少听大忽悠的AI万能论:不打开四道锁,企业永远无法享用AI
大事件 2018/05/18

如果你是一位科技和AI爱好者,想必会在各种信息渠道看到“人工智能又能干什么了”、“人工智能又在某领域超过人类了”,这类消息近乎于每天都在我们的眼球前摇晃。

久而久之,我们似乎会习惯性地认为AI已经可以拿下一切问题,甚至觉得AI已经是万能的。

这种想象假如只存在于普通消费者脑中,那么可能还好;假如企业家和行业从业者也靠这些判断来贸然尝试引入AI,那麻烦可就大了。

事实上,今天无论是科技大V、社交网络上的“明白人”,还是各种培训讲师、创业BP,都在似有似无间强调企业应用AI的“神奇之处”,这些亦真亦假。但他们不约而同选择忽略掉的,是今天中国企业选择应用AI时,还有大量的困境与难题摆在眼前。

企业AI并不是已经做好的蛋糕,只要付费后拿起刀叉即可享用;相反它更像是一片沃土,想要吃蛋糕,那么企业要从学会种小麦开始。

今天我们来聊聊,企业要跨过哪些困境才能享用AI。注意这个表述:享用。假如一个企业只是想要使用AI,那么很简单,在传达室装一个人脸识别门禁花不了多少钱,效果也不错,但问题是对企业的生产和市场似乎并没有什么用处。而企业想要购买全套的AI解决方案也很简单,只要付费即可得,问题是这些技术来到企业之后到底有什么用,是赔钱还是赚钱,就不得而知了。

所谓享用,是企业要真实地从AI中获益,可以控制AI为企业本身服务,甚至将AI作为进一步增长的生产资料。

我们注意到,前不久的苏州智博会上,华为云就为我们解释了关于企业智能EI的相关问题和华为云提供的解决方案,其认为能够帮助解决实际问题的AI才是企业需要的AI,AI也只有在企业的产业化落地才是真正的企业智能。今天我们就结合华为云体系中的企业智能EI服务案例,来看看今天横亘在企业与AI之间的四道枷锁。

或许我们也可以换个角度看待这个问题:这四道锁的一边,是媒体和公众想象出的AI;而另一边,是AI实用化的广袤旷野。

第一道锁:

关于AI安全,今天到处都是坑

智能,代表着更快的数据交互,而数据的速度就像车的速度一样,速度越快,风险越高。

前不久我们已经在Facebook的数据泄露问题上,看到了AI时代面临的数据风险和安全挑战。

当然我们不能说个人用户数据和企业数据谁更重要,但对于企业本身而言,毫无疑问生产数据甚至技术专利可谓是生存下去的命脉所在。

但在我们呼唤AI高歌猛进的时候,却忽略了企业应用AI时的安全问题正在迅速扩张,并且很少被产业界重视。

我们可以看几个企业AI应用时面临的安全风险:

1、训练数据不安全。进行机器学习类的行业应用模型训练,就必须提供专属的训练数据。而这些数据往往都是从企业生产流程的核心中得来,可说是企业机密中的机密。假如必须把这些数据交给第三方,那么企业的风险系数也将骤然上升。

2、数据存储有风险。今天的AI解决方案中,企业一般要大量通过公有云API实现具体产品流程的AI化,那么也就意味着企业往往要将大量产业数据上传到公有云上。这对很多企业来说非常麻烦,但不如此又难以应用AI,容易造成骑虎难下的局面。

3、AI模型的不稳定性。去年TensorFlow已经被证实有致命漏洞存在,AI模型往往需要嫁接在不同的开发框架和应用平台上,面临着非常多的未知风险。一旦受到攻击或者任何环节崩坏,企业将直接面临着生产能力崩溃的局面。

事实上,这只是几种可能存在的风险。其他像算法本身缺乏可解释性、产业风险难以评估等等,都是围绕在企业AI身边挥之不去的安全阴影。可以说,今天企业应用AI,必须要面对随之而来的“安全问题大礼包”。

当然,解决安全问题任重道远。需要各产业环节,包括企业自身的不断探索和尝试。就华为云而言,他们在企业智能EI服务中会采取公有云、私有云等不同的交付方式,满足企业不同等级、不同产品形式的安全需求。

此外华为云还提供差分隐私保护和联合学习的方式,即通过密码学算法对用户数据进行加密。仅仅让机器学习模型去学习用户的数据特征,训练AI的同时避免泄露用户隐私和核心数据。

此外,AI安全方案也十分重要。在欧美基于AI产业发展,提供专门AI安全防护的配套服务企业已经很多,但在中国整个产业还处在萌芽阶段。AI安全有其独特的需求,比如说华为云的AI安全方案特征之一,是可以通过动态学习不断修正模型,防止模型受到攻击。AI的到来也为安全防护增添了利器,但这需要建立于企业的技术积累和实战经验的基础上。

第二道锁:

脱离全栈计算谈AI,基本属于耍流氓

我们知道在AI世界,算法、算力、数据构成了智能的三要素。但在企业应用上,我们往往会过分重视算法和数据,忽略了算力也是重要的变数。

在AI这件事上,其实弥漫着一种暴利美学——面对着海量数据和运算量庞大的卷积任务,算力不达标一切都是纸老虎。

或许有人会说,企业都已经上云了,算力当然不成问题。但事实上,AI在企业应用,尤其是在工业领域应用时,需要处理大量数据的同时保证实时处理、实时决策。这也就决定了所有数据回传云端再传回来,基本是不现实的事情。毕竟谁也不希望自己工厂里的机器永远慢几拍。但终端计算显然也不可能,虽然IoT终端正在逐步发展,但相关的芯片、处理能力甚至产品形态都才刚刚开始。等终端能解决所有问题,AI的黄花菜真是早凉了。

所以说,企业应用AI时,真正需要的是云、端、边,三位一体化的算力配合,也就是企业对AI任务的全栈运算能力。今天对于企业来说的合理方案,是需要运算基础算力的AI任务回传云端,能够轻量化、集成化进行的快速任务延伸到边缘进行;而在硬件条件满足的前提下,再下放一部分到终端完成。

云边协同和异构计算,都是企业应用AI时无法绕过的问题。为此,前不久的苏州智博会上,华为云刚刚发布了智能边缘平台,帮助企业快速、低成本部署边缘计算能力,迅速激发AI的实用价值。

有一个华为云分享的案例,可以非常直接地展现出云边协同对于AI的价值。华为云的智慧园区解决方案中,提供了动态人像检索服务。通过摄像头,园区可以实现百亿人像秒级搜索。

人像搜索需要快速给出判断结果,完全上传云端自然不现实。但是假如要在终端部署AI运算能力,那就需要把所有摄像头换成智能摄像头。首先成本贵了十倍有余,另外爬到每根电线杆上换摄像头,那个工作量想想都够了。

而通过构筑边缘智能平台,将AI识别任务进行云边协同运算,华为云有效解决了这个问题。其实现了人脸识别1:N准确率大于95%,并且不需要换任何一颗摄像头。

可以看出,在真正的企业应用,尤其是工业应用中,对AI算力的呼唤是非常复杂和具体的。不是云,也不是终端芯片就能解决这个问题,而是需要全栈流程方案的具体部署,满足不同企业用户的不同需求。

想要把AI算力一刀切,那基本是对企业耍流氓。

第三道锁:

充满朦胧美的AI产业价值

即使我们有了算力、数据、算法等基础配置,也确信自己企业应用的AI能力是安全的,AI大餐就可以上桌了吗?

很不幸,问题又来了:你怎么能确定买到的AI技术,真的实用呢?这并不是一个“杠精附身”的疑问。在AI产业价值自证上,确实存在着很多问题,比如:

1、黑箱和算法可解释性影响企业应用。深度学习模型具有黑箱性,这是今天难以规避的问题。而在企业构建业务中的深度学习能力时,算法的不透明时长会导致产品结果不可预知,甚至会因为很小的数据节点全盘崩坏。那么一味相信深度学习,很可能有一个深坑在等待着。

2、工程化问题。AI技术可以快速从实验室走到企业中,是它令人激动的一面。但同时也带来了问题,那就是很多算法和解决方案看起来很美,但却缺乏工程化可能。比如稳定性、延展性的欠缺,直接可能导致工程化失败。

而且新技术的准确度也是个问题,快速引入新技术,很可能买回了个不合格员工。

3、新技术的产业周期回报问题:AI并不是免费的。引入AI,意味着企业要增加各种成本,消耗大量的资源。但这些技术是否能在可靠周期内带回效益,对企业来说却是未知数。另一方面,假如期数延展性不足,企业购买的新技术很快被淘汰,或者无法与其他环节连接,那么企业应用AI时的未知数更将扩大。面对庞大的未知,企业在应用AI时往往是望而却步。

这个难题,最好的破解方式其实也简单,那就是直接引入在其他企业得到反复尝试,被证明没有问题的技术——绝不做第一个吃螃蟹的人,对于企业,尤其是中小企业来说是至理名言。

华为云的企业智能EI服务方案中,一个特性就是把已经在华为内部实验并应用了很久的技术,推广到各合作企业与行业中。华为作为一个巨型ICT企业,内部就已经是一个各种AI黑科技的绝妙舞台。并且华为也一直在坚持技术先内部再推广的原则。而AI显然是其中的核心,比如近期任正非又强调要加强AI在华为内部的应用,并且建立了专门的资金与技术团队。

从华为体系中先内而外的AI案例有很多。

比如AOI自动光学检测。在电子元器件焊接中,传统情况下需要工人一人4机值守来查看可能发生的缺陷,靠人工来审查焊接缺陷率。

显然,这种方法不仅速度慢、效率低,而且在检测过程中容易出错。根据资料,在华为松山湖工厂的生产线上,每个工人做每次检验要耗时5分钟左右。

在加持了AI之后,华为云通过工业视觉领域的图像识别能力,帮助焊接流程实现了无人值守,极大减少人工参与,并且提升了过程中发现缺陷的效率。

那么很明显,这项技术是在华为内部检验成功后,是可以推广到类似需要AOI检测的企业与工厂中的。

事实上,不仅是单独的技术部类,深度学习能力也一样可以进行先内而外的迁移。比如华为云正在使用迁移学习技术,将华为针对多个典型客户场景,所训练出的高性能的深度学习模型预置在华为云深度学习服务中。客户只需要少量数据和训练时间就可以完成独特模型的训练。

AI固然好,靠谱很重要。在企业应用AI时冒险并非美德,尽一切可能收获成熟AI能力,这或许也应该成为AI产业中的某种常识。

第四道锁:

无法回避的行业独特性

最后一个问题,是很多AI专家在畅想未来时都有意无意规避掉的,那就是任何一个产业和企业,都有自己面临的独特性。无论是周期、需求、产业上下游关系,甚至所面临的客户特点,这些都让通用性AI往往施展不开手脚。

毫无疑问,让AI的价值最大化,那就必须要让AI和产业特征、企业周期、行业规律相结合。但这在今天显然是最难的一道关卡。

我们可以来看一个行业特定属性达成AI化的案例。在华为云企业智能EI服务中,有一个特殊的客户:供暖单位。如何让供暖在保证热率的同时,降低污染和排放,这是一个大众普遍关心的问题。但这里利用通用的AI计算方式显然不行,而是需要对于供暖产业中的独特数据,比如燃煤率、锅炉装置、燃烧通风率等等进行数据收集和整理,再用独立的AI算法给出解决方案。

通过华为云专家们深入场景的苦战之后,研发出了供暖阀门动态调节的技术。新的阀门会根据燃烧、温度、能耗、通风等不同情况自动调节,从而在不改变热度的前提下达成了能耗下降4-16%。对于雾霾天和取暖需求来说,可谓功莫大焉。

那么,到底如何针对不同行业和企业给出独立AI解决方案呢?

首先是满足不同技术等级用户的需求。比如华为云深度学习服务,就根据用户不同需求订了5个等级,让有技术开发能力和大规模应用需求的用户试用更高等级开发支撑,中小企业和轻度用户可以使用轻度开发降低成本。这种避免一刀切的AI策略,首先满足了不同企业的核心差异化。

其次,华为云提供颗粒化的人工智能API服务,满足企业具体、定制、重构的AI业务需求。让企业可以像去超市采购一样找到最合适自己的方案。

再次,在AI深入各行业当中的时候,最重要的一关是线下支持。毕竟AI的新颖和变化,对于大多数企业和行业来说都是无法马上适应的,只有强力的线下解决团队,企业才真正没有后顾之忧。

当然,行业独特性是一个非常模糊的概念,无法用某种万能公式去套用。唯一能做的,是AI和行业携手,一关一水去探索未知。

如何拿到钥匙?

说了这么多,好像AI很困难,不怎么靠谱的样子。但事实并非如此,今天AI在商业应用上的整体完成度已经值得期待,与大部分行业的连接密度可能都超过我们想象。所受困的是行业基础和人才窘境,这些当然都是问题,但同时也是企业超过竞品的机遇。

企业应用人工智能,在今天是否有打开这四道锁的钥匙呢?当然也有。

开锁的第一步,是要认识到锁的存在。这句非常像是废话,但其实不然。面对人工智能,今天垂直行业中普遍缺乏良性的认知。过于抵触和过于乐观是我们最常见的两种企业态度,但真正应用和掌控AI,显然两者都不可取。

其次,是要找到靠谱的产业合作关系。AI是无法一个企业、一个行业完成的共生技术体系,只有信赖,才能衍生未来。

最后,是要认清商业逻辑的必然阶段。解锁AI应用的每一步,事实上在这个产业周期中都是形成新壁垒的过程。无论是算法、人才还是数据,甚至是产业经验与产业关系,这些都是企业接下来的战略优势。合理积累优势并去撬动下一个可能,或许才是AI带给企业的真正机遇。

封面
当当上错花轿
老牌电商平台当当75亿元收购案有可能无疾而终。
马老师,别这样!
没人能否认,马云是世界上最鼓舞人心、最成功的老师之一!
京东失宠
市值第四大互联网公司的地位已被美团夺走。
免责声明:本文采集自互联网,若有版权问题请联系我们进行处理
联系方式:system@shangyexinzhi.com
2000+知识点 7000+案例
商业新知助力数字化转型
下载