企业发展战略规划:企业发展AI问How不再问Why,上手专精更难

2018-12-31 16:12

导读: Chatbot就是AI普及化最典型的例子,随着云端巨头纷纷正式推出Chatbot所需的自然语言处理(NLP)引擎服务,以及各种Chatbot开发框架和后台设计平台,甚至微软Chatbot服务主打只需上传企业网站FAQ,就能建立自己的Chatbot。 AI从2017年开始走向普及化,「AI民

Chatbot就是AI普及化最典型的例子,随着云端巨头纷纷正式推出Chatbot所需的自然语言处理(NLP)引擎服务,以及各种Chatbot开发框架和后台设计平台,甚至微软Chatbot服务主打只需上传企业网站FAQ,就能建立自己的Chatbot。

AI从2017年开始走向普及化,「AI民主化」(Democratizing AI)策略成了云端巨头争相拥抱的优先战略,陆续推出多种可以降低AI技术门槛的服务。

 

例如Google在2018年初发表的AutoML Visio技术就是AI民主化趋势落地变成产品的代表,主打不需要资料科学家,只要企业将自家图片上传到云端,就能透过云端AutoML Visio服务,自动帮企业训练机器学习模型,再提供给企业开发AI应用之用。年中时,Google更进一步将AutoML服务扩大到翻译(Translate)和自然语言(Natural Language)模型的自动化训练。

 

而AWS早在2017年底就推出了简化训练复杂机器学习模型和快速部署上云端的SageMaker工具,虽然SageMaker不像Google AutoML可以自动训练模型,但AWS在2018年底推出机器学习和演算法线上市集,企业可以直接向专业资料科学家们购买ML模型来用,同样可以降低自建AI应用的门槛。

 

AWS还推出了主打免ML经验也能上手的AI常用元件服务,包括了纸本文件数位化服务Textract、个人化推荐服务Personalize,以及分析IoT资料用的时间性预测服务Forecast,其中Personalize服务更是将Amazon惯用的推荐引擎,拿出来变成了企业可租用的服务。技术巨头相继主打不需专业资料科学家的机器学习服务,不用熟谙机器学习知识,也能打造出可用的AI应用,连机器学习演算法都出现了交易市集,就算企业自己没有资料科学家,也可以直接上网购买。 AI应用的进入门槛远比2年前降低了许多,现在只要有资料,有软体开发人员,就可以打造自家的AI应用。

 

研究机构Gartner更预测,AI自动化分析工具的普及,2019年开始会出现大量的素人资料科学家(Citizen data scientist),这是一群非专业资料科学背景或训练出身、但懂得善用机器学习技术的分析人员。 Gartner预测, 2020年时,素人资料科学家数量的成长速度会是专业资料科学家的5倍。

 

专属AI应用的挑战是资料稀少性

 

2019年,随着AI技术门槛降低,入门工具和产品越来越多,企业现在已经不用再思考为何要用或AI是什么,而是进入到了怎么做,如何做的阶段。

 

Google大脑共同创办人吴恩达也在2018年底发布了一份企业转形成AI公司的AI转型攻略(AI Transformation Playbook),将他过去在Google大脑团队和百度AI团队的发展经验,汇整出大型企业可用的5阶段AI转型策略,就是要告诉企业「如何」成为一家AI公司。

 

微软AI研发中心首席研究员赖尚宏更点出,2019年,将会看到更多产业开始发展专属AI。但这类内部AI应用的挑战是资料稀少性,也因此,他认为,擅长产生拟真影像的GAN(Generative Adversarial Network,生成对抗网路)技术,将为成为显学,可用模拟来弥补真实资料不足的困境。或是可从现有通用ML模型来发展特定用途ML模型的迁移学习(Transfer Learning),也可减少对训练资料量的依赖,也是解决产业资料不足的方法。但这都意味着,企业开始要从常用、通用型AI应用,开始迈向各自产业专属或企业特定领域的AI应用发展了。