本篇文章3223字，读完约8分钟
至于机器代替人类的谣言，事实正好相反。人工智能是关于机器增强人类的。
如果你是一名职业经理人(只要你不是数据科学家或机器学习专家)，你可能已经深深沉浸在主流媒体对人工智能铺天盖地的宣传中。也许你读过《经济学人》和《名利场》上发表的关于人工智能的文章，也和其他名人一起了解了特斯拉的自动驾驶和霍金对人工智能的解释。对人类的威胁；或许，你也看到了迪尔伯特关于人工智能和人类智能的笑话...
但是作为一个有远大理想的职业经理人，这些人工智能的宣传应该会引导你思考以下两个问题
人工智能有商业潜力吗？
如何将人工智能应用到你自己的业务中？
第一个问题的答案无疑是肯定的。今天的企业可以用人工智能代替人类做一些工作，而人工智能也可以将人类工作的效率提高数百倍，但成本已经降低到90%。
第二个问题的答案可能需要更长的时间。首先，我们必须摆脱一些由主流媒体宣传引起的关于人工智能的谣言。一旦我们粉碎了这些谣言，我们就能清楚地理解如何有效地将人工智能应用到我们的工作中。
误解1:人工智能是魔法
许多媒体把人工智能描绘成神奇而神秘的，我们只能欢呼和庆祝像谷歌、脸书、苹果、亚马逊和微软这样的科技巨头。但事实上，这种宣传是错误的。如果我们想将人工智能应用于商业，我们至少必须让公司的高管和决策者了解它。人工智能不是魔法，它是数据、数学、模式和迭代。在将人工智能应用于商业之前，我们必须了解人工智能的三个相互关联的关键概念:
培训数据
训练数据是机器学习中使用的原始数据集。训练数据有一些输入和预设输出，因此机器学习模型可以找到任何给定输出的模式。例如，输入信息可以是客户和客户与公司代表之间的邮件。输出是从1到5的分类标签，可以根据公司内部需要制作。
机器学习
机器学习是一种可以从训练数据中学习模型的软件，它也可以将这些模型应用到新的输入数据中。例如，客户向公司代表发送了一封新电子邮件。机器学习模型可以预测邮件的分类并解释预测的准确性。机器学习的关键特征是它可以学习而不是应用固定的规则，并且它可以消化新的数据来调整它的方法。
中间人(hitl)
人机循环是人工智能的第三个核心，我们不能期望机器学习模型永远不会出错。一个好的模型大约只有70%的准确率，所以当置信度太低的时候，你需要人工干预来解决问题。
因此，请不要被人工智能是魔法的谣言所欺骗。在此基础上，你心中就可以有一个人工智能的核心公式
ai = td + ml + hitl
误解2:只有科技精英才能使用人工智能
媒体经常暗示，只有像亚马逊、苹果、facebook、谷歌、ibm、微软、salesforce、特斯拉和优步这样的科技巨头才能主宰人工智能，因为这些大公司可以组建大型机器学习专家团队，并在相关研发上投资1亿美元。但是这种说法是错误的。
今天，花费不到10万美元来应用人工智能是非常现实的。如果你是一家年收入超过5000万美元的美国公司的成员，你可以应用人工智能，年收入只有0.2%，而美国有26000家这样的公司。
因此，人工智能不是一个排他性的技术巨人，它适用于每一个行业。
误解3:人工智能只能解决数十亿美元的新问题
媒体总是谈论将人工智能应用于大型项目，如自动车辆或自动运载无人机。由于赢家通吃的心态，谷歌、特斯拉和优步等公司正在无人驾驶汽车等领域投资数亿美元。这种宣传很容易给人一种印象，认为人工智能只能解决数十亿美元的问题，但这是一个错误的想法。
人工智能也能解决数百万美元的问题。例如，任何行业的核心都是了解客户，这适用于在古希腊和古罗马进行交易的人，也适用于今天在互联网上进行大规模交易的人。对于企业来说，客户使用数据和反馈是一笔巨大的财富。人工智能是处理这些数据和反馈的有效方法。
因此，人工智能不仅可以解决无人驾驶等新问题，还可以解决数百万美元的实际需求，例如，它可以用来更好地理解用户意见和社交媒体的反馈分析。
误区4:算法比数据更重要
主流媒体经常报道机器学习算法是人工智能所有元素中最重要的部分。他们经常把算法比作人脑，他们认为越来越复杂的算法最终会超越人脑。象棋和围棋只是机器战胜人类的例子。媒体特别关注深层神经网络和深层学习，以及机器做出决策的方式。
这类报告可能会让打算使用人工智能的公司认为，找到一些机器学习专家来研究出完美的算法是最重要的。然而，如果一家公司只找到算法专家，而没有匹配高质量和大容量的定制培训数据，那么期望往往会与最终结果相差很大(有一个完美的算法，但准确率只有60%)。
例如，从微软、亚马逊和谷歌等公司购买机器学习服务，而不投资于培训数据，就像买车而不去加油站一样。你只是在一堆废铁上花钱。此外，它与汽车加油的不同之处在于，越来越多的训练数据可以得到越来越好的训练结果，就像汽车每次加油时油耗越来越少一样。因此，训练数据对人工智能的影响大于汽油对汽车的影响。
总之，训练数据的数量和质量至少和算法一样重要。请确保您有足够的预算和培训数据计划。
误解5:机器>人类
无论是《终结者》中的施瓦辛格，还是《机械人》中的智能机器人伊娃，媒体总是愿意解释人工智能或机器在近30年来比人类更好更强。这是可以理解的，因为他们想反对机器和人类，看看哪一方会笑到最后。然而，这种宣传往往与事实相去甚远。
例如，最近有报道称谷歌的深度思维/阿尔法哥打败了李石士，即机器打败了人类，这显然与事实不符。更准确地说，机器和许多专家独自打败了李世石。
机器和人类有不同的能力
打破这个谣言的核心是机器和人类有互补的能力。看上面的图片。机器非常擅长解决结构计算问题。他们能很好地找到特征向量，但不能区分哪一个是豹纹的。人类擅长区分意义和上下文，他们一眼就能找到豹纹服装，但在计算特征向量方面，他们远不如机器。
因此，在商业环境中对机器>人的正确理解是机器和人是互补的，而人工智能是人和机器一起工作。
误解6:人工智能是机器取代了人类
为了吸引注意力，媒体经常想象一些反乌托邦的未来。这些想法可能会实现，但它们总是扭曲机器如何与人共存。
例如，业务中的支持票证分类问题(支持票证是指客户因某些问题发送给客户服务部门的信件或电子邮件)。对于今天的大多数企业来说，这个问题是通过100%手动分类来解决的，这是低效和昂贵的。假设有一个分类模型，对10，000张支持票进行分类，结果是70%的正确率，这显然是不可接受的。
此时，有必要参与人机循环(hitl)，首先设定95%置信率的阈值指标，然后只接受达到该指标的输出结果。由人类标注一些训练数据将有助于机器学习和改进。经过一段时间的训练，机器可以逐渐提高准确率，企业可以增加支持票分类的数量，直到它们被很好地使用。
通过人与机器的合作，企业可以在保持质量的前提下，提高工作量和工作效率，降低单位经济成本。这些优势是企业发展的关键要素。
事实上，对于机器取代人类的谣言，事实正好相反。人工智能是关于机器增强人类的。
误解7:人工智能=机器学习
关于人工智能的最后一个错误信息是人工智能和机器学习是一回事。这样的谣言会让那些从微软、亚马逊和谷歌购买服务的公司错误地认为人工智能可以应用到机器学习产品中。
你需要训练数据和人工干预来使机器学习成为可能。一个没有训练数据的模型就像一辆没有油的汽车，它很贵但是没有用。如果没有人为干预，结果往往非常不令人满意，因此需要通过干预来提高预测精度。
因此，如果你对人工智能的商业应用有一个基本的认知框架，你可以用人工智能的七个积极的解决方案来代替上面的七个误解。
正解1:人工智能=训练数据+机器学习+人机循环
积极的解决方案2:人工智能适用于每个行业
积极的解决方案3:人工智能也能解决数百万美元的商业问题
正解4:算法并不比训练数据的数量和质量更重要
积极的解决方案5:机器和人类是互补的
积极的解决方案6:人工智能是一台提升人类的机器
正解7:ai = TD+ml+hitl
