2020年人工智能面臨的主要挑戰

毫無疑問，人工智能是非常流行的，因為它已成為科技界的熱門話題！許多公司已經在業務運營中成功使用了它（曾經聽說過Google，Facebook，Amazon ？！），但是仍然存在許多現實世界中的挑戰，尤其是對於中小型公司來說，要完全接受人工智能。一些公司認為，這僅僅是因為其企業文化中不需要AI，而其他公司則認為，因為沒有足夠的質量數據。其他原因可能是因為公司無法獲得高技能的AI專業人員，或者他們沒有維持高級AI解決方案的基礎架構。

如果公司渴望進軍人工智能市場，那麼它們所面臨的人工智能面臨的大多數挑戰都可以解決。因此，本文詳細介紹了其中一些挑戰，以及公司如何克服挑戰以在工作文化中實施AI。現在讓我們看看這些挑戰！

1.知識有限

人工智能可能是科技界的流行語，但很少有人了解它的含義。關於人工智能有很多神話，例如只有Google，Facebook等大公司才具有AI功能，或者甚至AI可以變得比人類更聰明並走向世界！缺乏有關如何在公司的日常運營中實際實施人工智能的知識，這意味著中小型公司很難成功使用它。導致對AI的了解有限的另一個因素是，很少有AI專家可以將AI解決方案應用於現實的業務問題。大多數較小的公司都在努力尋找可以組建內部AI團隊的優秀AI人才。然而，解決方案是這些公司可以將其人工智能和數據科學團隊外包。

2.黑匣子問題

人工智能算法就像是方塊盒，這意味著人類知道該算法生成的預測是什麼，但他們不知道該預測如何到達該預測。這意味著人們無法理解AI算法的內部工作。這使它們有些不可靠。如果生成的預測與AI專業人員的預測相同，那很好，但是如果不一樣呢？無法理解AI算法如何達到其預測。解決此問題的一種方法是不可解釋的本地可解釋模型或LIME。這意味著AI算法還將提供導致其最終預測的數據。因此，如果向人類提供了算法為何做出特定預測的基本原理，它消除了黑盒問題，也使該算法總體上更值得信賴。

3.高計算能力

人工智能正變得越來越流行，但是它需要大量的計算能力來訓練AI。隨著深度學習算法變得越來越複雜，安排有效工作所需的內核和GPU的數量變得更加困難。這就是為什麼人工智能在小行星跟踪，醫療保健部署等領域仍未得到充分利用的原因，儘管它可以帶來很多價值。另一個因素是，人工智能算法需要超級計算機在復雜計算級別上的計算能力。世界上只有很少的超級計算機，而且它們很昂貴，因此這限制了可以實現的算法的類型，並使可以嘗試高級AI的公司減少為擁有大量資源的公司。雲計算和並行處理系統的集成使使用人工智能變得更加容易，但仍然是很少有人能夠充分利用的功能。

4.人工智能偏差

人工智能的偏見對於公司將AI完全集成到其業務實踐中也是一個挑戰。人工智能的偏見可能會不知不覺地進入人類固有的偏見開發的人工智能係統。由於人為產生的數據有缺陷，因此偏差也可能蔓延到系統中。例如，亞馬遜最近發現，他們基於機器學習的招聘算法對女性有偏見。該算法基於過去10年提交的簡歷數量和聘用的候選人。而且由於大多數候選人都是男性，因此該算法也比男性更偏愛男性。因此，對於公司而言，明確的問題是“如何解決這種偏見？”如何確保人工智能不像這個世界上的某些人那樣種族主義或性別歧視。好，解決此問題的唯一方法是AI研究人員在開發和培訓AI系統並選擇數據時手動嘗試消除偏差。

5.數據不足

人工智能算法從已有數據中學習。因此，提供的數據越好，最終算法將越好。但是，這需要很多數據，有時甚至不可用。解決此問題的唯一方法是了解可用數據和丟失的數據。當AI專家知道丟失的數據時，如果這些數據是公開可用的，甚至可以從第三方數據供應商處購買，他們就可以獲取。但是，有些數據很難獲得甚至是非法的。在這種情況下，某些AI算法會使用合成數據，這些合成數據是在模擬真實數據時從頭開始人工創建的。當數據稀缺並且沒有足夠的數據來訓練AI模型時，使用合成數據是一種很好的選擇。

6.針對具體情況的學習

可以針對特定情況對人工智能算法進行培訓，但無法將其學習從一種情況轉移到另一種情況。例如，人類也可以利用自己在某種情況下的經驗來幫助他們在其他情況下。但這對於AI算法是不可能的，因為AI算法僅針對一項指定任務的數據進行訓練。但是，如果AI可以將一種情況下的學習轉移到另一種相關情況下，而不是從頭開始開發新的AI模型，該怎麼辦？這可以使用轉移學習來完成，其中在特定情況下對AI模型進行數據訓練，但是AI模型可以將其學習轉移到另一個類似的情況，而無需從頭開始。這意味著針對特定任務開發的AI模型隨後可以用作相關任務的另一個AI模型的起點。

要記住的最重要的事情是，這些挑戰不能在短時間內解決。因此，公司必須熟悉人工智能並了解創建AI解決方案的過程。然後，他們必須制定一個AI戰略，以將其實施到他們的工作文化中。制定策略後，遵循策略並應對挑戰就容易多了。