|
資料來源:
https://www.economist.com/weeklyedition/2020-06-13
Steven Levy在最近關於美國社交媒體巨頭的一本書“臉書：內幕”生動地描繪了此公司的規模。不是用收入或股價來衡量，而是通過大量的人類活動。它的伺服器，每天有17.3億人使用。在Facebook，撰寫評論和上傳影片。Levy寫道，如此大規模的行動是如此之大，以至於只能由演算法或軍隊來管理。
實際上，Facebook兩者都使用。人力主持人與訓練有素的演算法一起工作，可以發現違反某個國家/地區法律或網站自身政策的文字。但是演算法相對於人類演算法具有許多優勢。他們不睡覺，不休假或抱怨自己的考核績效。他們很快，每秒掃描成千上萬條消息，而且很輕鬆。當然並且無需支付費用。
不只是Facebook。
Google使用機器學習來完善的搜索結果並定位廣告。亞馬遜和Netflix使用它來推薦觀看的產品和電視節目。Twitter和TikTok建議新用戶如何利用。能夠以最少的人工作業就能提供所有這些服務的能力，是用相對較少的勞動力實現，科技公司令人眼花瞭亂的評估方法的原因之一。
其他行業的公司也會喜歡這種效率。然而，魔法卻難以捉摸。波士頓諮詢集團（Boston
Consulting Group）和麻省理工學院（MIT）進行的一項調查針對近2500位老闆進行了調查，發現十分之七的人說，到目前為止，他們的AI項目幾乎沒有產生任何影響。在人工智慧上有“重大投資”的人物，五分之二尚未報導有任何收益。
也許結果是來自，老闆似乎更籠統地考慮了這個想法。PWC的另一項調查發現，在其公司計劃部署AI的老闆人數在2020年為4％，低於一年前的20％。宣稱他們已經在“多個領域”實施人工智慧的人數從27％下降到18％。PWC的Euan
Cameron表示，匆忙的採用AI可能已經被放棄或重新考慮，過去幾年主導董事會的“非理性繁榮”正在逐漸消失。
檢查真實性的原因有很多。一種是平淡無奇的原因。企業，尤其是大型企業，常常發現變革困難。歷史的一個相似之處是工廠的電氣化。就效率和便利性而言，電力相對於蒸汽動力具有巨大優勢。大多數基本技術都是在19世紀末發明的。
但是，電力卻花了30多年才在富裕的世界中被廣泛採用。
這也存在特定於AI的原因。互聯網巨頭的成功可能誤導了公司，互聯網巨頭完全有能力採用新技術。他們已經配備了程序員，並且已經擁有大量用戶生成的數據上。他們至少首先使用AI的用途。改善搜索結果，顯示廣告，推薦新產品等，這些簡單易懂。
但不是每個人都那麼幸運。對於許多公司而言，尋找員工可能很棘手。人工智慧專家稀缺，薪水豐厚。一家公司的一位高級經理抱怨道“只有科技巨頭和對沖基金才有能力僱用這些人，”學術界對這些人一直是一片沃土。一個更微妙的問題是決定將AI用於什麼用途。機器智能與生物學大不相同。這代表著衡量機器完成任務的難易程度可能是違反直覺。AI研究人員將這個問題稱為Moravec悖論，這是加拿大機器人專家Hans
Moravec提出的。他指出，儘管機器發現複雜的算術和形式邏輯很容易，但它們卻在諸如協調運動和人類運動之類的任務中掙扎，而這完全是人類理所當然的工作。
例如，幾乎任何人都可以為客戶支持熱線服務。很少有人可以在大師級別玩Go。然而會計師事務所KPMG的AI專家Paul
Henninger表示，在某種程度上，構建客戶服務聊天機器人要比構建超人Go機器困難。圍棋只有兩個可能的結果（輸贏），並且都可以輕鬆識別。各個遊戲可以以無數種獨特的方式進行遊戲，但是基本規則很少而且明確規定。這樣明確定義的問題非常適合AI。相比之下，Henninger先生說：“取消航班後，一個客戶會致電，有很多其他可能會發生的事”。
該怎麼辦？英國倉庫自動化和食品交付公司Ocado的工程總監James
Gralton說，其中一項建議是從小處著手，選擇可以迅速帶來明顯好處的項目。Ocado的倉庫裡充滿數千個機器人，它們看起來像是附有輪子的小文件櫃。他們成群結隊地圍著柵欄，拿起食物來滿足在線購物者的訂單。
Ocado的工程師使用機器人的簡單數據（例如電力消耗或輪式馬達的扭矩讀數）來訓練機器學習模型，以預測損壞或磨損的機器人何時會發生故障。由於故障的機器人會妨礙您的工作，因此將它們移出以進行預先維護可以節省時間和金錢。而且該系統相對容易實施。
機器人，倉庫和數據都已經存在。結果也很明顯，這很容易說明AI模型的運行情況。減少系統故障並節省資金，或者不這樣做。這種“預測性維護”以及後台自動化等都是PWC准許“無聊的AI應用”的一個很好的例子（儘管Gralton肯定會反對）。
構建AI系統不只是其在真空中的準確性。它還必須做一些工作使得可以整合到公司的工作。在1990年代後期，Henninger在Fair
Isaac Corporation（FICO）的“
Falcon”上工作，Falcon是一種針對銀行和信用卡公司的信用卡欺詐檢測系統，他說這是現實世界中最早的機器學習用途之一。與預測性維護一樣，欺詐檢測也非常適合數據（以信用卡交易記錄的形式）是乾淨且易於獲取的，決策是使用的二進制數據（交易是欺詐還是非欺詐）。
他說，儘管Falcon公司比銀行現有系統更擅長發現狡猾交易，但直到FICO研究出如何幫助銀行利用模型生成的消息來做些事情之後，Falcon產品才能獲得成功。Falcon受到當今擁有許多AI項目的相同限制。從工作模型過渡到有用的系統。最終創建案件管理系統是更為平凡的任務，即向銀行工作人員舉報潛在的欺詐行為，然後允許他們阻止交易，通過交易或致電客戶進行雙重檢查。這樣說服了銀行值得購買該系統。
Gralton說，由於世界是複雜且開放的，因此在現實世界中很少有問題可以被AI完全解決。因此，管理人員應該計劃其系統將如何發生故障。通常，這將意味著將困難的案例交給人類進行判斷。這可能會限制預期的節省成本，尤其是在模型調整不良且經常做出錯誤決策的情況。
由科技巨頭對於covid-19大流行的經驗，伴隨著大量的在線陰謀論，虛假信息和胡說八道，證明了始終使人類處於消息循環的好處。由於人類主持人看到敏感的私人數據，因此他們通常在具有嚴格安全策略的辦公室中工作（例如，通常禁止攜帶智能手機工作）。
3月初，隨著疾病的蔓延，科技公司將其內容主持人遣送回家，而這種安全性很難實施。這意味著對算法的依賴增加。這些公司坦承受到影響。
YouTube說，更多的影片最終將被刪除，“包括一些可能不違反我們的政策的影片”。Facebook承認，更少的人為監督可能意味著更長的響應時間和更多的錯誤。人工智慧可以做很多事情。但是，還是人類在那裡牽著手工作，這種方法最有效。
|
