让我们真正了解 AI

在这个时代获胜的剧本Artfi社会智能 不寻常的感觉 Ar tificial情报是重要的您的业务 我们进行了这项研究皮下怎么弄的：人工智能(AI)真的是今天在商业中使用。这份报告给生活带来了规模AI将对商业的未来，并列出了一个为您开始的playbook与AI Contents 人工智能很重要为您的业务02什么是AI？040608AI生态系统数据推动AI 这项开创性的研究列出了OC＆C的剧本AI成功。本报告中的见解是基于美国和英国400名高级管理人员和思想领袖；受访者包括一系列来自首席执行官和CMO，首席分析和数据与商学院教授和软件供应商。在整个报告中，我们借鉴了首席执行官调查的定量结果和使用来自80的报价深入的采访(在整个报价框中)带来你对人工智能的最新前沿思维。 结果突显了迄今为止人工智能的采用速度和预期收益的大小fits。有一种AI驱动的感觉重大颠覆和创造新的竞争优势来源通过生产率增长和EFfi效率节约。 Artfi社会情报领导者正在前进他们有野心 超过三分之二的企业已经采用AI AI有望成为最重要的新技术之一 技术，永远。正如我们的一位受访者所说“比互联网更大，比分裂原子更大。” 采用AI解决方案的公司 71%的C - Suite调查受访者表示，他们已经采用AI已经在他们的业务中; 86％的人说他们错过了业务不更早使用AI的机会。 85%的公司领导者认为新进入者将超过他们的由于他们使用人工智能而处于竞争地位。 AI支出巨大：企业在AI上花费了2190亿美元2018年人工智能在全球范围内，相当于企业IT总支出的约7%。2018年，人工智能在美国的支出为910亿美元，在英国为120亿美元。 这笔支出显然与绩效有关。那些无论行业领域如何，商业上的表现都倾向于使用人工智能。AI接受者是高性能的 在这种背景下，我们预测AI支出将继续强劲增长，到2025年达到每年4000亿美元-相当于c.10%的全球企业IT支出。我们估计全球: •到2025年，50％的工作将有50％的活动可自动化-这可能每年产生5万亿美元的额外支持fi能力 •由人工智能驱动的先进机器人将是一个价值5万亿美元的产业by 2025 •某些业务，例如程序化媒体购买，将100% AI by 2025 什么是AI？ ArtficialI情报没有正式或准确的定义fi。为了这份报告的目的，我们正在考虑“机器”以看起来聪明的方式行事。 在最简单的层面上，AI是任何使用分析的程序我们的越野快乐自动驾驶汽车都将接受培训做出决定，然后纳入反馈从该决策到未来决策。AI系统通常结合数据捕获(例如传感器、人类输入)、数据存储、高级分析和一组通过显示实际驾驶汽车的记录表明那些离开道路的人未能到达目的地，这样每辆新车就不必学习从fiRst原则出发。 允许AI执行更复杂的任务方法是将许多小型的，特定的fic AI链接在一起系统，而不是创建一个单一的超级AI可以回答整个问题。这使得对于AI的人类设计师来说，解决问题更简单允许人类在连接点。 例如，如果自动驾驶程序决定离开公路是一种更快的方法目的地，它会从结果得到反馈崩溃，并且不太可能选择越野下一次。随着AI变得更聪明，它实际上正在创造或者在获取更多信息时修改自己的规则，正如人类（主要是！）做出更好的决定与更多经验的情况。通常，“规则”是非线性的(例如，如果x那么y)，但基于复杂的计算和多种因素的相互依赖。 这使得制造自动驾驶汽车变得更加简单；几个示例AI组件系统可能是： •对fi进行分类的图像识别道路上或附近的物体•预测引擎估计行人最有可能做的下一个•评估最佳道路的决策引擎放置以避免碰撞而不危及司机 这个“学习”的过程就是人们谈论“培训”的原因一个AI。这通常是通过为AI提供一组真实世界的数据，以便AI可以学习在现实世界中部署之前的智能决策情况。 今天的AI系统通常是由多个组件构建的AI模拟以模仿或改善人类决策。 7个核心AI应用程序 这些活动是人工智能最普遍的用例；它们使我们能够识别成熟度和未来增长机会 Recommendations决 策 支 持 和电子商务推荐发动机 预测预期库存市场走势和天气预报 通信与的通信人类通过人类语言，因为示例聊天机器人 Specific和General AI AI可以分为Specific和General AI。在可预见的未来，Specific AI仍将是与商业最相关。 •指定fic AI -只能解决某个任务的应用程序，例如AlphaGo程序是最好的世界上的围棋手，但不能下棋。聊天机器人，医疗诊断或销售预测是这是现在存在的AI，目前正在影响业务 •通用AI -人类水平的智能，包括可以解决问题类型的通用学习例如，AI无法识别图片中的斑马从描述“它就像一匹黑白条纹马” -但有很多研究正在进行世界各地关于如何实现这一目标 通用AI的外观可以通过连接一组专门的AI在fi领域内复制解决方案一起创建一个可以进行整体交互的系统。例如，连接medical diagnostic application with a chatbot that discuss the diagnosts. However, these systems将有严格的限制，超过这些限制，他们仍然需要人类的支持。 AI生态系统 AI是一系列新技术之一正在推动整个世界的变革商业世界。 更广泛的业务数字化创造了巨大的数据集，但需要AI将其转换为见解。同样，数字first业务产生的数据集模型使人工智能驱动的命题成为可能，加速转型。 机器学习和其他高级分析技术是AI的引擎室-但它们形成只是新兴生态系统的一个组成部分技术一起工作。 AI系统需要能够转换的决策引擎将高级分析模型转化为行动。AI取决于关于机器学习，但机器学习不在AI本身。 最终，它是AI与这些其他推动企业转型的技术，不仅仅是AI。 区块链给我们带来了加密货币，但它的使用商业案例非常复杂，需要人工智能提供例如控制超市的新鲜供应链。技术。 因此，这是我们的“AI剧本”的关键部分您的AI计划如何与您使用其他新产品的方式相吻合 增强现实和虚拟现实越来越依赖在AI上决定哪些内容在给定的情况。 AI是众多新兴技术之一新技术 • AI是一组组件(数据库、分析过程、决策引擎、地狱等)一起工作以模仿人类智能 •高级分析是一套先进的统计方法(包括机器学习)，它们本身不是人工智能，而是AI系统的组成部分• 5G连接是下一代手机标准允许更快的数据传输到移动设备-可能是一个重要的AI的启用器•区块链是一种分布式分类帐技术，即多个独立的不断使用许多AI和Advanced进行验证的数据库的副本分析相互关系。例如超市保证新鲜供应链；需要AI来处理区块链数据•云基础设施在过去的几年里发展迅速-这增加了远程处理能力和存储容量允许更复杂的AI分析交付给消费者•机器学习是越来越多的算法和统计模型用数据训练，而不必显式编程响应•机器人过程自动化是过程的自动化，通常不是通过物理机器人，而是通过计算机算法，例如业务报告工具•物联网或物联网是连接到互联网的产品-主要是您可以通过智能手机与之互动的智能家居和fiCE产品 投资AI的公司寻求通过丰富自己的数据购买-或合作-以获得附加数据集 数据推动AI AI系统和高级分析 他们非常渴望数据。要成为人工智能的赢家，您fi首先需要构建您的数据基础架构。 您需要大量数据来构建AI模型以满足高级分析是AI的核心。此外，清理数据、删除零、N / As和缺失值尚未消失。远程信息处理数据数据的作用需要考虑到GDPR的背景和隐私规则的密切变化通过数据与人工智能联系起来，以及受试者的权利理解决策背后的原因。GDPR已经（从物联网设备中的传感器和加速度计派生）驱动了CDO的授权。他们的特别是“肮脏”，这只是另一个挑战自动驾驶汽车。角色将开始在商业上更加突出形状，因为它们通常持有任何数据问题的关键。 是数据为AI提供动力。许多公司正在寻求通过购买或合作来丰富自己的数据，来获取更多的数据集。尤其如此在美国，数据隐私规则更加宽松与欧洲相比意味着一个人可以附加其他数据源到客户数据库。使用AI主流，有机会获得更多的公司信息将获得竞争优势。 缺乏正确的数据将是一个巨大的障碍业务采用AI。最重要的步骤之一使AI能够让高管了解哪些数据他们实际上在他们的公司。 这种增加的数据价值将导致更多激烈的竞争来获得它。反过来，这将巩固大型科技公司的作用：比如亚马逊、苹果、Alphabet、Facebook等作为数据采集器和数据服务的提供者。进一步，数据伙伴关系将成为司空见惯，因为收集数据需要触及和基础设施，对于较小的成本太高或专注于行业的公司。 构建强大的数据基础是必要的fi第一步启用您的AI能力 高级分析：AI的机房 技术，如决策树，机器学习和神经网络是建筑块回答最复杂的问题。 高级分析，如机器学习和神经网络使AI系统成为可能。 使用AI解决方案的主要挑战之一是建立对答案的信任。人工智能系统通常会学习“规则”从暴露到结果，而不是 从简单的规则建立起来，例如“如果x那么y ”。实际上，没有AI系统就不可能高级分析。通常，这是机器学习这意味着AI系统可能无法解释由人类分析师主持，但我们越来越多地知道为什么取得了特定的结果；反过来，这可以在没有人为干预的情况下看到自动分析。对AI基础设施的信任造成严重问题很可能在未来的这些分析组件AI将变得越来越自动化，角色操作员被降级为fi操作工具。和拒绝人类操作员，和/或基本符合法规的问题。 对“可解释的AI ”有强烈的推动，通常由分析专家提供，使人类来理解所做的决定。我们已经听到了我们许多受访者提出的要求。 成功开始使用AI通常需要A business to: •请参阅分析的好处(在采取进入AI的下一步) 要建立成功的AI能力，您首先需要具备创建了高级分析功能；您的操作计划需要包括高级入门分析。 •在现有高级分析功能的基础上构建 • Have executives with a good understanding新机器学习分析的力量技术 在许多情况下，AI包含从人类的复杂模型，所以输出是可以解释的。然而，人工智能系统中的规则越来越多。由系统本身“学习”。这意味着AI系统可能无法解释特定结果的原因已实现。 领导者需要自我教育关于先进的力量推动AI的分析 AI将如何改变你的组织 我们反复交谈的人强调使用外部资源独自创造AI能力要少比AI建立在现有分析的基础能力。 AI是相对较新的，经常在飞行员和概念证明中找到。这些举措通常由职能领导者领导(如人力资源、供应连锁、营销)在供应商之外签约，而不是被由CIO、分析主管或组织现有的分析或技术功能。 由于AI系统的组件存在许多功能，因此有许多人对人工智能提出了要求，例如数据分析、CIO、业务功能。我们的研究清楚地表明，人工智能过于宽泛对于首席AI Officer来说，跨越不同的主题是可信的所有可能的应用。 如何围绕AI进行组织的真正问题取决于在哪里业务处于成熟期。在人工智能成熟的早期阶段，业务函数领导者正在自己驱动用例。这意味着AI是接近提议给董事会的fits案例。然而，随着时间的推移（就像高级分析一样）可能会有重复跨多个单位的技能集。我们的期望是，在中等术语未来的AI计划将达到如此关键的质量围绕轴辐式模型进行组织至关重要-集中式AI团队通过本地商业服务于多种业务功能接近应用程序的专业知识。 最好让业务功能领导者暂时拥有AI，并且保持AI接近业务方面。在某些时候，AI的临界质量实现可能意味着集中化会更好。但是要成为成功，该组织现有的分析专业知识需要参与。 构建vs购买 最终，寻求提高AI能力的企业需要考虑是否建立或购买： •构建允许您创建适合您的解决方案精确的人员和技术基础设施 •购买服务通常是风险较低的选择时间和投资，但可能不是很适合你的需求 总的来说，我们发现购买模块化服务是一个更好的为大多数寻求优化现