浅谈企业如何正确的引入和发展AI算法

数据积累

当一个产品是以内容为主的时候，必然会积累大量的数据，在这个数据为王的时代，有了数据当前要进行分析、挖掘，然后产出更多的商业价值。这个时候必然需要引入AI技术。

但在数据积累前期，产品、分析、挖掘等更多是基于「规则」进行的。人们总结出一些规则，然后利用编程让计算机自动的去执行这些规则。基于规则的好处是：人们知道在什么的数据条件下，会产出什么样的数据结果，一切皆可判断，可以解释。

当然一些规则会逐渐演变成可解释的、简单机器学习模型，比如KNN、K-Means、贝叶斯等。但是基于规则的方法，很难甚至无法总结出有效的规则。这个时候规则就要退场，并逐渐切换到AI技术。AI技术的最底层的根基便是数据，如果没有数据，何谈AI。

「基于数据」的方法简单说就是:从海量数据中找规律，这些规律是很抽象的，并不能总 结成具象的规则。比如:

• 给机器看海量的猫和狗的照片，它就具备了「区分猫和狗」的能力
• 给机器海量的中英文对照文章，它就具备了「中英文翻译」的能力
• 给机器海量的文章，它甚至可以具备「写文章」的能力

基于数据的好处是：只要有足够多的优质数据，那么机器就能学会某些技能，数据越多， 能力越强。

但是基于数据的方法也有明显的弊端：机器只能告诉你「是什么」，但是无法告诉你「为什么」。这就是模型的不可解释性。表现最突出的就是神经网络相关的算法模型。

上边说了有了数据的时候需要考虑引入AI，但并不仅仅是一些杂乱无章的数据，我们考虑的是数据的四大要素：

特征

首先我们要理解什么是特征？比如当听到一个人说着一口流利的东北话，我们就知道他可能来自东北，当看到一个人的头发短、卷，肤色全黑，但牙齿十分洁白，我们就可以猜测他来自非洲。但一个人说着东北话 却不一定是东北人，可能他在东北上学，一个人符合非洲人的特征，也有可能是个混血儿。

上面这个例子其实想要说明两点：

• 1、AI技术模型的一般流程
  

• 2、特征是AI算法模型的关键（当我们想要使用一个算法去评估一个结果时，简单几个特征是不够的，我们需要引入更多的特征，同时特征本身的不确定性也对结果有很大的影响）
  

  • 特征少+确定性弱：适合人工解决
  • 特征少+确定性强：适合规则解决
  • 特征多+确定性强：适合规则解决
  • 特征多+确定性弱:「可以考虑」 AI 解决

但其实还有很多其他因素:成本、⻛险、是否可测量…这里不做考虑，否则太复杂了

模型的不可解释性

在「数据积累」中，提到了模型的不可解释性。不可解释的模型只会告诉你结果「是什么」，而不会告诉你「为什么」会产出这个结果。当我们的不可解释模型中出现badcase时，我们并不能轻易的找到为什么会出现这个问题的原因？同样通常也不能对症下药，因为我们的修改和优化都是针对模型整体而言的。

因此在考虑是否使用不可解释模型去解决一些问题时，需要考虑：

• 是否需要解释
• 是否可容忍

我们先从这2个⻆度来看看普及率较高的AI应用:

再来看一些人力和AI结合的案例

最后看一些不适合AI落地的场景

如果我们把上面提到的案例全部放在象限中，大致如下：

所以在评估是否引入不可解释的AI技术时，有下面三个准则：

• 1、解决方案越需要解释背后的原因，越不适合用深度学习
• 2、对错误的容忍度越低，越不适合使用深度学习
• 3、上面2条并非绝对判断标准，还需要看商业价值和性价比，自动驾驶和医疗就是反例。

（下）篇——引入AI后的情况

首先需要明确的是引入AI后并不代表其他劳动可以缺失，AI只是整个内容生产、运营链条中的一环而已，不能凡事都交给AI。

这里插播一个笑话：我经常会听到一些说，AI不是很厉害吗，那xxxx不能用AI解决吗？

是呀，AI技术是能够挖掘和创造一些价值，但AI也并不是万能的。我们要对AI树立正确的态度，合理利用AI技术，继而带来更大的产业价值。

没有任何事情是一蹴而就的，引入AI并不是马上要见到成效。通常的做法应该是这样的：

在产品中无论引入什么技术，我们最终需要追求的就是创造价值。只不过规则时代能够创造的价值是有限的，而引入AI技术之后，潜能是巨大的。

技术在企业发展中的过程中主要有两大原则：

• 1、为企业创造可见的价值（如营收、用户）
• 2、竖立企业技术品牌，扩大其影响力

2 是建立在1的基础上的，毕竟只有企业生存下来了，才有资格去谈技术品牌和影响力。所以这也就促进了员工在工作期间，不仅要完成工作的内容，同样也要不断学习新的技术，扩展自己的知识面和技术实力。当然如果一个人的目标不是技术，那无可厚非，做自己喜欢的事情就好。

所以一个企业的技术肯定是要不断进步和演化的，不可能固守在规则为王或者简单的可解释算法模型时期，需要引入更加先进的技术，因为其潜在的能创造的价值是无限的。

这才引入AI技术后，企业技术发展的正确方向。

扫一扫关注「搜索与推荐Wiki」！号主「专注于搜索和推荐系统，以系列分享为主，持续打造精品内容！」