大家都知道,想要充分發揮人工智能的作用,數據的數量和品質是重要條件,因此數據建構的方式會直接影響投入產出的效率。
考慮到企業面對的大量複雜數據來源,如果你的企業還停留於主要使用人手作數據分析的階段,就可能會被視為「傳統數據」公司。所以我一直提倡,人工智能要走入數據生產的過程中,讓數據驅動無後顧之憂。
早於2013年,我在阿里開展兩個重要專案,包括數據驅動能力如何泛化到業務方每一個角落,以及數據分析怎樣趨向自動化。當時團隊中有不少人懷疑這是吃力不討好的工作,但後來事實證明,把分析能力交付到業務前線的好處是巨大的。我在多年推動大數據的工作經驗中理解到,真正的數據驅動必須來自群策群力。
近年來,機器學習無疑已成為了企業使用大數據時的必備技術,大數據經過約10年發展,今天大家都為了數據收集、治理、訓練、產品化自動化而努力。MIT有一個研究項目Data to AI,正是希望借助人工智能,有效洞察資訊中的有用數據規則,並減少噪音和偏見,為大數據帶來更大的未來發展空間,可見敏捷的數據生產環境是人工智能的先決條件。
至於企業如何選擇人工智能的切入點,我提議優先關注兩個場景——(1)人工智能如何能幫助業務過程中的決策變得更有效率;(2)人工智能是否可幫助業務人員對複雜問題有更細緻敏銳的理解。
前者的切入點就好比你問Siri:附近有沒有茶餐廳。對Siri來說,這是頻繁發生的問題,在數據足夠的情況下毫無難度。正如日常中,有經驗的人也可在幾秒鐘內答覆這類問題,關鍵是要有大量具品質的數據。
後者的挑戰在於人機交互的困難,業務人員並不習慣與人工智能一起探索問題。在這過程中,不僅機器在進步,人類的思維方式也同時被提升。
上周幾天都在聽王東岳(著名作家、哲學學者)的演講,他提出人類不要輕視資訊密集時代所產生的影響力,個人感覺這是一個很有深度的哲學性問題。