释放企业AI潜力的关键

下次您完成通勤回家时，请三思而后行。您还记得途中看到的交通灯的颜色吗？

大多数人没有保留这种详细程度。实际上，我们的大脑每秒接收多达1100万个输入，但只能处理大约40个。人类的思维已经演变为在正确的时间执行正确的思维-咬住解决人生日常任务的认知决策块。

我们最先进的人工智能（AI）系统无法匹敌人脑的处理能力。但是，就像我们的大脑一样，它们依赖于高度专业化的认知算法，这些算法会在适当的时机自动实现过程价值链的各个部分。正如我们的大脑下意识地处理导航十字路口所需的子任务一样，这些专门的AI服务构成了AI应用程序的构建块。

在最高级别，企业AI应用程序是由精心编排在一起的精细算法制成的。这些算法是通过训练具有数据和上下文相关领域专业知识的计算引擎来构建的。越来越多的此类算法将使用标记的数据针对特定任务进行预训练，从而最终提高效率，降低风险并加速AI的广泛采用。

企业需要通过上下文通知AI。

全球大型企业的CXO表示，采用AI是何时（不是）时间的问题。根据AI 360最近的一项调查，四分之一的高级管理人员计划在2021年底之前使用AI从根本上重新构想他们的业务模型或显着改变其业务流程。

但是，仍然存在AI部署的一些障碍，包括从何处开始，如何构建以及如何执行。对于大多数企业而言，仅大型水平AI平台无法提供他们想要的结果。

根据定义，AI计算引擎是水平的，可伸缩的且与用例无关。为了有效，必须将它们调整为特定的方案。报告药物警惕不良事件的AI解决方案与预测贷款组合风险的AI解决方案不同。两者都可以使用相同的核心AI平台，但是它们使用不同的数据集，语义理解，过程知识和关联的本体进行训练。

实际上，仅当AI应用程序与它们正在自动化的用例中的相关数据集进行情境化和经过相关培训时，AI应用程序才能交付价值。

想象一下一层肥沃的土壤，许多高大的树木都从中生长。土壤就像一个AI计算引擎-更专业的AI应用程序可以赖以出现的基础。这些树就像经过预先训练的AI加速器一样，每棵榆树都被调整到特定的用例，或者每棵杉树都使用在特定域的上下文中标记的数据。随着每个加速器的使用情况调整得更加紧密，树木变得越来越高。人工智能应用就是森林：树木的综合价值。

人工智能将变得越来越模块化。

几乎所有技术最终都会演变为更多的模块化组件。以最早的计算机为例：它们是一体式的，选择有限。今天，您的十几岁的孩子可以使用内存芯片和图形处理器构建自己的计算机，像乐高积木一样堆叠它们。

软件也越来越模块化。大多数云原生应用程序都是作为微服务构建的—由可单独优化和更新的可互换构建块构建。这种类型的体系结构使应用程序更加灵活，可扩展，更具弹性，并且对创新更加开放。

企业可以以相同的方式使用模块化的经过预先训练的AI加速器来快速组装端到端流程的组件，从而自动执行复杂的决策。例如，由于发票格式的变化，审批过程中的复杂决策以及纸上记录的非结构化数据的广泛使用，应付账款（AP）仍然是劳动密集型和手动工作流程。大型企业重新设计AP处理时，可以使用多个预先训练的加速器来加快AI部署。例如，一个经过预先训练的加速器可能会消除表格的歧义并从纸质发票中提取信息，而另一个则将非结构化数据转换为结构化数据集。

预先训练的AI加速器可简化开发

预训练的AI加速器使企业能够快速而模块化地构建应用程序，同时避免耗时的自定义和管理。例如，发票处理实际上包含许多子任务，例如解析发票明细上的注释。人脑几乎可以自动执行许多这些任务，但是要训练一种AI算法来执行所有子任务而不牺牲准确性是非常困难的。

相反，预训练的AI加速器为每个子任务提供了单独的算法。可以调整一个以识别并从资产负债表上的正确字段中提取信息，而另一个可以将分数分配给脚注中从语义上提取的文本。每个加速器都经过优化，可以高精度地执行其特定的子任务-并且，它们共同协作以衡量贷款组合的风险。从本质上讲，经过预训练的AI加速器可完美完成单个任务，使大型应用程序成为分解任务的总和。

可解释性和高数据密度也很关键。

为了释放AI的真正潜力，企业还需要考虑其应用程序的可解释性。否则，它们会留下一个黑匣子，这可能会阻碍AI的采用并带来监管挑战。

实现具有可追溯性的AI是解决黑匣子问题的一种方法。例如，一家商业银行可以使用AI从大量资产负债表中提取信息，将非结构化数据转换为结构化数据，然后计算风险评分。该银行应该能够通过提供对应用程序推理路径的可追溯性和可见性来解释分数。

数据密度也很重要。当具有可使用的全面数据集时，AI会很好地工作-产生偏见的机会更少。当面对有限的数据时，企业可以使用诸如计算语言学之类的工具来解密含义，并根据上下文（而不是数学）提取数据。当受到最少数据集的挑战时，此方法可能非常有效。

随着技术向模块化的趋势发展，经过培训的AI加速器（在数据的推动下以及深厚的上下文专业知识的指导下）可能成为企业的强大工具。同时，可解释性和数据密度也将是要真正释放AI潜力并在全球范围内实施数字化转型的重要因素。