然而，任何的技術(shù)都有一個逐漸完善的過程，人工智能技術(shù)雖然前景美好，但在現(xiàn)階段仍然存在一些明顯的短板和與理想應(yīng)用之間的差距。因此，在部署和應(yīng)用AI技術(shù)的同時，多了解一些它的背景知識和應(yīng)用趨勢是非常有必要的。
我們其實已經(jīng)在應(yīng)用一些人工智能元素有好多年了。
AI并不是突然冒出的新鮮事物。上個世紀90年代出現(xiàn)的洗衣機模糊邏輯控制系統(tǒng)其實就是某種形式的AI。語音識別和語義識別本身也是AI的一部分。在數(shù)據(jù)分析與挖掘領(lǐng)域，我們利用很多傳統(tǒng)的機器學習算法，比如決策樹、邏輯引擎等，進行預(yù)測性分析已經(jīng)有好多年，而這幾年這些算法又被打上了AI的標簽。而最新的AI發(fā)展其實最主要是圍繞著人工神經(jīng)網(wǎng)絡(luò)算法而來的。同樣，人工神經(jīng)網(wǎng)絡(luò)算法也不是新鮮事物，但一直以來因為缺少商業(yè)價值而少有人關(guān)注，直到近幾年大數(shù)據(jù)的發(fā)展為算法的訓練和演進提供了足夠的場景和數(shù)據(jù)，使其智能化水平大增。
以前，如果一個客戶失聯(lián)一段時間，企業(yè)很可能會把他標記為流失風險客戶，而給予某種促銷激勵。而有了機器學習算法，企業(yè)可以利用更廣泛的數(shù)據(jù)維度實時尋找和識別更復(fù)雜的客戶行為模式，發(fā)現(xiàn)潛在的風險與關(guān)系。
AI也許還沒有那么智能
自動駕駛汽車應(yīng)該算是當今人工智能應(yīng)用領(lǐng)域最前沿的應(yīng)用領(lǐng)域之一了，盡管我們都期待未來幾年路上會行駛著越來越多的無人駕駛汽車，但它仍然不具備幾項人類大腦所具有的關(guān)鍵判斷和決策能力，且這個學習過程會非常漫長，至今仍未通過駕駛測試。
同樣，在客服中心里，自學習算法在某些專項領(lǐng)域做得非常好，結(jié)果在某些具體的點上也是理想的，可接受的。但綜合來看，在眾多的需要綜合考慮復(fù)雜場景的業(yè)務(wù)上，人工智能仍然無法起到獨當一面的作用。
很多聊天機器人背后只有很少的人工智能技術(shù)
并不少每一個智能聊天機器人都那么智能。很多只是利用基本的關(guān)鍵詞識別編碼并借助后臺的內(nèi)容邏輯編碼樹把對應(yīng)的內(nèi)容抓取輸出而已。對完整語義的識別和上下文對話能力還很弱，更不要說多輪的自然語言交互。只有經(jīng)過較長時間大量的訓練和校準，機器人的客戶需求識別與問題響應(yīng)能力才會逐漸完善和提升。
人工智能需要海量的數(shù)據(jù)去訓練
提升AI的智能水平需要大量的訓練。無論是有監(jiān)督的機器學習還是無監(jiān)督的機器學習，學習與進步的發(fā)生都離不開大量的高質(zhì)量的真實業(yè)務(wù)場景數(shù)據(jù)，尤其是數(shù)據(jù)的收集、整理、清洗和轉(zhuǎn)換將會耗去整個數(shù)據(jù)項目的三分之二左右的時間，這其實對于整個企業(yè)的數(shù)據(jù)治理機制提出了很高的要求。而且，不同的算法有著不同的業(yè)務(wù)適用范圍。例如，卷積神經(jīng)網(wǎng)絡(luò)模型擅長圖像識別，而遞歸神經(jīng)網(wǎng)絡(luò)則更適合語言情景的理解。知道處理何種任務(wù)最應(yīng)該用哪種算法以及哪些數(shù)據(jù)既是一個數(shù)據(jù)科學問題，也同樣是一個業(yè)務(wù)理解問題。業(yè)務(wù)理解是技術(shù)開發(fā)的前提，在這一點上，任何AI技術(shù)的開發(fā)、采購或部署都應(yīng)該有業(yè)務(wù)人員的參與，讓他們從業(yè)務(wù)流程和業(yè)務(wù)結(jié)果的角度來評估AI技術(shù)的實用性和適用性。
AI技術(shù)仍在快速演進
人工智能技術(shù)的演進潮流是有目共睹的，各種貼著“AI”標簽的系統(tǒng)或解決方案被接二連三地推向市場。盡管不完美，但最起碼做了概念普及和技術(shù)鋪墊。隨著自主學習和演進算法的不斷改善，未來我們能看到的將不僅僅是機器圍棋大師、機器人作家和藝術(shù)家、機器人駕駛員等，而且能夠看到你的最佳銷售和最佳服務(wù)坐席的模仿系統(tǒng)。一個人人都是最佳銷售或服務(wù)大師的時代也許已經(jīng)為時不遠了。
