说到AI想必大家都耳熟能详,其实它包罗了广泛的知识,分为不同的类型,各有优劣:
混合AI(Hybrid 人工智能)能够克服单一技术方法的局限性
符号AI(Symbolic 人工智能)能够理解实际知识,而不仅仅是数据
混合解决方案打开了AI的“黑匣子”,帮助AI技术在现实场景中普遍地应用
符号AI和ML/深度学习都有自己的一套优势,当以混合方式一起使用时,将会是强强联合。将为很多关键的企业应用程序的发展铺平道路。下来,我们先来看看它们各自的能力。
符号AI
Symbolic 人工智能 的设计初衷是利用实际知识,更好地理解现实世界的想法和概念。这类似于人类使用特定的、面向领域的、符号/语义的知识来解释我们周围的环境。符号AI最重要的贡献是在自然语言处理(NLP)和自然语言理解(NLU)领域。
ML/深度学习
ML是目前企业发展过程中采用最多的AI形式。由于它能够自主处理不同的数据集,并不断的迭代和自适应,因此它本质上“学习”了环境的模式并做出相应的响应。在自动化和自主计算环境下,它成为了最灵活和有价值的工具。
深度学习(DL)是基于神经网络的ML。相对而言,DL可以返回更好的结果,但计算/能量成本可能比普通的ML技术高很多数量级。
非结构化数据挖掘
AI有望大幅提高生产率和利润率这两大企业目标。当然,这需要高效地挖掘非结构化数据的隐藏价值,从而实现更高级别的自动化。不仅要实现结构化的数据驱动工作流——绝大多数都是机械的、重复的功能,还要实现信息密集型或非结构化数据驱动的流程。
与此同时,企业更倾向以非破坏性和完全透明的方式引入新的技术方法,因为这样它所带来的任何变化都便于人们理解,所产生的好处是明确和直接的。
纯ML方法很难满足所有这些要求。从本质上讲,他们是一个“黑盒子”场景——他们的内部计算和决策过程仍然是隐藏的,不好解释。比如,当ML单独用于自然语言处理时,对输入数据的任何更改都可能导致模型漂移,就不得不重新训练和测试数据。
符号人工智能学习方法和ML方法并不是相互排斥的:通过有效的融合,可以达到企业预期的最佳效果。这囊括对核心流程和应用程序的高效支持,对给定人工智能模型的行为的完全透明,以及若是误差较大时,它又怎样及时地修正。
事实上,在大多数企业中,最大的信息宝库是语言形式的非结构化数据。从电子邮件到录音,从法律合同到规章制度,口头和书面文字才是最主要的数据源。传统的计算平台在处理结构化数据(如客户列表、财务记录和性能指标)方面表现出色,但直到近期AI的发展和应用,才使得以经济有效的方式处理非结构化内容成为可能。
符号人工智能
在整个人工智能的生态系统中,符号推理和语义理解可以产生更精确的结果,同时减少了训练新模型的时间和费用。首先是提高输入数据的质量,然后简化支持这些海量数据所需的繁琐和资源密集型基础设施。
从操作上讲,混合人工智能方法可以推动AI超越机械式、重复的简单自动化任务,从事需要知识和专业技能的更高级别的工作——但仍未达到需要人工操作的战略级别的任务。
举一个最典型的例子标注,即对信息进行标记以便机器使用的过程。这是一项艰巨而乏味的工作,费时又费力。但是,通过在符号学习环境中利用适当的知识库和图表,能够有效的简化训练过程。
可信度
如上所述,当前人工智能部署的另一个关键问题是可信度。ML/DL存在黑盒问题,其输出既不透明也无法解释。
这个问题一般表现在AI训练模型出现偏差的领域。关于AI产生的种族主义、歧视女性和其他偏见的故事比比皆是,大多是因为它的输入数据向这个方向倾斜。若是不能直接观察这些行为,看不到算法对此做何反应,整个系统最终都会面临瘫痪,只能重新训练模型再重新投产。可信度问题还会带来其他影响,譬如错误地预测重点细分市场的购买趋势,或者大学招生中未能考虑到的文化因素等。
可解释的AI
通过引入符号人工智能,黑盒被打开,这样用户就可以理解机器为什么会以特定方式行事,若是结果不理想,还可以做什么进行优化。此外,这种可见性使操作人员能够持续监视自己的流程,从而做出适当的调整。
AI是一个强大的工具,可以为企业数据运营带来奇迹,但它仍处于起步阶段。对于有远见的组织来说,标准的、单一模式的AI迭代的局限性已经越来越明显。我们需要的是一种方法,能让这项技术更具适应性,更能深入挖掘数据的潜在价值,同时让AI变得更容易使用,成本更低。
混合AI——基于理解实际知识而不是简单学习模式的符号AI——是企业挖掘多年来收集的所有数据价值的优选方式。
原文标题:The Hybrid to Give Your 人工智能 the Gift of Knowledge,作者:Marco Varone