Arijit Sengupta解释了人工智能是如何变化的 以及为什么单一的人工智能模型不再是智能业务

阿里森古普塔：当业务用户做出决策时，人工智能需要提供特定于上下文的建议。我们已经从向后看的传统分析和商业智能转变为向前看的技术。这是一个根本性的变化。

你最兴奋、认为最有潜力的新兴技术是什么？这项技术有什么特别之处？

特定于上下文的人工智能具有最大的潜力，可以使业务变得更好。第一代AI完全脱离了商业环境。它没有考虑到企业独特的成本效益权衡和能力限制。传统的人工智能假设所有的成本和收益都是相等的，但是在商业中，正确预测的收益几乎永远不会等于错误预测的成本。

例如，如果赢得一笔交易的好处是不必要交易成本的100倍呢？你可能愿意赢得一场胜利，输掉99笔交易。基于模型指数，100次尝试只能赢一次的AI会非常不准确，虽然会增加你的净收入。这就是你想从AI那里得到的。

第二代AI关注公司的具体业务现实。正如Forrester和其他分析师指出的，专注于数据科学指标(如模型准确性)的AI通常不会产生业务影响。

当今企业面临的最大挑战是什么？大多数企业如何应对(并有效)？

解决人工智能的最后一英里问题是当今公司面临的最大商业挑战。目前，大多数业务经理无法理解预测模型将如何影响他们的业务。这与我们通过发现人工智能所学到的东西有着根本的不同。

仅仅因为我告诉你汽车是如何工作的，并不意味着你知道如何驾驶汽车。事实上，为了驾驶汽车，你通常不需要知道汽车如何工作的所有细节。在第一代AI中，我们着迷于详细解释汽车的工作原理。也就是所谓的“可解释的AI”。

现在我们转向企业了解汽车如何影响他们生活的能力。企业需要知道AI在不同的业务场景中是如何影响其业务成果的。没有这些知识，就不能采用AI，因为你是在要求企业主玩俄罗斯轮盘。您没有向他们提供所需的信息，以了解给定的人工智能模型如何影响他们的关键绩效指标。你只要给他们一些模型，告诉他们想要最好的。

还是数据分析中有一项新技术带来了比大多数人意识到的更多的挑战？企业应该如何调整方法？

事实上，传统的基于模型精度的AI可能会对企业造成很大的伤害。经过训练优化模型精度的AI通常非常保守，会让企业陷入无限循环。保守的模式会告诉你追随的客户越来越少，所以你几乎可以安全地完成每一笔交易，但很多时候这意味着你最终会留下很多钱，并逐渐毁掉你的生意。以牺牲业务影响为代价最大化准确性的人工智能与其说是无用的，不如说是破坏了价值。

贵组织目前在什么计划上花费的时间/资源最多？换句话说，您的企业专注于哪些内部项目，以便您的公司(而不是客户)可以从自己的数据或业务分析中受益？

我们是一家初期的创业公司，数据量相对较小，但我们相信可以快速开始使用AI，而不是等待大量的数据。我们开始使用人工智能来预测哪些客户可能会在第一次见面时第一时间联系，哪些客户可能会点击电子邮件。

随着时间的推移，我们收集了更多的数据，并能够优化我们在不同渠道的营销支出，准确确定要关注的客户。如果我们等到有很多数据才开始使用，那么我们将无法取得足够的进展。通过开始使用人工智能，我们可以更快地改进人工智能过程。

如何看待2020年及以后的分析和数据管理方向？我们还没听说什么？

大家都听说过很多关于AI的事情，但是我们听到的AI并不是一个可以带来商业影响的AI。我们听到的人工智能是从商业现实中抽象出来的实验室人工智能。

人们开始意识到，要获得商业影响力，你必须有一个非常不同的人工智能。创建单一的人工智能模型是没有意义的，因为商业现实在不断变化。你需要做的是创建适合不同业务现实的AI模型组合。如果追求客户的成本增加了10%，或者平均交易规模增加了20%，那么你需要一个不同的模型。如果你创建了人工智能模型的组合，你的企业将更能适应变化——你唯一能依靠的就是变化。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！