關于我們
書單推薦
新書推薦
|
AI應用落地之道 讀者對象:本書適合人工智能、互聯(lián)網等相關領域研究人員參考閱讀。
當人們聽說“AI的進化將剝奪人類的就業(yè)機會”時,出于對機器的擔憂和反感,他們就會產生逆反心理,從而造成對AI能力的過高預估;另一方面,當這種過高的期待沒有實現(xiàn)時,人們就會產生對AI的全面否定,如“AI什么也干不了”“到頭來還不是一無是處、毫無意義”。我們該如何澄清關于AI的各種誤解,使企業(yè)能夠從容自如地使用AI?本書作者野村直之30多年來一直致力于AI的開發(fā)、應用和部署。在本書中,他針對已經參與或即將參與AI系統(tǒng)相關工作的讀者揭示了諸多為了充分應用AI系統(tǒng)需要掌握的要點。
隨著AI與智能機器人時代的到來,將AI與人類相提并論的言論不絕于耳,你是否也有這樣的疑問:
·雖然對目前的AI有基本的了解,但不清楚具體該做什么,也不知道該從何處入手;
·構建AI系統(tǒng)時應該使用什么樣的硬件和軟件?
·AI云服務真的很便捷嗎?
·自己的企業(yè)內部并沒有可立即用于機器學習的大數(shù)據,該怎么辦?
·希望能用到貨真價實、***高的AI產品和AI系統(tǒng)實施服務,但如何才能辨別良莠?
·我們怎么才能成為AI時代需要的人才?
無論是正在應用AI系統(tǒng)的推廣部門、信息系統(tǒng)管理部門、經營企劃部門,還是正在考慮引入AI系統(tǒng)的物流部門、生產管理部門,抑或是為企業(yè)客戶提供AI系統(tǒng)應用咨詢與支援服務的供應商,在應用AI系統(tǒng)時,自始至終都要保持以數(shù)字結果為導向,肩負實證評估的責任。
只有立足于AI供應商和用戶企業(yè)雙方的立場,才能催生出新的應用形態(tài)與案例,從而使企業(yè)通過運用AI獲得較高的投資回報率,提升生產效率,從而解放人類工作者,使其從事更有意義、更有趣、更富有價值的工作內容,進一步提升社會整體的幸福感。
引言
Ž 未來 AI 時代人類工作的價值 如今,人工智能(以下稱 AI)技術得到了迅速發(fā)展,已具備了識別圖像、聲音、數(shù)列、文章的能力,這也讓以往的計算機望塵莫及。例如,AI 能夠輕而易舉地在合影照片中識別出具體的人物,而且準確度高,其能力已經相當于兒童的水平,實在令人驚嘆。 一方面,這樣的進步讓從事 AI 研究的人員感到非常興奮。雖然未來充滿了不確定性,但大家似乎已經都沉浸在“AI 無所不能”的樂觀情緒之中。許多媒體都開始聲稱“AI 能和人類一樣學習進化”“AI 能順應大趨勢進行決策”,然而,這些說法其實與事實還有很大的差距。更有學者表示,“AI 的進化將剝奪人類的就業(yè)機會”,這又讓一些人陷入了焦慮當中。 另一方面,提供 AI 產品與服務的企業(yè)為了宣傳產品的效果,不斷強調 AI 是數(shù)字化的勞動力。這些宣傳會讓人產生錯覺,以為現(xiàn)在的 AI 已經具有自我意識和責任心,所有的行為都能與人類一樣符合社會常識。 除了以上種種,所謂“人工智能”的稱呼本身,也確實容易讓人高估它的能力。事實上,目前社會中流行的關于 AI 的各種說法中包含了很多誤解。 我可以斷言,短期內不可能出現(xiàn)具有完整人格的 AI 或機器人。除了一部分特殊的單純性工作(如只需要依靠視覺的崗位會完全交由 AI 負責),對于普通性工作,AI 能夠替代人類完成的部分,也只占到全部工作的 1% ~ 30%。 NTT DATA 經營研究所在 2017 年 7 月發(fā)表的針對東京地區(qū)和其他城市地區(qū)約 1000 名白領的調查報告顯示,他們認為 AI 取代了自己大約 30% 的工作內容。a 這樣的結果和我的預測幾乎一致,反倒讓我有些驚訝。 這一結果也幾乎與未來五年或十年內 AI 提高白領工作效率的預測一致。預測顯示,使用 AI 能使生產效率提升 3% ~ 5%。 Ž 合理使用 AI 的方式 一方面,當大眾聽說“AI 的進化將剝奪人類的就業(yè)機會”,出于對機器的擔憂和反感,就會產生逆反心理,從而造成對 AI 能力的過高預估;另一方面,當這種過度的期待沒有實現(xiàn)時,又會走向另一個極端,即對 AI 的全盤否定,如認為“AI 什么也干不了”“真要用 AI 的話,得費很多周折”“不給 AI 供應商提供大量數(shù)據就沒法用”“到頭來 AI 還不是一無是處、毫無意義”。 和過高的期望一樣,因為不了解 AI 的真實情況和能力就將其全盤否定,也是對 AI 的誤解之一。 我們該如何澄清關于 AI 的各種誤解,使企業(yè)能夠妥當?shù)厥褂?AI ? 此處所謂的妥當使用,是指企業(yè)通過運用 AI 能獲得較高的投資回報率(ROI),合理地提升生產效率,讓人類工作者能夠騰出手來從事更有意義、更有趣、更富有價值的工作內容,從而獲得幸福感。 我在這本書中主要針對已經參與或即將參與 AI 系統(tǒng)相關工作的讀者來揭示 AI 的本質,同時說明引入 AI 系統(tǒng)時必不可少的精度測試,以及以此為基礎的業(yè)務流程(擴展、復雜化)設計方法等諸多為了充分運用 AI 系統(tǒng)需要掌握的要點。本書將就以下的疑問進行詳細地解答。 ƒ 雖然對目前的 AI 有基本的理解,但不清楚具體該做什么,也不知道該從何處入手。 ƒ 構建 AI 系統(tǒng)時應該使用什么樣的硬件和軟件? ƒ 聽說有很方便的 AI 云服務,是真的嗎? ƒ 自己的企業(yè)內部并沒有可以立即用于機器學習的大數(shù)據,該怎么辦? ƒ 希望能用到貨真價實、性價比高的 AI 產品和 AI 系統(tǒng)實施服務,但如何才能辨別? 正在進行 AI 系統(tǒng)應用的 AI 推廣部門、信息系統(tǒng)管理部門、經營企劃部門、新事業(yè)開發(fā)部門和考慮引入 AI 系統(tǒng)的物流部門、生產管理 / 質量控制部門,以及為企業(yè)客戶提供 AI 系統(tǒng)應用咨詢與支援服務的供應商、咨詢公司,都能通過本書找到可以取得立竿見影效果的措施。 Ž AI 是一個既便捷又特殊的輔助性工具 我先前在企業(yè)工作,后又轉到大學,再到如今經營自己的創(chuàng)業(yè)公司,一直從事與 AI 有關的研究開發(fā)和面向企業(yè)的應用服務,深感 AI 確實是一個便捷的工具,但卻有著自己的個性。33 年來,我一直致力于 AI 的開發(fā)、應用和部署。 過去 10 年中,我們一直在開發(fā) AI 應用產品和 API(應用程序編程接口),并以云服務通讀、內部部署(服務器安裝類型)或租賃的形式提供給企業(yè)客戶。同時,為一些行業(yè)的領先企業(yè)、大學的AI 系統(tǒng)應用項目提供幫助。 在應用 AI 系統(tǒng)時,我們自始至終保持以數(shù)字結果為導向,肩負實證評估的責任,抱著與客戶共進退的嚴謹態(tài)度。我們不會輕率地將部署傳統(tǒng) IT 系統(tǒng)的方式套用在 AI 系統(tǒng)應用上,這樣只會讓系統(tǒng)變得徒有其表;也不會本末倒置地把使用 AI 當成最終目的,生搬硬套特定 AI 產品。 最近幾年,我們立足于企業(yè)經營決策者的立場,著眼于文本分析類的 AI 應用開發(fā),并且自己也在日常工作中使用它,不斷地實踐。文本分析類的 AI 不僅有可見的定量效果,同時還能幫助經營者發(fā)現(xiàn)那些僅憑人工無法察覺的啟示。 2006 年,我們在經濟產業(yè)省 IPA(信息技術促進機構)的獨創(chuàng)軟件事業(yè)評比中獲得了“超級創(chuàng)造者”的認證。此認證源自我們創(chuàng)造的一種 IT 開發(fā)方式,即讓那些具有潛在需求的業(yè)務部門,與不懂業(yè)務但具有其他行業(yè)先進案例經驗和 IT 工具改進創(chuàng)意的 IT 人員進行配對,以敏捷開發(fā)(agile)的方式,在構建新 IT 系統(tǒng)原型的過程中明確需求。我們將這種新的開發(fā)方式稱為“配對需求開發(fā)”。 從那時起,我們就一直致力于建立起一種方法論,并不斷實踐至今,即同時立足于 AI 的供應商和用戶企業(yè)雙方的立場,公平地予以觀察,通過雙方互相學習,催生出新的應用形態(tài)與案例。 在接下來的章節(jié)中,我們將根據自身已有的經驗,對從 AI 系統(tǒng)部署和應用、實證測試(PoC“概念驗證”、可行性研究,然后通過 PDCA 將應用范圍進行擴展)到系統(tǒng)上線后的維護進行說明。在第 1 章中,我們會對 AI 的現(xiàn)狀進行說明;在第 2 章中,我們將對使用 AI 核心技術“深度學習”(Deep Learning)的方法進行解說;在第 3 章中,我們將會介紹用好 AI 的關鍵在于目標精確度的評測與活用,并講解具體的方法;第 4 章是本書的核心,從樣本數(shù)據的 制作方法到硬件、軟件的選擇,為讀者展示充分活用 AI 所需要的專業(yè)知識實例。 Ž 當今的 AI 具有廣闊的應用前景 目前的 AI 僅僅是一種輔助性工具。例如,我所經營的元數(shù)據公司提供的“貓辨識”系統(tǒng),就是一個典型的只具備單一功能的專用 AI。它會把所有輸入的圖像一律視為“貓”,并將其與 67 種貓做比較,計算概率值輸出。無論是人臉還是車前擋,都被這個系統(tǒng)視為貓,只會在“貓”的范圍里做判斷。 具有自我意識、干勁、責任感、談判能力、真實的喜怒哀樂以及同理心,能夠和人類共事或者向人類推銷商品的 AI 何時會出現(xiàn)?在以 24 世紀為舞臺的科幻作品《星際迷航:下一代》(Star Trek: The Next Generation)中,作為男二號的生化人數(shù)據少校(Mr.Data)雖然沒有情感,但卻具有好奇心、自我意識和使命感,能夠為了夢想而發(fā)揮真正的創(chuàng)造力。這樣可靠的 AI 生命體如果能成為人類的伙伴,那將多么美妙呀!這樣的 AI 的出現(xiàn),就是實現(xiàn)了用人工智能復制人類的夢想。 然而,就目前的科學技術發(fā)展情況而言,這樣的 AI 或機器人尚無實現(xiàn)的可能。這一奇點(技術進化的關鍵節(jié)點)應該也不會出現(xiàn)在 21 世紀。 著名的腦科學家茂木健一郎先生甚至有些聳人聽聞地聲稱“奇點已經發(fā)生”。a 其真實目的可能是為了讓大眾理解計算機原本就具有遠超人類的記憶和計算能力,在特定方面其實早已超越了人類,因此不必對它今后的進化太過在意。這樣的觀點和“AI 只是工具”的論調如出一轍。 特別是在 2015―2016 年 AI 正值熱潮時,將 AI 與人類相提并論,號稱它會威脅人類就業(yè)的聲音不絕于耳。針對此類言論,我主張“目前的 AI 都只是一種輔助性工具。既然是工具,其某些功能理所當然要超過人類(這是工具誕生的理由)”。換言之,所有 AI在誕生之初,在某些方面必然超過人類,所以討論所謂“AI 何時能超越人類”毫無意義。這樣的主張與用模糊的定義討論 AI 與人類智力相比孰高孰低的態(tài)度截然不同。 我之所以能如此斷言,是因為如今那些我們看得到商業(yè)化前景的 AI 已經讓我們感覺到廣泛應用的可能性。這種可能性也許會讓我們的經濟和社會發(fā)生顛覆性的改變。而要將此種可能性轉變?yōu)楝F(xiàn)實,需要做大量的工作。要不斷激發(fā)提升 AI 應用效果的創(chuàng)意,收集數(shù)據,思考應用的方式并加以驗證,還要不斷地擴充業(yè)務流程,逐步提升生產效率,等等。 當前,我們應該利用現(xiàn)有的 AI 部件和素材,盡可能提升生產效率、提高服務水平、擴展 AI 服務的對象范圍。 特別是在日本,由于出生率下降和人口老齡化,預計到 2030 年勞動力人口將減少13%。也正是因為存在這樣的問題,在提升白領生產力和 AI 開發(fā)的國際化競爭中,日本將會落后于歐美國家和中國。因此,正確理解 AI 的實際情況和特性,全力推動 AI 應用才是目前最緊迫的任務。 而那些屬于自然科學研究范疇,以實現(xiàn)與人類有著同等意識、羞恥心、責任感為使命的“強 AI”,我認為目前不需要花費大規(guī)模的研究經費。此外,能夠自我學習、將學習成果高度抽象化,并通過類比解決不同領域未知、未得到驗證的問題的通用 AI 和 AGIa,目前也無法實現(xiàn)其商業(yè)化應用。 如果出現(xiàn)了號稱 AGI 的產品,那你可以基于本書以及我寫過的《人工智能改變未來》一書中的分析進行判斷。如果該產品的應用能降低成本,同時其制作樣本數(shù)據的難度以及應用成本能得到控制,那么嘗試開發(fā)與應用也未必不可。但是,我們基本上不能抱有過高期望,此時,保持冷靜審視 AI 的功能與企業(yè)課題是否匹配的態(tài)度尤為重要。 就降低成本、節(jié)省制作樣本數(shù)據的投入而言,相比 AGI,可以在一定程度上復制現(xiàn)有的機器學習成果的“遷移學習”(Transfer Learning)更值得關注。加之對于目前的產業(yè)圈而言,積累機器學習的應用技巧和經驗,確立以合理成本和適當規(guī)模制作樣本數(shù)據的方法論更為重要。 當前許多機器學習算法仍無法自學(非監(jiān)督式學習),因此提升制作樣本數(shù)據的效率和精度極為重要。雖然存在部分無監(jiān)督數(shù)據的學習,但它無法正確反映現(xiàn)實世界的常識,所以其用途有限。類似于圖像數(shù)據庫 ImageNet 及其所基于的大型概念網絡 WordNet 這樣的樣本數(shù)據庫,也會隨著 AI 的發(fā)展具有更多的附加價值。 Ž 從知識勞動到“智能勞動” 在第 5 章中,我們將講解從事 AI 應用工作的人員應具備的技能。如果 AI 能夠吸收大量知識并活用于信息處理、判斷和提出建議,那么人類就能騰出手來從事附加值更高的工作。 當今社會,人類面臨著前所未有的變化,需要具有突破現(xiàn)有局面的能力,這也是 AI 難以做到的。要具有這樣的能力,不僅要能發(fā)現(xiàn)問題,還要能夠恰當?shù)囟x問題涉及的范圍,為解決問題設定目標(精確度和成本)。 在人類的工作從知識勞動轉向“智能勞動”的時代,明確為此需要怎樣的教育以及在職培訓是很重要的課題。 最后,在第 6 章中,我們會審視日本在 AI 應用方面與歐美國家及中國之間的差距。即使日本拼命努力,這些差距也可能無法縮小,反而會日益擴大。這是日本面臨的嚴峻現(xiàn)實。 大多數(shù)情況下,在應用許多單一功能的專用 AI 后,業(yè)務流程會變得更加復雜,人類的工作數(shù)量與種類也會隨之增加。到 2030年時,日本勞動人口數(shù)可能會減少到只相當于 2012 年 87% 的水平。 此消彼漲,相對于失業(yè),日本會面臨更嚴峻的勞動力不足的問題,有必要認真思考更有效的 AI 應用方法了。 今后幾十年內,如果通過 AI 技術的落地應用而提升的生產效率只有百分之十幾的話,那在不斷為更多消費者提供高質量服務的國際背景下,即使消費者的需求日益增長帶來巨大的市場機會,日本也無法參與競爭。 經濟產業(yè)省在 2016 年表示,按目前的情況,因工作被 AI 和機器人取代而失業(yè)的人員數(shù)量最高可達 735 萬人。a 這個預測的最大問題在于測量生產效率時往往低估了商品數(shù)量(包括服務在內的產品數(shù)量)的增加。 近年來,隨著智能手機的迅速普及,一些通過優(yōu)秀的 App 提供顛覆性服務的行業(yè),也會帶動其他行業(yè)轉變,因為消費者的需求被這些行業(yè)提升了。在服務質量的提高以及服務對象范圍的擴展中,社會整體的幸福感也被提升了。假設服務質量與服務對象范圍都提升 10 倍,那么商品數(shù)量作為計算生產效率時的分子,就應該將兩者相乘而得到提升 100 倍的結果。 “質量 × 數(shù)量”使得商品數(shù)量相應大幅增加,但到 2030 年勞動力將會減少 13%。在此背景下,單純吸引外來勞動力無疑是杯水車薪,除了全面應用 AI 將生產效率巨幅提高之外別無他法。 2017 年 7 月,以 105 歲高齡去世的日野原重明醫(yī)生說過:“一直埋頭拼命努力挑戰(zhàn)人生,一抬頭發(fā)現(xiàn)已經超過了 100 歲!庇纱孙@示出其致力于發(fā)揮智能、銳意開拓,以及創(chuàng)造知識的人生態(tài)度。這樣的精神在今后的 AI 時代依然會熠熠生輝。 在未來的 AI 時代,希望人類能夠創(chuàng)造屬于自己的工作價值,并由此提升社會整體的幸福度。我將本書獻給所有抱有這樣美好愿望的人們,也希望借此獲得更多的共鳴與認同。
野村直之
1984年畢業(yè)于東京大學工學專業(yè),2002年獲得九州大學理學博士學位。曾在NEC C&C研究所、JUSTSYSTEM公司、法政大學、理光集團任職,后擔任法政大學客座教授。 2005年創(chuàng)立元數(shù)據公司,從事大數(shù)據分析、社交網絡應用、各種人工智能應用方案的提供等方面的工作。在此期間,擔任MIT人工智能研究所客座研究員,與人工智能之父馬文・明斯基曾同在一個實驗室,并與該校語言學者諾姆·喬姆斯基進行過學術探討。 他曾參與名詞網絡(Wordnet)的應用研究以及日本第五代計算機開發(fā)機構(ICOT)衍生知識庫開發(fā),同時對AI在產業(yè)、生活、行政、教育等領域的應用保持著高度的關注。
目錄
第1章 當今 AI 的功能與局限 關于 AI 常見的誤解 // 2 利用大數(shù)據的圍棋 AI // 5 如何有效運用“幼兒智能” // 6 思考能夠使用圖像識別技術的商業(yè)領域 // 7 深度學習是“原始數(shù)據計算” // 9 通過三個數(shù)軸對 AI 進行分類 // 12 深度學習是如何提取特征的 // 14 “模式識別”:AI 的眼睛和耳朵 // 17 使用深度學習的機器翻譯能夠獲得壓倒性勝利的原因 // 20 “強 AI”的出現(xiàn)至少要到 22 世紀嗎 // 26 指數(shù)函數(shù)的恐怖 // 28 知識量的增加至多是二次曲線級 // 30 充分運用深度學習的必要性 // 34 深度學習與其他方式的結合也很有價值 // 36 第2章 使用深度學習的基本流程 在 AI 應用中不可或缺的目標設定 // 40 分享評測數(shù)據使其可以共用 // 42 作為精度指標的“精確率”和“召回率” // 44 作為前提的正確結果不止一個 // 46 不同場景中對精確率和召回率的重視程度不同 // 47 業(yè)余和專業(yè)所需的精度是不同的 // 49 深度學習的準確性評估測試非常簡單 // 51 能準備反映共同特征和多樣性差異的訓練數(shù)據 // 53 使用開發(fā)環(huán)境進行數(shù)據學習的流程 // 55 注意過度擬合 // 59 第3章 目標精度的實際評估和利用 從危險駕駛分類中了解自動駕駛的問題 // 66 AI 給生產力帶來的提升效果 // 71 交通標志與 AI 的匹配和 RFID 化也是必要的 // 73 精度目標的設定和預算是“雞與蛋”的問題 // 79 自動駕駛需要用各種觀點進行綜合評估 // 81 特斯拉汽車為何發(fā)生車禍 // 82 結合預期值評估服務質量非常重要 // 85 設計業(yè)務流程時的混淆矩陣很重要 // 89 用附有概率值的判定結果將分支條件精細化 // 93 根據置信度對處理結果進行場景分類 // 96 為每個樣本或醫(yī)療機構設置最佳精度 // 98 對 AI 糾錯的意義 // 101 如何評估聊天機器人的準確性 // 103 用“對話成立度”對精度進行定量評估 // 107 參考信息技術架構庫改善業(yè)務流程 // 109 讓 AI 學習特殊情況下的數(shù)據 // 112 第4章 AI 部署的實例 企業(yè)的數(shù)字化 // 116 將 AI API 化后公開 // 118 AI 部署的戰(zhàn)略以及企業(yè)內部體制 // 120 制作樣本數(shù)據時的注意點 // 125 標注人員進行的標注工作 // 127 增加相互之間只有少許差異的樣本數(shù)據 // 129 深度學習的引入需要耐心 // 132 描繪實際運行整體系統(tǒng)的結構 // 135 GPU 的挑選:目前 NVIDIA 是唯一選擇 // 138 硬件的選擇:性能要超過十幾年前最先進的超級計算機 // 142 主內存要注意主內存容量 // 143 GPU 云服務也是一種選擇 // 151 深度學習的機制是多種多樣的 // 154 主流深度學習框架的特點和選擇 // 156 多種類型的網絡結構該如何進行選擇 // 160 編程語言幾乎只有 Python 一種選擇 // 160 利用現(xiàn)成 AI 資源的意識 // 162 將完成后的 AI 應用程序化、API 化 // 164 將 API 向世界公開 // 166 爭取各種安全措施保護隱私 // 167 以眼還眼,以 AI 對 AI // 169 保護 AI 開發(fā)企業(yè)的防盜版措施 // 171 主動公開部分源代碼的交付方法 // 173 第5章 AI 部署人才應具備的技能 用戶企業(yè)如何獲得 AI 人才 // 177 用戶企業(yè)的管理人員應掌握的心得 // 178 AI 時代需要我們具備福爾摩斯般的思考能力 // 179 AI 人員所需的資格和專業(yè)領域 // 180 舊知識可能成為絆腳石 // 183 樣本數(shù)據的準備成為開發(fā)工作的核心 // 184 在 API 經濟中擅長混聚開發(fā)的人才更重要 // 186 AI 人員的溝通能力不可或缺 // 187 知識會迅速過時 // 189 從知識勞動到智能勞動 // 191 知識將可以無償獲得 // 193 思考人類與 AI 的角色分擔 // 196 即使沒有大數(shù)據,人類也可以相對準確地推斷 // 199 實現(xiàn)不同專家合作的“配對需求開發(fā)” // 203 推動 AI 項目的關鍵人才 // 205 熟練工藝移植給 AI 后的產業(yè)空心化對策 // 208 第6章 將 AI 用于商業(yè)用途時需注意的問題 大數(shù)據越來越重要 // 213 利用 AI 防止人類被數(shù)據牽制 // 214 AI 的知識獲取瓶頸 // 216 數(shù)據準備和增值更要活用 AI // 219 準備和收集樣本數(shù)據時的要點 // 222 AI 在日本的應用前景廣闊 // 224 與人類相同的服務員 AI 會出現(xiàn)嗎 // 226 人文和哲學對于 AI 研究人員來說非常重要 // 230 基本收入制度無法解決問題 // 233 將 AGI 作為工具使用 // 234 結語 // 237
你還可能感興趣
我要評論
|