价值，价值，价值

去年初在上海的 2017 中国大数据和人工智能技术峰会上，我发表了关于人工智能如何快速进行商业价值创新的演讲，我强烈呼吁今天的人工智能从业者和创新者能把更多的目光放到商业价值上，如何能给业务带来所期望的高增长回报？如何能帮助企业在高效的运行过程中节省成本，保持敏捷？如何能解决商业领域一直存在却很难解决的关键问题？在美国的 Google、Facebook、Amazon，在中国的阿里巴巴、腾讯、百度，疯狂的把自己的业务拥抱 AI，而人工智能真是对于整个行业来讲是一剂万能药么？

“人工智能不是今天才提出来的，”一次我和 San Jose City College 的营销学教授 Stephen Tsih 讨论人工智能技术应用的时候提到。“记得 10 年前我在 Cisco 的同事就是国外人工智能专业毕业回国工作的，为什么今天人工智能技术再次被推到了一个新的高度？这不仅仅只是一个技术问题，“我对 Stephen 说道，”1997 年，IBM 的‘深蓝’战胜了国际象棋世界冠军卡斯帕罗夫，而今天 Google 的 AlphaGo 战胜了世界围棋排名第一的柯洁。“ 人工智能不是仅仅用来下棋的，今天再次提到人工智能，一定需要与商业价值化结合，比如如何用机器学习加强到现有的交通、医疗、教育、旅游、金融、法律等行业，如何能加强人类所未能达到的能力，我们需要具备行业价值AI化的敏锐嗅觉，并且加上快速进入和实践的执行力。

Stephen Tsih 受中国一家大学的托付，计划建设一个基于人工智能和区块链技术的学院，并且在互联网上找到了两家 BlockChain University，于是计划去考察，一家在美国，一家在希腊，可惜的是，这些概念下成立的大学，一家已经关门，一家还在拓展招生渠道。“这个技术最多建立一个学科专业来学习，没有必要成立一个学院，甚至大学，”这是我给他最终的建议。

人工智能技术今天在全球已经越来越热，很多行业的领袖期望能寄予这种技术带来行业的一次变革。大家都能看到今天计算机科学在数据大量增加，计算能力的突破，以及算法的显著提升上取得了卓越的成绩，于是人工智能的目标被重新带回人类的视野。“这是可以实现的。”

在中国西部成都，一个工业领域人工智能研究的初创公司-Algomethod 的负责人 Edward Tang 给我说到，他们基于 IBM 的 PMQ（Predictive Maintenance and Quality）技术已经搭建起一朵可以快速与工业设备物联的智能云，在这个云平台上他们建立了大量的具有专利的算法来监控和预测工业客户的重要设备，包括运行状况，能耗，以及设备绩效，“你知道么？假如你能预测每个工厂重要设备的故障发生，其实会帮助企业节省一大笔这些设备的备件库存成本，并且优化这些设备的能源消耗，以及提升制造流程过程中的良率。”这家公司已经在西部顺利的建设起基于污水处理和风电制造领域客户的设备预测性维护与质量管理能力，而这些具有人工智能的算法都跑在企业的服务云上，已经成为这些企业的核心竞争力。
另一个成立在中国西部的数据初创公司 Accurate，在投资了近 2 年的团队建设以后，今年开始涉足人工智能领域，我们已经与西部最大的律师事务所建立了合作，利用它们提供的文献来建立法律方面的知识库，“这个过程非常耗时，没有想象中的那么智能，在建立整个知识库主数据的时候，我们需要咨询很多业内每个法律领域的专家，并且找到共性，进行知识工程的结构化工作。”法律智能创新业务的负责人 Zeng Tao 给我抱怨到，“虽然有了 IBM 的 Watson Explorer 的模块化文本理解能力，但是大量的知识库架构，以及语言分析构面需要人工来完成，而且对于这些人员的要求非常的高，一方面要有自然语言处理技术-NLP 的基本能力，另外还需要具备语言学的常识，以及能快速理解法律的业务语言。”我看到他们现在已经到了另一个人工智能技术应用的瓶颈，就是如何能形成跨学科的知识构建，并且把这些知识处理自动化，“我们不需要机器学习，我们需要懂法律，并且也懂语言学的专家。”这家公司已经开始建立各种法律的知识库，并且近期会形成专业的法律顾问 Demo 推向市场，“通过人工智能技术的应用，我们会替代掉很多基础律师咨询的成本，并且删选出的高价值客户回报率也不低”Zeng Tao 自信的说到。

知识型行业的颠覆

人工智能的影响是无所不在的么？我个人认为这项技术变革会重点发生在知识密集型行业，比如律师、医生、老师、会计。我把这些行业称之为泛咨询行业，这些行业，特别是在很多发达国家是人群收入很高的阶层，他们利用的是他们的知识、经验形成不同的知识型服务和产品，然后在基于这些专业服务创造价值，产生营收。假如这些知识可以自动获取，或则使得这些获取的成本降低，提供给一个要学习七年临床医学，并且在医院还有实习几年的年轻医生一个治疗专家助手，背后是体系化，标准化的知识库，并且不断的摄入最新的治疗文献进行知识库补充，“从理论上来讲具有不断学习能力的’虚拟医生’是要比临床医生要经验丰富的，因为他们会摄取最新的医学成果并且作为医疗依据。”我的 IBM Watson 健康事业部的同事给我说到。其实，我也认为这些专家是需要一个更加自动和智能化的辅助知识助理的，四川华西医院的乳腺癌专家吕青主任被誉为乳腺癌第一刀，是中国乳腺癌领域的研究最前沿的专家，“人工智能是否能提升我看病的效率，从以前每天十几个病人到未来每天几百上千个病人；人工智能是否能帮助我深度的了解我看过的每个病人，当他们离开医院以后他们是否是准确按照我的建议进行治疗服药，以及每个阶段的反应和状态如何？”其实，这些专家医生提出的明确刚性需求极容易实现，而且往往开始实施的时候不需要涉及高深莫测的机器学习和算法，仅仅通过人工智能交互方式建立与用户的强化连接即可实现效果。

另一个案例是我正在参与的一项关于教育领域人工智能的实践项目，这个项目最早是源自北京的一家民营幼儿园找到 IBM，希望能通过与 IBM 的 Watson 结合，形成一个新形态的幼儿教育方式，从而确保这家幼儿园在行业的领先地位。“我们需要建立一个虚拟幼儿园院长，特别是连锁幼儿园很难请到资深的幼儿园院长，就算请来的人能力也参差不齐，很难管理，我们希望管理模式标准化，让幼儿园的管理能力也变成公司的经营标准，而不是存在某几个人的头脑里。”这家连锁幼儿园的投资人向我提到，后来这些项目因为涉及需要建立新的幼儿成长模型以及对商业创新回报的不确定性进展缓慢，但是，这个项目让我积累了很多对于教育行业的人工智能应用的思考。最近，在中国西部的一个机器人教育创业团队找到我，希望再次探索在教育领域的人工智能应用的可能，并且希望快速产品化和商业化。这个团队利用半年的时间，研究了全球最先进的幼儿能力评估体系，并且形成了一套比较适合中国的小孩评估科学方法，这套方法将成为人工智能依靠的教育知识库的核心架构，接下来的工作，这个团队将和我一起创建很多孩子喜欢的人工智能的交互玩具，在孩子与这些玩具的玩耍的同时自动化的评估每个孩子的成长，提供给老师和家长一个客观的指导建议。

关于保险和律师行业，我正在辅助几个合作伙伴进行深入的行业研究，希望能找到其中能大规模应用人工智能的价值场景。在日本已经有了几个保险行业的人工智能技术实践范本，包括日本邮政保险公司、日本生命保险公司等。这些保险公司的应用成果无一例外是基于知识管理技术之上的，他们涉足的领域包括：保险问答顾问、保险虚拟坐席、健康管理、保险知识库、保险精算、理赔流程、核保流程等，并且日本寿险巨头 Fukoku Mutual Life Insurance 已经引进了人工智能 Watson 系统来代替近 30% 的保险理赔评估部门员工。Watson 系统主要负责阅读医生撰写的医疗证明和其他文件，以收集保险理赔资金所必需的信息，比如医疗记录、住院时长和外科手术的名称。除了确定保险理赔金额以外，Watson 系统也能对核对客户保险合同，以发现任何特殊保险条款，这种措施被认为用于阻止赔付疏忽，每年这个系统可以审核总计约 13.2 万件案例，虽然最终决定依然需要专人来做出，但是系统化的资料阅读和查阅以及疑点报警已经为这些专员大大提升了办案效率。

应用场景的容错性

“整个人工智能是必须基于知识工程的”，我在各大场合都强调我这个观点，之前微软推出的 Tay，在短短几周内就下线了，原因很简单，因为有太多不文明的用户教会了 Tay 说脏话，然后 Tay 学习了这个陋习，给微软带来了麻烦。我以前总在抱怨 Taobao 的购物推荐系统，因为这个全球最大的互联网零售店，总是在我买了一部新相机以后还不断的给我推荐其他品牌的相机。“你是否考虑过刚买了相机的用户是不会再马上考虑再买一部新相机的吧？” 我其实也明白，在推荐算法这个领域，太多的声音被“协同过滤”、“关联规则”、“K-Nearest Neighboor”，以及商品的 Tag 等因素所吞没。除了算法，你有思考过机器需要有常识么？或者有情商？现在在中国大部分的人工智能朝圣者都在追求那个“最完美的算法”，当 Google 的 AlphGo 诞生以后更是如此，机器学习被推到了风口浪尖之上，仿佛用了这样的“魔法”，冷冰冰的机器都会在霎那间拥有了独立思考的能力。

IBM 最近推出了一款机器学习的应用平台，叫做 Data Science Experience（DSX）数据科学家协作平台，整个平台里除了一些自动化的算法选择器以外，大部分的创新都在于不同角色的人与人之间的协作，业务专家，数据分析师，高级建模专家，业务用户，数据工程师等等这些不同角色的人员对于建立和持续管理一个有生命周期的模型都是有非常重要的意义的，因此协同被放在了平台的首位，而不是算法。如果能让这一群人用不同的语言描述自己的逻辑，然后在同一个平台上实现，并且运行？这是现在机器学习最实际的研究课题。至少，我到今天还未看到有任何一个技术提供厂商已经做到了让机器完全独立思考，而不是通过一堆核心算法来建立和控制基础算法。

但是，我们不妨来假想一下，假设，这种算法被人们研究出来了，它的精准度达到了 99.99%，它已经是世界上独一无二的完美算法，并且有自学习性。你敢用它来控制一个国家的核电站么？或则一个国家中央银行的现金？或则控制一个城市的整个交通系统？答案应该是否定的，因为只要存在那 0.01 的不准确性，并且这些算法由于复杂造成的结果不可控，会导致另一种风险的极具放大，这类风险在金融和运营体系里非常重要，叫做操作风险。所以，我认为，人工智能就算发展到一定的高度，能基于机器学习和深度学习实现完全的自我学习，其不可控性也必然会限制其应用的领域，我把这种限制称之为人工智能应用的容错性。

在一些无关结果的场景当中，我们是可以大量应用这类技术的。比如互联网零售的商品推荐；在大量社交信息中寻找淫秽图片；在大量银行交易中预警欺诈行为。这些场景的共性是：假如人工智能得到的结果不正确，你也是可以接受这个错误的。另一些人工智能应用的场景，我把它称为辅助认知，因为今天很多重要的决策仍然需要大量的知识专家来决定，但是他们对于知识的获取，以及知识的筛选在知识爆炸的时代日益感到乏力，“要学习的东西太多了”我总是听到身边的一群研究博士的抱怨，他们需要的更加精炼的知识供给，把有限的时间放在这些知识的消化、实践和创新上，而这些高品质知识的供给恰好是人工智能可以发挥的地方，辅助知识工作者，提供他们的认知能力。

最后，人工智能如潮水一样涌来，它并不是魔法，也不是骗局，它是一头怪兽，需要找到那群能驯服它的人，并且成为他们战无不胜的坐骑。

作者介绍：
廖显，华为GTS AMS AI技术架构师与顾问，曾任职IBM 大中华区认知与大数据分析技术解决方案架构师，被选为“IBM中国区认知技术开拓者”成员，IBM 全球认证业务分析专业架构师 BASA和IBM 全球认证设计思维实践者。认知／大数据技术实践家，AMT/ICBC商业银行杂志数据分析专栏作家，曾任多家高校讲师，多家企业的外聘顾问，致力于利用认知技术与大数据和分析技术，整合产业数据资源，优化数据治理和分析模型，提升中国企业对复杂多变的商业环境的洞察和决策能力。目前专注于客户大数据和物联大数据的整合管理和分析利用的研究，以及基于数据的创新机制设计和决策环境设计研究。曾就职于Oracle-SWUFE CoE，HP GADSC，Cisco Marketing Intelligence，ANZ Wealth MIS。拥有多年数据与分析项目成功经验，是IBM认证的全球业务分析专业架构师与认知技术顾问。

本文转载自公众号华为开发者社区（ID：Huawei_Developer）。

原文链接：

https://mp.weixin.qq.com/s/vKTMtdtAMQVJhYstIkjBxw

创作场景

如何最大限度释放人工智能的商业价值？