人工智慧系統不需要完美就可以投入生產,它們只需要比人類更好。
文╱Zeus Kerravala 譯╱林麗冠
人工智慧(AI)一直是IT和業務領導人之間的熱門話題,因為AI承諾要擔任人類歷史上最大的變革推手。一旦將AI的基因注入我們所有的裝置、汽車、家電,以及我們與之互動的所有事物,我們的工作、生活、學習和娛樂方式將永遠不同。當然,資訊長非常了解這一點,也正尋求將AI當做他們數位轉型策略的一部分。
但挑戰之一是,人們經常高估AI可以做的事情,而且期待完美。如果真的有任何錯誤,它得回到白板上以修改演算法,或是在學習階段花費更多時間。例如,以自駛車來說,當事故發生時,人們會驚慌失措,表現得好像這輛車是故意造成事故將人殺死的《魔鬼終結者》T-600機器人久違的表親。但事實是,自駛車並非定義在零事故的基礎上,它們只需要比人類駕駛更好,就能對社會有所幫助,而現在的確可以達到那個標準。
廣義上講,這意味著AI系統只需要輔助(亦即對使用它的人有所幫助)就能投入生產。它可以使醫生工作更有效率嗎?它可以比人類更快將影像分類嗎?可以比工程師更快預測運行中斷嗎?一旦達到該門檻,就可以導入它並獲得好處。
致力於最簡可行的智慧
我之前參加在舊金山舉行的一項AI活動,主辦單位是 Cambridge Consultants(劍橋顧問諮詢公司)、NVIDIA和NetApp,而會議討論的就是這個主題。劍橋顧問公司的AI主管 Tim Ensor 在主題演講中提到,他的公司與客戶合作時,一旦完成「最簡可行的智慧」(Minimum Viable Intelligence, MVI),也就是在最重要的核心邏輯已經可以表達其設計概念的階段,就會啟動AI計畫。
「最簡可行」的定義門檻將因使用案例而異。例如,一個以AI採買機器人向零售商下訂單,這個功能對AI的需求需要幾近完美,因為任何錯誤都可能會讓公司損失慘重。但是對其他用途而言,標準就不是那麼高。
劍橋顧問公司提出的使用案例之一是「AI按歌曲類型進行編排的能力」。Ensor解釋說,AI在錄音室音樂方面表現相當好,但對人類演奏的音樂表現較差,它可能會錯誤詮釋某種音樂類型。在這種情況下,不正確的分類會被回饋給系統,以進一步訓練AI。因此,提早啟動解決方案實際上有助於AI更快取得更多資料以更有智慧。
另一個例子是稱為「Bacill AI」的醫療應用程式,該應用程式能夠用顯微鏡的等級來檢視醫學影像,進而在第三世界國家的人們身上發現結核病。過去這通常是一個艱苦的流程,可能會讓醫生花費數小時才完成,但是AI可以掃描影像並在短時間內發現顯示結核病的異常現象。同樣地,演算法一開始並不需要百分之百完美,隨著更多的分析完成,可以將這些資料當做訓練資料回饋給系統,便可使系統幾近完美。
資料多樣性比數量更重要
在演講中,劍橋顧問公司提出的一個關鍵是「不同類型資料的價值」。
過去,企業會運用大量精心挑選的資料(亦即經過清理和整頓以清除異常、重複資訊等的資料)來訓練AI系統,但這些較為單一的資料,儘管資料量很大,卻難以讓AI獲得綜觀性的學習成果;如今,AI系統更自然地學習(亦即更像人類),並且可以被饋送更少量的資料,而這些資料可以是經過精心挑選、原始(未經過濾),或甚至合成的資料(由人或機器產生)。
此外,運用「生成對抗網路」(Generative Adversarial Network, GAN),可以讓AI能夠在訓練過程中建立自己的資料。劍橋顧問公司指出,對不熟悉GAN的人來說,這是一個以機器學習為主的系統,它使用一個包含正確和錯誤資料的組合來加速學習流程──在幾天內而非幾個月內完成。這意味著只需要花以往時間的一小部分,將能夠實現「最簡可行的智慧」(MVI)。