揭秘：AI 的神话与现实
|
即使在有足够的数据的情况下，人类也必须在数据工程、数据分析、特征工程、特征选择、预测建模、模型选择和验证等不同领域投入大量精力，然后才能使用初始算法。此外，手动调整第1代算法的内部结构设计，以及后续的持续改进，都还需要大量繁琐和重复的工作，并且需要大量的计算能力。 当前的各种“预测分析”算法实际上都是在用简单的统计模型，根据可用的历史数据来预测某些内容。它建立在一种假设之上，即未来将简单重复过去发生的事，显然，这种假设是错误的，部分“昂贵”的历史数据反而会产生误导效果。 此外，科学家们对统计推断和滥用统计显著性和“P值-概率值”的警告日益增多，在某些情况下，这可能导致灾难性后果。一些科学家甚至呼吁放弃传统统计学上的概念，特别是在需要高精度预测的情况下。 AI解决方案的安全性 我们都希望AI方案能够以不同于传统软件解决方案的方式进行自我保护。从技术上讲，AI系统有可能自动检测到敌方行为，甚至在某些情况下，主动采取先发制人的措施来保护自己。如今，AI正被有效地用于增强传统的网络安全解决方案，使其能够早期识别或预测攻击，并建议对敌方系统进行原始攻击。 但是，这只是针对目标的保护，对于自身的保护，AI不一定有那么好。网络攻击者也许不需要再窃取数据，只需向AI系统提供错误的数据，从而操纵他们做出正确决策的能力。例如，攻击者可以访问电子病历(EMR)来添加或删除MRI扫描中的医疗状况，这将导致ML算法误判。同样的情况也可能发生在核电站或智能电网的财务数据或关键设备的运行数据上。 AI最先进和最有前景的特点之一，就是它们能根据我们解决问题或做出决策的方式，以及我们授予它们访问权限的外部数据源来自己学会保护方法。这种独特的性质也使其更容易受到新类型的网络攻击。这和误导人类行为的方法差不多。 AI系统的道德风险 AI伦理和偏见是当今最常讨论的话题之一。当我们根据经验创建的ML算法规则时，这些算法也将直接反映我们思考和处理事情的方式。 在许多情况下，如诊断医学图像、预测设备故障或优化生产能力时，道德和社会偏见可能不是迫切需要解决的问题。这造成了一种误解，即AI没有偏差，许多公司都不知道ML算法可能会给组织带来高风险甚至法律负担。 例如，我们通常使用特定设备的技术数据和其他操作和环境数据来训练ML算法，这些算法可以主动预测设备故障或指导我们如何提高其性能。在某些情况下，由于许多已知和未知的变量，算法可能会倾向于以故障率为基准做决策，从而导致业务中断。 结论 各企业必须认真制定全面而灵活的AI战略，并立即启动适当的执行计划，为新时代做好准备。这一面向智能企业的战略将有助于创造未来的新的人机合作方式，并重新塑造整体业务格局。这要求企业和IT领导层对AI现在和未来能做的事情有一个现实而准确的看法。 此外，如果是由拥有在AI领域具有丰富学术和实践经验的人来领导这类行动，有助于摆脱炒作，避免代价高昂的社会误解。 AI不应局限于几个功能领域，企业应预先考虑采用嵌入式、边缘化和集中化智能的混合平衡方法，以确保组织的集体智能在所有团队、职能领域、产品和服务中得到良好的协调发展。 最重要的是，采用AI及和智能企业相关的技术，可以使人类和智能机器更加接近，从而创造出生产效率更高、功能更强大的劳动力结构。公司应该明白，人类和机器将成为新时代劳动力的2大支柱，并明智地计划利用它们的综合优势，了解它们在生物和人工性质方面的局限性。 作者：Ahmed El Adl，计算机科学博士(人工智能与机器人) 【编辑推荐】
点赞 0 （编辑：好传媒网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
