TalkingData
比起人工智能（AI）这个看上去宏大而前沿的概念，“算法”可以说是AI技术最微观、最靠近我们生活的应用体现。
无论是刷短视频时的个性化推荐，还是外卖配送时的耗时预估，或者是移动支付时的人脸识别，以算法为代表的AI技术的应用更多是集中在消费互联网行业，而传统行业却很难享受到AI带来的价值。
其他行业想用上AI为何这么难？该如何让传统行业获得AI能力的加持？近期，AI大佬吴恩达在《哈佛商业评论》发表文章，针对这个话题提出了他的观察和建议。
传统行业应用AI？
确实很难
纵观全球，为什么只有消费互联网公司在大规模应用AI？因为这些公司拥有海量的用户，所以拥有海量的数据。这也正是传统行业想应用AI的最大阻碍——数据量太少、业务却又太多样。
吴恩达认为，在采用AI上，消费互联网行业之外的其他行业都面临着三大挑战：
1、数据集很小。在消费互联网公司，工程师可以提供数以百万计的数据点给AI学习。但其他行业拥有的数据量要小的多。例如，汽车企业想构建一个零件缺陷检测系统，但可能只有50个样本；或者医疗机构想构建一个罕见病诊断系统，但可能只有100份诊断书作为参考。当数据集太小，常用于大数据集的技术就不适用了。
2、定制化成本很高。消费互联网公司可以雇佣几十、上百个专业工程师，来构建和维护一个能带来上亿美元收入的AI系统。但对其他行业来说，每个项目成本只有几百万美元，还都需要定制化开发。例如，每家工厂生产的产品不同，需要定制不同的质量检测系统；每家医院的医疗记录编码方式不同，需要定制不同的患者数据系统。虽然整体市场很大，但是单独项目的成本都支撑不起一个大型、全职的AI团队。而AI人才本来就短缺，也进一步抬高了成本。
3、从验证想法到部署生产的过程很长。AI系统就算能在实验室中良好运行，也仍需要大量的工程部署才能用于生产。从成功实现想法，到部署和运维系统，中间可能要一到两年的工作量。
AI如何适应传统行业？
改变模式
那传统行业还有希望用上AI吗？吴恩达认为，可以的！重点是要采用一条新的路径——以数据为中心、让AI构建系统化&可复用。要“编辑数据，而不是编辑代码（programming with data, not code）”。
什么是以数据为中心的模式？
过去这十年，大部分AI的研发和应用是“以软件为中心”驱动的（或者说“以模型为中心”）。在这样的模式下，数据是固定的，主要依靠不断优化软件和算法，来获得更好的效果。消费互联网公司拥有海量数据，因而能够在AI领域不断创新。
但对其他行业来说，现实就是既缺数据数量也缺研发力量。吴恩达认为，以AI目前的复杂性，应用上的瓶颈其实通常在于数据的质量和匹配度。传统行业应该采用“以数据为中心”的模式，把重点放在获得质量更好、匹配度更高的数据上。也就是说，要让数据尽量全面地覆盖所有用例，并进行统一化地标注。
这样一来，企业就可以降低对AI人才的需求，而让具备丰富业务知识的员工来帮助优化模型，例如让高度熟练的一线工人来识别、标注残次产品，并通过数据把这些知识输入给AI，帮助提高模型效果。
如何让AI构建和使用系统化&可复用？
为了让业务侧的专家和员工也能够帮助编辑数据，需要提供相应的工具，降低AI系统构建、部署和维护的难度，也就是吴恩达重点推荐的MLOps（Machine Learning Operations）。
MLOps提供三大方面的能力：
首先，帮助构建高质量的数据集，让AI系统能够基于传统行业的小数据集进行学习；
其次，让业务人员也能够参与到数据的编辑中，而不仅仅是依靠AI专家；
此外，为AI系统部署到生产环境提供软件支持，节省软件开发所需的时间。根据埃森哲的预测，80%到85%的公司的AI项目仍处于想法验证的阶段。吴恩达表示，MLOps可以让AI项目从验证想法到投入生产的周期从“年”缩短到“月”甚至“周”。
让传统行业用上AI？
行动指南
让消费互联网之外的其他行业广泛应用上AI，并不是一蹴而就的事情。但吴恩达表示，下面三件事，是企业现在就可以着手去做的：
1、不只关注收集数据的数量，也更要考虑数据的质量，确保数据所体现的与我们想让AI去学习的能够相匹配。
2、真正考虑和采纳以数据为中心的方式。大部分AI工程师是以软件为中心的方式训练出来的，包括那些具备深厚学术或科研背景的，要督促他们采用以数据为中心的技术。
3、即使是尚处于验证想法阶段的AI项目，只要未来想投入生产，就要做数据管理、开发、系统监测和维护的长期规划，并提供MLOps工具作为支持。
AI在传统行业的应用存在巨大潜力，但消费互联网的套路并不适合传统行业。吴恩达认为，改变构建和部署AI系统的策略，采用以数据为中心的思路+MLOps工具的支持，将能让所有行业都更快享受到AI带来的价值。
原文来自：哈佛商业评论
原作者：吴恩达
原文链接：https://hbr.org/2021/07/ai-doesnt-have-to-be-too-complicated-or-expensive-for-your-business
本文编译：TalkingData
图片来源于：Pixabay
推荐阅读：
TalkingData——用数据说话
每天一篇好文章，欢迎分享关注
