AI獨立難行，或許可以這樣試試金融
當前人機交互的實質，實際上是人把腦子搬過去了，從嘴巴到耳朵，從耳朵又出來，其實這就是典型的數據喂出來的結果。
今天我從人工智能的角度跟大家分享一下關于人工智能和大數據的一些信息。
這是Gartner的數據，圖上有兩條線，藍線是一般的技術發展曲線，紅色是人工智能技術發展曲線，實際上人工智能就是這樣一個跌宕起伏的學科，現在其實到了第三次高峰這個地方。人工智能跟太多的東西相關，不能獨立先行。
在這次高峰中大數據的功勞我想大家都是知道的，它其實為機器學習提供了糧食，為分析決策提供了依據。到2012年人工智能開始被很多人接受和學習了，也得到了很廣的應用，在語音、視覺等等領域得到了充分的肯定。再到了去年，一系列平臺都發布了，這個時候深度學習的模型和算法就更加普及，在更多的地方開花結果。
1、大數據+人工智能落地案例
第一個是圖象處理，即數據+決策算法。這是今年2017年的國際競賽我們的參賽作品，是一個胸片，可以認為是CT的或者核磁共振的，實現了80%的精度。憑借它，我們的團隊拿到了第一名。
接下來是機器翻譯概念圖，它是雙語語料+深度學習的應用，是文字應用中唯一的通用算法。它用大量的雙語語料訓練一個模型，然后得到了一個大模型，效果就是這張圖，最靠右邊是人的結果，剩下是模型的結果，可以看到準確率是相當高的。
第三個是媒體大數據+自然語言處理。我們社交媒體的數據其實是非常多的，社交媒體數據改變了我們所有人。這是一個典型的案例，它把社交媒體上關于演員“馬麗”的評價進行抓取，然后經過各種各樣的計算給出評價，這就是人工智能和自然語言處理合作的表現。
2、人工智能如何落地？關鍵是場景、產品和技術
人工智能落地應用最重要的是場景、產品和技術。其實場景是關鍵，比如說海云剛才發布的公安這個場景，在這個場景下我們怎么發揮技術的特長。產品是導向，即便是同一個公安的，可能還需要不同的能力，比如說攝像頭的人臉分析。最后是技術的支撐，你要了解哪些技術有哪些支撐，在哪些場景下發揮最大的能力，這樣才能把人工智能更好地落地融入產品，使我們的產品帶有智能的元素。
3、大數據需要被凝練成知識
現在信息量如此之大，但其實我們有很多找不到有用知識的情況。有一本書里說“只有20%的數據是干凈的，80%的數據都是不干凈的”。而在這個信息里面最有價值、最有意義的其實只有1%，我們稱它叫做知識。
我們說大數據科學、大數據技術、挖掘分析等等，其實數據是什么？它應該凝練到知識。如果不能很好地把它凝練、總結、歸納就不能再利用，也不能保證系統的可靠性、可遷移性、可擴展性。如果你做的東西不精煉，再遷移的時候就要重來，不能把有效的同等的東西都遷移過去就要重來，這就有效率的問題，還有不能保證人機協同。
4、人工智能目前仍處在人機協同階段
我們現在講的人工智能它是一個理想狀態的人工智能，像電影一樣的。但是現今我們至少在學術界有一個很好的共識，我們現在其實是人機協同的階段，我們不是讓機器代替人，而是讓機器協助我們。
當前人機交互的實質，實際上是人把腦子搬過去了，從嘴巴到耳朵，從耳朵又出來，其實這就是典型的數據喂出來的結果。
這樣條件下產生的模型可不可以用呢？可以用，在某些場合、某些場景下是可以用的，而且可能比較好用。但是，如果讓它在所有的地方，或者大部分地方都用，那么我們需要這樣的系統：經過知識加工再反饋給你，這就是為什么要經過知識加工以后才能夠做到真正的人工智能，這個的提升空間還很大。
但是我們希望有一個這樣的交互平臺，我們叫做知識平臺，或者是剛才說的AI學習平臺，甚至可以說是企業大腦。知識生產平臺化，知識表示模塊化，知識管理可視化，知識更新自動化。只有在這樣的一種情況下，我們才能更好地運用知識管理信息。
5、關鍵點：數據可視分析
如果處理數據，首先我們可以用數據挖掘找出有用的東西。然后數據分析，把挖掘出的數據分析出價值。這里面可視分析起到一個輸出價值的作用，因為做不好可視分析的話，大部分人不知道你干了什么，也不知道你干的這件事我能用來干什么。可視分析是人機交互非常重要的方式。比如說剛才的語義查詢可以很快地帶著用戶進入場景、進入角色，可以很快地和系統進行交互，得到我們想要的東西。
來源|億歐
1.TMT觀察網遵循行業規范，任何轉載的稿件都會明確標注作者和來源；
2.TMT觀察網的原創文章，請轉載時務必注明文章作者和"來源：TMT觀察網"，不尊重原創的行為TMT觀察網或將追究責任；
3.作者投稿可能會經TMT觀察網編輯修改或補充。
