人工智能需如何跨越“人工智能技术鸿沟”？

关于人工智能如何改善我们的生活以及如何让企业进步的那些故事，每天都会给我们带来惊喜。人工智能已经分析了X射线，为物联网供电，并为销售和营销团队推荐下一步最佳行动计划。它似乎还有无限的可能性。

但是在每个人工智能成功的故事背后，都有无数个项目死在实验室里。这是因为将机器学习研究投入生产并且用它为客户提供真正的价值通常比开发一个科学合理的算法更困难。在过去几年里，我遇到的许多公司都面临着这个挑战，我称之为“跨越人工智能鸿沟”。

在本文中，我将站在你的角度分享我在克服技术和产品困难时的四大教训，我最近在 ApacheCon 上提出了这些知识点。

新数据。 数据是人工智能的关键。例如，如果你想让聊天机器人学习，你必须向其算法模型提供客户请求和相应的正确响应的样本数据。样本通常是静态化、结构化的数据，如 CSV 的数据格式。

虽然你可以使用静态数据集构建很酷的人工智能演示，但真实世界中的人工智能算法模型需要新的数据进行增量式的训练，使其随着时间的变化而变得更聪明。这就是为什么公司应该及早投资机器学习架构，不断收集新的数据，并使用它定期更新其人工智能模型。

实时数据的使用面临着许多工程性挑战，包括调度，不停机模型迭代，稳定性和性能监控。此外，如果新数据出现问题，您需要一种机制来回溯到先前的状态，使我们到下一个点。

保证收集训练数据的质量。公司应该从一开始就考虑数据的质量 － 特别是由用户生成的数据。机器学习自动化是一件令人兴奋的事，但它也可能适得其反。最近推特（Twitter）上有些聊天机器人变得很无赖，这是一个典型的自动化变差的例子。

在聊天机器人开始自由交谈之前，它是利用公开的经过模型化、清洗和过滤的数据进行训练的。但是在机器人开始从与真实的人的不适当的交流中进行学习之后，它的推文的语气迅速地变得更差。GIGO（garbage in， garbage out）是机器学习的基本规则，所以一个良好的人工智能系统能够检测出潜在的问题，并在需要人工干预的时候向管理员发出警报。

优化正确的目标。人工智能的成功取决于正确地定义你的预测问题。从一开始，你需要清楚地识别输入查询，输出预测，并且分辨哪些预测是好的，哪些预测是坏的。数据科学家将使用这些评估指标来确定人工智能模型的准确性。

首先定下你的目标。你想要最大限度地提高收入，创造更好的用户体验，自动执行手动任务或者其他任务？要想成功，现实世界的人工智能产品必须使用能够准确反映业务目标的评估指标。

Netflix 开展推荐算法竞赛的故事给大家上了一课。一位新的电影评级算法的创作者被授予100万美元奖金后，Netflix 无法在现实世界中大规模使用该算法，主要是因为从 DVD 到视频流的过渡使原始目标失去意义。

设置指标时，请记住三个关键要求。你需要确保：（1） 衡量什么是真正重要的事情；（2） 使用实时数据和新数据对结果进行评估；（3） 以一种他们理解的、有价值的方式向利益相关者解释结果。最后一个要求指出了人类和人工智能交互的关键点。

人类与人工智能交互。人类很复杂。 因此，当他们与人工智能进行交互时，会遇到在实验室中处理数据集时不会碰到的新挑战。请注意，如果客户不信任人工智能，就不会使用它驱动的产品。虽然你可以通过显示预测模型的准确性来尝试建立信任，但大多数消费者不能真正去关注可靠的科学指标。

因此，你需要使用你的产品的用户体验／用户界面（UX ／ UI）来克服构建信任的困难。例如，当苹果的Siri虚拟助手首次启动时，它默认是男性声音还是女性声音具体取决于用户所在的国家和地区。谷歌的自驾车型以一副可爱和友好的面孔出现，以安抚那些担心自己安全的客户。记住，人们使用你的算法给你带来的不是只有挑战，还会给你提供解决方案。

实际上跨越人工智能的鸿沟并不是那么令人恐惧。当你迈进这个鸿沟时，要确保自己能够制定一个良好的计划去跨越它而不是跌落鸿沟。并且记住想要成为人工智能的先行者，你的公司必须要秉承客户至上的原则。

本文作者 Simon Chan 是 PredicTIonIO 的前联合创始人／首席执行官，目前担任 Salesforce Einstein 产品经营的高级主管。