麥肯錫人工智能前沿報告：深度學(xué)習(xí)的應(yīng)用與價值

• 本文來自微信公眾號【AI商業(yè)報道】

高層速讀

關(guān)鍵信息：本報告對19個行業(yè)的400多個案例進行了分析，強調(diào)了人工智能技術(shù)的廣泛使用和巨大的經(jīng)濟潛力。介紹了主流的機器學(xué)習(xí)技術(shù)與神經(jīng)網(wǎng)絡(luò)，分析了深度學(xué)習(xí)在企業(yè)中的應(yīng)用目的與效果，闡明了訓(xùn)練AI所需的各種數(shù)據(jù)與資源。

關(guān)鍵數(shù)據(jù)：2/3的企業(yè)表明使用深度學(xué)習(xí)是為了提高現(xiàn)有性能；69%的案例表明深度神經(jīng)網(wǎng)絡(luò)可以提高技術(shù)無法達到的性能；15%的案例完全應(yīng)用了深度神經(jīng)網(wǎng)絡(luò)。

關(guān)鍵意義：深度學(xué)習(xí)的價值并不在于模型和算法有多優(yōu)秀，而是在于公司如何運用它。

借鑒麥肯錫全球研究所的研究成果和麥肯錫分析公司的應(yīng)用經(jīng)驗，本報告評估了人工智能技術(shù)在各個行業(yè)和業(yè)務(wù)功能中的實際應(yīng)用和經(jīng)濟潛力。通過報告發(fā)現(xiàn)了深度學(xué)習(xí)技術(shù)在整個經(jīng)濟中的巨大潛力，同時也存在限制和障礙，隨著技術(shù)的繼續(xù)發(fā)展，未來的機會也會出現(xiàn)。以及，深度學(xué)習(xí)的價值并不在于模型和算法有多優(yōu)秀，而是在于公司如何運用它們。

需要強調(diào)的是，即使我們看到了使用人工智能技術(shù)的經(jīng)濟潛力，也必須考慮數(shù)據(jù)的使用涉及到的數(shù)據(jù)安全、隱私和偏見等問題。

三種學(xué)習(xí)技術(shù)&四大神經(jīng)網(wǎng)絡(luò)最為流行

隨著人工智能技術(shù)的發(fā)展，人工智能技術(shù)的定義也在不斷拓展。除了深度學(xué)習(xí)之外，報告還研究了其他機器學(xué)習(xí)技術(shù)和傳統(tǒng)分析技術(shù)，但遷移學(xué)習(xí)、強化學(xué)習(xí)和深度學(xué)習(xí)是AI中應(yīng)用最多的技術(shù)。

▲AI中各種技術(shù)的應(yīng)用熱度

神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)技術(shù)的一個子集。從本質(zhì)上講，它們是基于模擬連接“神經(jīng)單元”的人工智能系統(tǒng)，大致模擬了神經(jīng)元在大腦中相互作用的方式。自20世紀40年代以來，人們一直在研究由神經(jīng)連接的計算模型，隨著計算機處理能力的增加，以及大量的訓(xùn)練數(shù)據(jù)集被用于成功分析圖像、視頻和語音等輸入數(shù)據(jù)，這些模型又重新流行起來。人工智能研究者們便將這些技術(shù)稱為“深度學(xué)習(xí)”，因為神經(jīng)網(wǎng)絡(luò)有許多深層的模擬神經(jīng)元層。

報告分析了三種最流行的神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用和價值：

前饋神經(jīng)網(wǎng)絡(luò)（Feed forward neural networks）：最簡單的人工神經(jīng)網(wǎng)絡(luò)。在這個體系結(jié)構(gòu)中，信息只從一個方向移動，從輸入層通過隱藏的層，到達輸出層，網(wǎng)絡(luò)中沒有循環(huán)。第一個單神經(jīng)元網(wǎng)絡(luò)是由人工智能先驅(qū)Frank Rosenblatt于1958年提出的。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNNs）：這種人工神經(jīng)網(wǎng)絡(luò)之間的連接包含循環(huán)，非常適合用于序列輸入。

卷積神經(jīng)網(wǎng)絡(luò)（CNNs）：這種神經(jīng)網(wǎng)絡(luò)的神經(jīng)層連接較為特殊，它們之間的連接是受動物視覺皮層組織的啟發(fā)而來，而動物視覺皮層是負責(zé)處理圖像的大腦的一部分，非常適合于感知任務(wù)。

此外，針對調(diào)查案例，報告還考慮了生成對抗網(wǎng)絡(luò)（GANs）和強化學(xué)習(xí)。

生成對抗網(wǎng)絡(luò)（GANs）：通過生成模型（Generative Model）和判別模型（Discriminative Model）的互相博弈學(xué)習(xí)產(chǎn)生好的輸出。 GANs可以學(xué)習(xí)模擬各種數(shù)據(jù)的分布（例如文本、語音和圖像），因此在生成測試數(shù)據(jù)集時，它們是很有價值的。

強化學(xué)習(xí)是機器學(xué)習(xí)的一個子領(lǐng)域，在這個領(lǐng)域中，系統(tǒng)通過接受虛擬的“獎勵”或“懲罰”來訓(xùn)練，本質(zhì)上是通過不斷的嘗試和錯誤來學(xué)習(xí)。谷歌旗下的DeepMind利用強化學(xué)習(xí)開發(fā)了AlphaGo以及視頻游戲。

在商業(yè)環(huán)境中，這些分析技術(shù)可用于解決實際問題。

報告整理和分析了19個行業(yè)的400多個案例，通過對特定領(lǐng)域內(nèi)的調(diào)查發(fā)現(xiàn)，在這些領(lǐng)域中，深度神經(jīng)網(wǎng)絡(luò)的運用可以使企業(yè)價值最大化，與傳統(tǒng)分析方法相比，這些神經(jīng)網(wǎng)絡(luò)可以產(chǎn)生的增量提升，但要在容量、多樣性和速度方面追求，需要大量的數(shù)據(jù)。

深度學(xué)習(xí)可以用來提高現(xiàn)有性能

預(yù)測機器維修：機器學(xué)習(xí)可用來檢測異常。深度學(xué)習(xí)能夠分析大量的高維數(shù)據(jù)，可以將現(xiàn)有的預(yù)防性維護系統(tǒng)提升到一個新的水平。通過分析麥克風(fēng)和攝像頭等的數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)可以增強并可能取代傳統(tǒng)的預(yù)測維護方法。

深度學(xué)習(xí)預(yù)測故障和允許計劃干預(yù)的能力可以用來減少停機時間和運營成本，同時提高產(chǎn)量。例如，深度學(xué)習(xí)可以通過結(jié)合平面模型數(shù)據(jù)、維護歷史、發(fā)動機振動數(shù)據(jù)異常檢測等物聯(lián)網(wǎng)傳感器數(shù)據(jù)，以及發(fā)動機狀況的圖像和視頻，來延長一架貨機的壽命。

AI驅(qū)動的物流優(yōu)化可以通過檢測車輛性能和指導(dǎo)司機行為降低運輸成本。例如，一家歐洲卡車運輸公司使用監(jiān)測車輛性能和駕駛員行為的傳感器，將燃料成本降低了15%，司機可以獲得包括何時加速或減速等實時的指導(dǎo)，進而優(yōu)化燃料消耗和降低維護成本。

人工智能是客服和商品個性化推薦的重要工具。例如，對音頻的深度學(xué)習(xí)分析可以讓系統(tǒng)評估客戶的情緒基調(diào);如果客戶對系統(tǒng)做出了糟糕的反應(yīng)，那么就可以自動呼叫到操作員和管理人員。在營銷和銷售的其他領(lǐng)域，人工智能技術(shù)也會產(chǎn)生重大影響。將客戶統(tǒng)計數(shù)據(jù)和交易數(shù)據(jù)與以及社交媒體數(shù)據(jù)相結(jié)合，可以幫助生成個性化的產(chǎn)品推薦。亞馬遜已經(jīng)開始使用了，可使銷售轉(zhuǎn)化率提高兩倍。

• 本文來自微信公眾號【AI商業(yè)報道】

2/3的企業(yè)使用AI是為了提高現(xiàn)有性能

在報告調(diào)查的69%的案例中，深度神經(jīng)網(wǎng)絡(luò)可以用來提高其他分析技術(shù)所提供不了的性能。只使用神經(jīng)網(wǎng)絡(luò)的情況，我們稱之為“綠地”案例，但它只占總數(shù)的16%；在15%的案例中，深度神經(jīng)網(wǎng)絡(luò)在其他分析技術(shù)基礎(chǔ)上提供了額外性能；還有一些案例，因為數(shù)據(jù)限制使他們不適合深度學(xué)習(xí)。

▲與傳統(tǒng)分析方法相比，深度學(xué)習(xí)在各行業(yè)提升性能的百分百

綠地案例在客服領(lǐng)域非常普遍，在該行業(yè)中，數(shù)據(jù)豐富而大量，有時還會整合人類的反應(yīng)。在所有行業(yè)中，醫(yī)療領(lǐng)域的綠地案例最多，其中一些病例涉及疾病診斷和改善護理，并依賴于包含圖像和視頻輸入的豐富數(shù)據(jù)集，包括來自MRIs的數(shù)據(jù)。

平均而言，報告的案例表明，現(xiàn)代深度學(xué)習(xí)有能力在傳統(tǒng)分析技術(shù)的基礎(chǔ)上再提供價值，價值大小從30%到128%不等，這取決于行業(yè)的接受度和開放程度。

深度學(xué)習(xí)是最需要數(shù)據(jù)的

在大多數(shù)應(yīng)用程序中有效地使用神經(jīng)網(wǎng)絡(luò)需要大量標記的訓(xùn)練數(shù)據(jù)集，并且能夠充分計算基礎(chǔ)權(quán)限。此外，深度學(xué)習(xí)技術(shù)擅長從復(fù)雜的多維數(shù)據(jù)類型中提取模型，比如圖像、視頻、音頻或語音。

實現(xiàn)AI全部潛力需各種數(shù)據(jù)，包括圖像、視頻和音頻

深度神經(jīng)網(wǎng)絡(luò)擅長分析圖像、視頻和音頻數(shù)據(jù)類型，因為它們復(fù)雜、多維，被從業(yè)者稱為“高維度”。神經(jīng)網(wǎng)絡(luò)擅長處理高維度，因為網(wǎng)絡(luò)中的多個層可以學(xué)習(xí)數(shù)據(jù)中存在的許多不同的特性。因此，對于面部識別，神經(jīng)網(wǎng)絡(luò)的第一個層可以聚焦于原始像素，第二層聚焦在輪廓和線條上，另第三層是識別在一般的面部特征，最后一層才識別出人臉。

除了數(shù)據(jù)的數(shù)量和種類之外，速度也是一個要求：人工智能技術(shù)需要不斷訓(xùn)練新的模型，來適應(yīng)不斷變化的場景，因此必須經(jīng)常刷新訓(xùn)練數(shù)據(jù)。在1/3的案例中，模型需要至少每月更新一次；幾乎每4個案例中就有1個案例需要每天更新。這種需求在市場營銷、供應(yīng)鏈管理和制造方面尤其突出。

• 微信內(nèi)搜索并關(guān)注公眾號[AI商業(yè)報道]，獲得人工智能領(lǐng)域第一手商業(yè)資訊

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責(zé)任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。