在这个正是日新月异的时代，飞黄腾达的时代，人类的科技、生活已经在近几年快速的进入快车道，在这年头有台电脑、手机已不是稀奇的事，因为几乎每家每户都会有电脑，电脑仿佛将我们彼此链接在一起，下面分析一片关于电脑与手机各种新型科技产品的文章供大家阅读。

人性化的人工智能通信:物联网设备听起来更好

刚刚在纽约结束的奥莱利人工智能大会上，观众中有一种有趣的融合。除了通常的“独角兽”(即数据科学家)群体之外，还有一个规模足够大的管理层群体，足以填满高管会议的会场。随着人工智能充斥着媒体和大众娱乐，你必须生活在岩石下才能不熟悉人工智能的话题，即使这些定义和机器合成的逻辑一样模糊。高管们想知道这个新的董事会流行语是关于什么的。

《麻省理工斯隆管理评论》(MIT Sloan Management Review)执行主编戴维•克龙(David Kiron) 2017年对3000名高管进行了研究，结果显示，高管们肯定听说过人工智能，但他们的组织仍处于实施人工智能的早期阶段。只有23%的公司真正部署了人工智能，而5%以上的公司已经开始在他们的企业中嵌入人工智能。房间里有一些不同意见，认为调查可能抽样不足，因为高管可能与人工智能领域的开创者没有密切接触。但麦肯锡(McKinsey)去年进行的一项规模类似的3000份样本显示，只有20%的公司使用人工智能相关技术，其中约12%的案例被商业采用。

成功并不难找。富国银行(Wells Fargo)超越了聊天机器人，利用人工智能来改善欺诈检测，并为客户体验添加上下文。谷歌发现，建立一个跟踪G套件试用版使用情况的ML模型，可以使他们在最短两天内预测谁可能在45天的免费试用结束后成为付费用户。康卡斯特使用深度学习来提供更多的上下文服务，同时它还跟踪客户设备的工作状态。

但是，当我们在成功的故事和方法论的深究中跋涉时，我们想知道人类如何才能掌握这种新发现的力量。虽然分析已经扩展了我们获取洞见的能力，但人类仍然在如何解释数据上做出决定。有了人工智能，这一负担得以分担。我们注意到几点:首先是对数据的基本信念——数据越多，机器学习或深度学习模型就越好。事实上，数据爆炸是人工智能从冬天走向春天的因素之一。下一个被问责。

对于人工智能来说，数据并不是季节从冬天变到春天的唯一原因。云计算降低了进入门槛(您不需要购买自己的HPC网格);优化硬件(如gpu、TPUs);连通性;开源(你不必重新发明轮子来设计算法)当然也在发挥作用。我们看到人工智能被用来帮助从业者进行人工智能——见证了新一代的非专业友好服务，如亚马逊SageMaker，或Oneclick等工具。人工智能，你可能不总是需要数据科学家来做人工智能火箭科学的工作。

但令人困扰的问题是，在什么情况下，不断增长的数据量会给人工智能带来越来越少的回报?在存储方面，Hadoop社区已经开始处理我们在审查Hadoop 3时提到的擦除编码问题。正如互联网和电子邮件最初并没有考虑到安全性一样，在Yahoo、Facebook和其他公司基于已发布的谷歌研究开发HDFS时，信息需要生命周期的意识并不是考虑因素之一。

在大会上，我们没有发现任何演讲者提出“何时数据足够就足够了”的问题，但斯坦福大学(Stanford University)放射学副教授格雷格•扎哈查克(Greg Zaharchuk)的一场演讲暗示，成功的人工智能可能并不总是需要看似无穷无尽的数据洪流。在这种情况下，需要优化医疗成像的使用，特别是CT或MRI扫描，保险公司和患者都喜欢尽量减少，因为治疗是昂贵的和令人不愉快的。因此，你得到了流向大脑的模糊的CT图像，这是数据缺乏的症状。理想情况下，最好是让病人再做一次扫描，或者做一次更长时间的扫描，但这并不实际:对病人来说，这太不舒服了，保险公司也要花大价钱才能得到一张完美的照片。

扎哈切克的团队正在研究深度学习的潜力，以减少病人暴露在昂贵或有害的放射成像过程中。他们从一个相当小的数据集(约100名患者)着手，进行了将“参考图像”数据与来自MRI、CT和PET扫描的实际患者图像相结合的测试，发现使用一组深度学习方法在填补空白方面提供了希望。最重要的是，它不需要在全国范围内收集样本来获得可行的结果。

此外，2018年人工智能对企业的价值将达到1.2万亿美元

至于问责制，期望我们能够解释模型的功能及其背后的原理是否现实?我们回顾了SAS的创始人Jim Goodnight博士，他在几个月前的一次分析师会议上对ML和DL模型的责任表示了担忧。特别是在使用神经网络的情况下，多个模型可能会协同工作，建立指挥链可能会很有挑战性，比如确定负责批准或拒绝贷款申请的实际算法或数据集。这个问题正在得到更多的关注。如果你正在寻找Netflix推荐一部电影或亚马逊推荐相关产品背后的逻辑，那么其中的利害关系可能并不重要，但如果涉及到像计划脑外科手术这样的重大问题，那就另当别论了。

这是一个社区仍在努力解决的问题。

剑桥大学(University of Cambridge)机器学习项目教授佐宾·加赫拉马尼(Zoubin Ghahramani)认为，使用算法可能会涉及法律责任和隐私问题。Kathryn Hume，风险投资家，integration公司产品和战略副总裁。人工智能是一家为b2c企业应用人工智能与客户互动的初创公司，该公司认为，问责制的真正挑战在于解释向模型输入的信息和它们产生的输出。

“数据收集中的盲点可能会导致更大的问题，”她说，并补充说，关注结果(我们是否为正确的目标获得了正确的结果)可能更贴切。Unity Technologies人工智能和机器学习副总裁丹尼•兰格(Danny Lange)指出，即便是对于产品推荐等日常功能，解释模型也很困难。如何解释这些模型?“也许我们应该从人类心理学中借鉴一些想法，”他大胆地说。