AI的价值并不在模型自身,而在于公司怎样用好它们。

麦肯锡出品,一份深度学习领域的分析报告,包含400个应用案例,横跨19个行业的9种业务功能。报告重点强调了前沿AI技术的应用范围之广,以及经济潜力之盛,也提到了发展中的一些局限和挑战。

还有,需要注意的是,就算AI技术的前景再光明,使用数据之前都要把数据安全、隐私以及可能出现的偏见问题考虑周全。

报告共分四大章节,那我们开始吧。

AI技术与对应的任务类型

随着AI技术的发展,其定义也跟着发生变化——AI到底由哪些技术构成。这里,AI代指使用人工神经网络的深度学习技术。

AI analytics techniques

具体来说,报告分析了三类神经网络的应用和价值——

  • 前馈神经网络 (FFNN)

这是神经网络中最简单的一类。在FFNN的结构里,信息的流动是单向的、无环的,从输入层开始,延伸到隐藏层,最后到输出层。

第一个单神经元网络,是Frank Rosenblatt在1958年提出的。虽然,方法听来有些老旧,但计算能力、训练算法以及可用数据的演变,都让FFNN随着时间的推移变得更强大。

  • 循环神经网络 (RNN)

神经元之间的连接是有环的,适合处理序列化输入。

2016年11月,牛津大学发表的研究成果中提到,有一种RNN读唇的准确率达到95%,远超人类的52%。

  • 卷积神经网络 (CNN)

层与层之间的连接方式受到了动物视觉皮层结构的启发,那是动物大脑处理图像的地方,适合执行感知任务。

另外,本章节探讨了生成对抗网络 (GAN) 以及强化学习。不过,这两种技术并没有包含在AI的价值评估里面,因为,它们很年轻,还没有成为广泛应用的技术。

这一环节,也探讨了其他机器学习技术,以及传统数据分析方法。

应用案例分析

在19个行业、9种业务功能的400个案例中,可以看到的事情有很多——

深度神经网络在哪些领域能够产生最大的价值;与传统数据分析相比,神经网络能够带来多少营收增长;以及达到相应的目标,对数据的数量 (volume) 、速度 (velocity) 以及多样性 (variety) 有怎样的需求。

Advanced deep learning AI techniques can be applied across industries

报告使用的案例库虽然庞大,但也并非应有尽有,依然可能夸大或低估AI在某些领域的潜力。

以下是一些应用栗子,可以一窥AI的力量。

  • 预测性维护 (predictive maintenance)

机器学习拥有检测异常的能力。深度学习用来分析大量高维数据,可以把现有预防性维护系统的性能提升到一个新的高度。把许多传感器的数据层层叠起,神经网络能够增强或者取代许多传统方法。

AI可以预测故障,让干预计划有了用武之地,从而减少停机时间和运营成本,提高产量。

比如,AI可以通过整合飞机模型数据、维护历史记录、IoT传感器数据 (如用于故障检测的发动机数据) ,来延长货机的寿命。

  • AI驱动的物流优化

AI可以通过实时预测和行为指导来降低物流成本。算法能够优化配送路径,从而提高能源利用效率,减少配送时间。

欧洲一间货运公司,利用传感器监测货车性能和驾驶员行为,司机会收到实时指导,何时加速或减速,优化油耗并减少维护开销。由此,燃料成本降低了15%。

  • 客服管理和个性化服务

在呼叫中心,语音识别和来电分流,可以提升服务效率,并为用户提供更加流畅的体验。

比如,基于深度学习的音频分析系统,可以估计当前用户的情绪状态,并据此判断要不要切换到人工服务。

在销售和营销的其他方面,AI也有所作为。将用户个人信息和过往交易数据与社交媒体监测相结合,便可以生成个性化产品推送。

AI improves the performance of existing analytics techniques

在案例库69%的应用案例中,深度神经网络都是用于替代传统分析方法,提升系统表现。有16%的案例,神经网络的任务是传统方法无法完成的专属任务,这些领域称为green field。余下15%的案例中,神经网络带来的性能提升非常有限,原因包括数据方面的局限性等等。

毕竟,深度学习对数据的需求,远远大于任何传统分析方法。而如果要完全激发AI的潜力,则需要多种多样的数据,包括图像、视频、音频等。

估计AI的潜在价值

据估计,报告探讨过的所有AI技术加在一起,可能在19个行业的9种职能中,产生每年3.5-5.8万亿美元的价值。这在所有 (包括传统和AI) 数据分析技术一年产生的价值中,约占40%。

AI has the potential to create value across sectors

报告中估计,在每个行业的2016年营业额中,AI的平均贡献约在1-9%。但在19个行业之间,AI贡献的营业额百分比差异较大,取决于具体应用案例、获取大量复杂数据的能力,以及规章制度等其他限制。

案例分析得到的结果是,AI能够产生最大价值的领域,既有顶线导向 (top-line-oriented) 的功能,比如营销和销售,也有底线导向 (bottom-line-oriented) 的功能,如供应链管理和生产制造。

AI's impact is likely to be most substantial in M&S, supply-chain management, and manufacturing

在零售和高科技等消费行业,AI可能在营销和销售中拥有更大的潜力,因为商家与用户之间频繁的、数字化的互动会为AI技术提供庞大的数据集。电子商务平台将会尤其受益,点击数据与页面停留时间等用户信息都可以轻松获取,并用于生成实时动态的产品推送。

以下又是一些栗子。

  • 零售领域,定价和促销可以成为AI的天地。案例表示,使以用户数据来定制个性化促销活动,可以将实体零售商促销的增量销售额提升1-2%。

  • 在消费品的供应链中,AI部署也能起到重要的作用。基于潜在因果驱动因素 (而非先前结果) 的预测,可以将预测准确度提升10-20%,从而带来2-3%的营业额增长。

  • 银行业,特别是零售业务中,AI依然可以在营销和销售中施展才能。另外,鉴于风险评估和管理的重要性,AI在这一方面的产生价值可能会更大。

挑战在哪里

AI正在吸引越来越多的企业投资,但到目前为止,拥有AI技术的公司里,只有约20%将自己的技术应用于核心业务或者大规模使用。

如今,AI技术的应用还面临着许多挑战——

  • 标注训练数据

这在监督学习中必不可少。目前大多是手动标注,但新的技术正在涌现,比如强化学习和in-stream supervision,数据可以在自然使用过程中获得标注。

  • 大量全面的数据获取

对许多行业案例来说,获取大量数据非常困难,比如用于预测治疗方案效果的临床数据。

  • 解释输出结果

比如,疾病诊断过程中,AI可以利用患者信息来得出诊断结论,但无法解释这一结论是如何一步步取得的。

  • 学习的普遍性

AI模型在将学习经验从一类情况向另外一类情况迁移时,经常遇到困难。这意味着,企业需要投入大量资金训练新模型,即便情况与之前的用例相似也很难避免。

这可能牵扯到一些社会性的问题。比如,训练数据无法代表一个更大的群体时,人脸识别模型便可能在无意之间产生偏见。

或许,AI是一个难以琢磨的商业案例,许多因素都会减缓深度学习的行业落地。