AI盈利難背後的大數據門檻

                                                                      本文由:王元枫 编辑 2019年07月21日 16:39 科技前沿48453 ℃

                                                                      【高考移民冒用户籍】

                                                                      其次團隊建設不能僅依靠明星工程師π﹡,而是要建立一個完善的、跨學科、跨職能的團隊☆π。同時不要期待AI立刻產生作用♀〇,而是要多次嘗試∴π┊,對AI發展的回報曲線進行合理預算π♂。不要使用傳統的流程評估人工智能項目〇∵↑,應該為AI項目團隊設立合適的KPI和目標﹡♂。

                                                                      據楊強介紹□∵☆,聯邦學習分為橫向聯邦和縱向聯邦⊙π▽,橫向聯邦是指企業各方數據維度相同、ID維度不同♂,更多存在於消費者應用中;縱向聯邦是指企業各方數據的ID維度相同(樣本重疊)、數據維度不同♀〇∴,更多存在於B端應用▽。

                                                                      「小數據」崛起針對數據割裂帶來的人工智能落地難問題〇,楊強提出了聯邦學習△∴。所謂聯邦學習∵,是多個數據方之間組成一個聯盟♀?,共同參与到全局建模的建設中◇∵,各方之間在保護數據隱私和模型參數基礎上△∵△,僅共享模型加密后的參數∴∟,讓共享模型達到更優的效果∴。

                                                                      「有關 AI 的應用越來越多了□,但企業的 AI 轉型並不是開發一個 APP 這麼簡單◇♂,不要指望AI解決所有的問題◇♀□,也不要指望AI項目一次性就成功↑↑∵。」吳恩達表示⊙。

                                                                      面對AI落地難、盈利難問題☆∴▽,吳恩達則認為♂?,在期待AI為企業帶來紅利之前⊙△△,企業需要避免幾個陷阱▽?⊙。首先AI技術會影響很多企業做業務的核心π,所以選擇項目是非常重要的☆,從小的項目開始∟↑⊙,可以建立好的基礎⌒,同時幫團隊獲得動能◇☆。

                                                                      例如針對保險行業的個性化保險定價問題◇ππ,一家互聯網企業和一家保險企業進行數據合作┊,這種合作數據的ID重合度相當大♂,數據特徵維度大大增加∟∟∵,使模型的個性化定價效果顯著提升π⌒,為保險企業帶來8倍覆蓋率提升和1.5倍利潤率提升∟。

                                                                      數據割裂致使落地難「我們經常提及大數據┊∵,但事實上我們並不需要那麼多的數據□△┊,AI未來一個趨勢是小數據崛起◇♂↑。」在市北·GMIS 2019全球數據智能峰會上☆♂♂,斯坦福大學教授、Landing.ai創始人、CEO吳恩達表示┊♂。

                                                                      AI落地場景在不斷增多☆,但賺錢依舊艱難◇。根據億歐報告顯示〇⊙,2018年全年♂π♀,近90%的人工智能公司處於虧損狀態∴,而10%賺錢的企業基本是技術提供商﹡。從談概念、講技術﹡,到拼場景、搶落地▽,建立在大數據基礎之上的人工智能▽♀,仍面臨數據本身帶來的挑戰〇▽。

                                                                      以保險行業利用AI進行個性化定價為例☆☆,背後需要業務數據和用戶互聯網行為數據融合♂,理想的狀態是可以拿到非常豐富的用戶畫像↑,與用戶的ID高度匹配〇,但實際情況迫於隱私、安全、法規等原因△﹡∵,企業可以應用的數據是非常有限的?☆。

                                                                      橫向聯邦學習方面⊿,在手機行業∵,通過在本地建立加密上傳的小模型∴☆∴,服務器端看不到內容卻可以把模型匯聚起來□♀,進行雲端模型的更新﹡〇,新的通用模型再釋放給手機∴△,幫助用戶自動化進行圖片標註⌒□。這樣既保護了用戶隱私◇⊙,也可以進行模型學習和更新△∵。

                                                                      压庄龙虎计划

                                                                      楊強認為「中國版GDPR」即將到來♀,數據隱私在走向嚴格化、全面化♂┊〇,這使得企業在實際應用中可以使用的數據維度和範圍並不大π。數據隱私保護的趨嚴↑∟,為人工智能技術升級提供了契機↑。

                                                                      一個具體的案例是工廠手機屏幕划痕檢測〇。目前不少是利用人眼來檢測手機是否存在划痕△♂□,如果擁有100萬個划痕手機∴♀↑,AI可以非常高效的識別手機划痕↑∴?。但現實情況是沒有任何工廠會有幾百萬不同划痕的手機⊿,這個時候小樣本學習(few shot learning)□☆,即利用較少的數據得出同樣準確結論的人工智能┊,將有助於推動整個領域的發展∟∴。

                                                                      小樣本學習的迫切性更在於落地過程面臨的數據孤島、數據隱私保護導致的數據割裂問題♂♂∟,讓AI技術很難充分發揮價值∴♀。

                                                                      今年5月〇,國家互聯網信息辦公室發佈了《數據安全管理辦法(徵求意見稿)》∟▽,提出在中國境內利用網絡開展數據、存儲、傳輸、處理、使用等活動⌒,以及數據安全的保護和監督管理意見▽。

                                                                      楊強認為聯邦學習最大的優勢是保證數據不出戶♂,通過生態在不同行業選取合作夥伴↑∟,用群體智能不斷提升模型效果⊿⌒。因此聯邦學習一定是多方共同協作組成一個聯盟♀,生態的建設十分重要﹡π。

                                                                      再例如在小微企業貸款應用方面◇〇,AI需要引入票據數據、資產數據、輿情數據等⊙⊙,但由於數據的割裂⌒⊿,實際應用中只能使用一些政府的數據▽↑,例如央行的徵信報告◇,但這些報告只能覆蓋不到10%的人群◇。這一問題在醫療領域更為明顯∵,不同醫院的醫療影像數據很難匯聚到一起⌒,形成大數據來訓練一個醫療模型☆∵⊙。

                                                                      压庄龙虎计划

                                                                      「和AI用於比賽需要上千萬的圖片訓練不同↑,當AI深入行業我們看到數據往往是小數據和細碎的數據▽,也就是沒有聯通起來的數據⌒,再先進的AI技術也很難用上〇。」國際人工智能學會理事長、香港科技大學教授、微眾銀行首席人工智能官楊強說道♀⌒。

                                                                      ( 郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。 )

                                                                      站内搜索
                                                                      热门搜索
                                                                      关注我们