架构师(2019年2月)

本期主要内容:滴滴重磅开源跨平台统一 MVVM 框架 Chameleon;阿里技术专家详解 Dubbo 实践,演进及未来规划;Medium 架构实践:避免微服务综合症
下载此书

卷首语:如何推动 AI 市场营销走向成功

将人工智能作为百试百灵的解决方案推向市场,目前还是个难题。极高的商业转化门槛也正使这一在崛起中的创新领域面临一朝消亡的尴尬困境。

几个月之前,谷歌 DeepMind 团队为通用学习的实现添加了重要的助力,其尝试令计算机获得类似于孩子通过感知周边环境学习技能的能力。在此之后,来自日本东京的初创企业 Araya 公司开始鼓励机器人通过好奇心解决难题,且无需任何人为介入。该机器人自行学习到在爬坡之前需先助跑,这已经展示出一定的推理能力与自我意识。

机器学习技术的进步也使得机器能够在没有人类知识的情况下解决问题。举例来说,AlphaGo 的早期版本在 2015 年 10 月推出,是第一款在无让步赛的情况下打败专业玩家的计算机程序。两年之后,谷歌 DeepMind 又发布了 AlphaGoZero,一款无需研究人类数据,但性能仍然优于其前身。

可见,目前的问题不应该是计算机是否能够学习、推理或者处理不可预见的情况;相反,我们认为更重要的问题在于:

  • 市场营销技术与广告宣传技术行业,是否需要人工通用智能(AGI)来获得优于 AI 以及分析技术的收益?
  • 企业目前无法从分析及大数据中受益的主要原因是什么?
  • 我们是否指认出正确的业务问题交由 AI 解决?

第一个问题的答案是否定的。很明显,我们根本没有必要等待尚不存在的 AGI 真正出现,目前的 AI 与分析技术已经能够带来理想的性能表现。

咨询企业凯捷公司在 2017 年进行的一项研究也显示,有 58% 的企业正在解决由 AI 所增添的具有相当挑战的问题。凯捷的这项研究也显示,实施 AI 技术的具体收益取决于组织数据与技能的准备程度。同时,也指出在实施 AI 技术的过程中,文化问题是最为核心的挑战。

这就给我们提出的第二个问题带来了启示,即哪些障碍性因素影响着通过 AI 解决方案实现收益的能力。

由 MITSloan 与 BCG 合作进行的一项研究指出,在大多数组织当中,AI 相关项目的执行能力与预期目标之间存在着巨大差距。尽管 85% 的高管认为他们可以利用人工智能获得或者维持其竞争优势,也有 75% 的受访者表示人工智能将为其业务开辟出新的商业机遇,但只有约 20% 的受访者将 AI 纳入其部分业务流程及产品当中,其中只有 5% 已经完成了 AI 的广泛引入。

不切实际的期望可能会破坏人工智能所带来的最具前景的创新潜能。我们坚信,正确使用现有技术能够给营销人员带来巨大的推动作用。导致 AI 项目失败的原因很多,其中最关键的几项因素如下:

  1. 未能准确的指出对业务影响最大的问题。
  2. 业务与数据科学团队之间未能进行沟通细化划分。
  3. 缺少内部数据处理机制。
  4. 过分好高骛远。
  5. 数据集不够完整。
  6. 错误的算法与技术堆栈。

这又将我们引导到了最后一个问题:我们是否确定了应该交由 AI 解决的正确业务问题?

确保 AI 相关负责人理解分歧中的两个方面,是解决这个问题的关键第一步。组织不仅应该吸引数据科学家和 AI 专家人才,更应该吸引并雇用业务工程人员,从而真正将数据安全与行业 / 职能专业知识结合起来。这些人将充当数据科学家与业务问题实际应用之间的对接代理。分析工作可以外包,但业务工程则需要强大的专业知识,因此相关人员应被深入整合至组织之内。另外,数据科学家与 AI 专家无法在真空当中工作。业务利益相关者以及领域内的知识专家必须参与进来,从而发现可由 AI 解决的具体问题,准备数据集并验证处理结果。最终,如果我们无法将业务问题转换为数据问题,那么人工智能与机器学习将无法被转化为投资回报的形式。营销人员需要意识到 AI 解决方案能够带来的实际价值,并接受可以获得最佳结果且符合一定条件约束的特定用例。

确保 AI 相关负责人充分的理解分歧中的两个方面,是解决这个问题最关键的第一步。

然而,业务与数据科学之间的这种桥梁并不一定必须要由组织内部负责建立。目前,市面上已经出现了 CtrlShift、adGeek 以及 Adgorithms 等一系列科技企业,他们在努力将人工智能与机器学习技术知识转化为适用的有形解决方案,并已经在市场营销与广告宣传方面发挥至关重要的作用。

那么,AI 解决方案中的数据问题又该如何解决?举例来说,如果您的品牌正在尝试利用 AI 技术实现定制化内容的大规模创建,实际上这项工作当下就已经拥有理想的实现方法。虽然人工智能生成的内容可能无法获得奥斯卡奖或者普利兹奖,但其内容本身已经非常顺畅且充满吸引力。但是,依靠现有技术仍然无法以全自动方式实现创意性创造。一个好的创意需要的是一个故事、敏锐的直觉以及极高的创造力水平,这一切在目前可用的 AI 解决方案中仍然很难找到。

或者引用吴恩达先生的话,“如果一个普通人能够通过不到一秒的思考解决某个心理层面的问题,那么我们现在或者是不久的未来,可能可以利用 AI 将其自动解决。”

这里必须再次强调,AI 解决方案所带来的价值取决于具体考量方法,而良好的方法必须囊括当下的限制条件,从而真正带来有利于未来的结果。

本期特约卷首语来自新加坡The Lab of CtrlShift公司的数据科学家,作者是 Shahram Sabzevari 和谭思聪博士。

目录

热点 | Hot

滴滴重磅开源跨平台统一 MVVM 框架 Chameleon

谷歌等推出基于机器学习的新型数据库 SageDB

推荐文件 | Article

基于 Kubeflow 的机器学习调度平台落地实战(原创首发)

阿里技术专家详解 Dubbo 实践,演进及未来规划

如何基于 Kubernetes 构建完整的 DevOps 流水线(演讲整理)

观点 | Opinion

Medium 架构实践:避免微服务综合症

特别专栏 | Column

对话 AWS CTO Vogels 博士:第一朵“Cloud”出现的故事

150 倍加速机械盘,UCloud 云主机 IO 加速技术揭秘