江苏龙网

  1. 首页 > 人文 > >

90%人工智能公司都亏损？盈利难背后的大数据门槛

90%人工智能公司都亏损？盈利难背后的大数据门槛

----90%人工智能公司都亏损？盈利难背后的大数据门槛//----[ http://www.caoding.cn]

邱智丽

【90%人工智能公司都亏损盈利难背后的大数据门槛】

AI（人工智能）落地场景在不断增多 ， 但赚钱依旧艰难 。

亿欧报告显示 ， 2018年全年 ， 近90%的人工智能公司处于亏损状态 ， 而10%赚钱的企业基本是技术提供商 。 从谈概念、讲技术 ， 到拼场景、抢落地 ， 建立在大数据基础之上的人工智能 ， 仍面临数据本身带来的挑战 。

“我们经常提及大数据 ， 但事实上我们并不需要那么多的数据 ， AI未来的一个趋势是小数据崛起 。 ”在市北·GMIS2019全球数据智能峰会上 ， 斯坦福大学教授、Landing.ai创始人、CEO吴恩达表示 。

一个具体的案例是工厂手机屏幕划痕检测 。 目前不少是利用人眼来检测手机是否存在划痕 ， 如果拥有100万个划痕手机 ， AI可以非常高效地识别手机划痕 。 但现实情况是没有任何工厂会有几百万不同划痕的手机 ， 这个时候小样本学习（fewshotlearning） ， 即利用较少的数据得出同样准确结论的人工智能 ， 将有助于推动整个领域的发展 。

小样本学习的迫切性更在于落地过程面临的数据孤岛、数据隐私保护导致的数据割裂问题 ， 让AI技术很难充分发挥价值 。

“和AI用于比赛需要上千万的图片训练不同 ， 当AI深入行业我们看到的数据往往是小数据和细碎的数据 ， 也就是没有联通起来的数据 ， 再先进的AI技术也很难用上 。 ”国际人工智能学会理事长、香港科技大学教授、微众银行首席人工智能官杨强说道 。

今年5月 ， 国家互联网信息办公室发布了《数据安全管理办法（征求意见稿）》 ， 提出在中国境内利用网络开展数据、存储、传输、处理、使用等活动 ， 以及数据安全的保护和监督管理意见 。

杨强认为“中国版GDPR（通用数据保护条例）”即将到来 ， 数据隐私在走向严格化、全面化 ， 这使得企业在实际应用中可以使用的数据维度和范围并不大 。 数据隐私保护的趋严 ， 为人工智能技术升级提供了契机 。

以保险行业利用AI进行个性化定价为例 ， 背后需要业务数据和用户互联网行为数据融合 ， 理想的状态是可以拿到非常丰富的用户画像 ， 与用户的ID高度匹配 ， 但实际情况迫于隐私、安全、法规等原因 ， 企业可以应用的数据是非常有限的 。

再例如在小微企业贷款应用方面 ， AI需要引入票据数据、资产数据、舆情数据等 ， 但由于数据的割裂 ， 实际应用中只能使用一些政府的数据 ， 例如央行的征信报告 ， 但这些报告只能覆盖不到10%的人群 。 这一问题在医疗领域更为明显 ， 不同医院的医疗影像数据很难汇聚到一起 ， 形成大数据来训练一个医疗模型 。

针对数据割裂带来的人工智能落地难问题 ， 杨强提出了联邦学习 。 所谓联邦学习 ， 是多个数据方之间组成一个联盟 ， 共同参与到全局建模的建设中 ， 各方之间在保护数据隐私和模型参数基础上 ， 仅共享模型加密后的参数 ， 让共享模型达到更优的效果 。

据杨强介绍 ， 联邦学习分为横向联邦和纵向联邦 ， 横向联邦是指企业各方数据维度相同、ID维度不同 ， 更多存在于消费者应用中；纵向联邦是指企业各方数据的ID维度相同（样本重叠）、数据维度不同 ， 更多存在于B端应用 。

杨强认为联邦学习最大的优势是保证数据不出户 ， 通过生态在不同行业选取合作伙伴 ， 用群体智能不断提升模型效果 。 因此联邦学习一定是多方共同协作组成一个联盟 ， 生态的建设十分重要 。

面对AI落地难、盈利难问题 ， 吴恩达则认为 ， 在期待AI为企业带来红利之前 ， 企业需要避免几个陷阱 。 首先AI技术会影响很多企业做业务的核心 ， 所以选择项目是非常重要的 ， 从小的项目开始 ， 可以建立好的基础 ， 同时帮团队获得动能 。

其次团队建设不能仅依靠明星工程师 ， 而是要建立一个完善的、跨学科、跨职能的团队 。 同时不要期待AI立刻产生作用 ， 而是要多次尝试 ， 对AI发展的回报曲线进行合理预算 。 不要使用传统的流程评估人工智能项目 ， 应该为AI项目团队设立合适的KPI和目标 。

“有关AI的应用越来越多了 ， 但企业的AI转型并不是开发一个APP这么简单 ， 不要指望AI解决所有的问题 ， 也不要指望AI项目一次性就成功 。 ”吴恩达表示 。


    推荐阅读


    上一篇：房主回家一开门，床上睡着老虎！

    下一篇：中国出轨率世界第一：为什么我们不再敬畏婚姻？