公司动态
AI深度学习有局限性,但是它的商业影响才刚刚开始

来源:本站 作者:hope 浏览: 2020-02-11 08:58

换句话说,如果所有基础人工智能研究今天停止,并且企业家可用的唯一方案是已经存在的方案,那么未来几年,通过应用深度学习以新颖的方式解决业务问题,仍将创造无数数十亿美元的企业价值 。
将新技术大规模推向市场是一个漫长而艰巨的过程。
使技术运转仅仅是开始。
必须确定一个具体的业务应用程序。
必须以产生主流用户需求的方式对产品进行“产品化”。
监管的障碍通常越来越大,尤其是在医疗,运输和金融服务等监管严格的行业中。
制定上市策略,组建一支有能力的销售团队并完善销售动议都需要时间和精力。
如今,现有的AI功能已经足够先进,可以实现跨行业的创新产品创新和价值创造:从农业到保险,从医疗保健到教育,从运输到建筑等。
在大多数情况下,这些变革性机会尚未大规模实施。
因此,对深度学习的理论极限的担忧很少涉及短期的商业机会。
对于愿意克服与产品开发,商业模式,消费者教育和法规相关的挑战的企业家和运营商而言,存在巨大的空白,可以将AI优先产品推向市场。
几乎每个行业都可以找到这样的机会。
为了说明的目的,我们将简要介绍两个:放射学和自动驾驶汽车。
放射学2016年,英国的人工智能杰出人士杰夫·欣顿(Geoff Hinton)挑衅地宣布:“很明显,我们现在应该停止培训放射科医生。
”Hinton的评论在医学界引起了轩然大波,但很难否认它们所基于的数据。
在过去的几年中,一系列研究表明,神经网络比人类放射线医师能够更准确地从X射线识别医疗状况。
举个最近的例子:2019年5月,来自Google,斯坦福大学和西北大学的一组研究人员发表了一项研究,其中在通过CT扫描检测肺癌方面,深度学习模型的表现优于人类医生。
几个月后,纽约大学的一个研究小组发表了一系列研究,证明了AI在从乳房X线照片中检测乳腺癌的优越性能。
2020年1月,来自Google和顶级医学研究中心的研究小组发布了另一项乳腺癌检测研究,其中AI系统的性能再次超越人类。
在1月的研究中,受到了广泛媒体的关注,相对于人类放射科医生,人工智能系统使假阴性减少了9.4%,假阳性减少了5.7%。
在许多方面,放射学是深度学习的理想用例。
检查图像是否存在癌症等医学状况是模式识别和对象分类中的一项工作,这正是深度学习擅长的领域。
然而,在欣顿预测人类放射学家会过时之后,世界上没有一家诊所大规模部署了人工智能驱动的放射学工具。
充其量来说,一些有远见的卫生组织已开始在有限的环境中使用它。
为什么是这样?在发表学术研究成果和建立一家真正的公司(使真正的患者,在真实的诊所中,拥有真实的生活)之间进行商业化之间存在巨大差距。
美国的医疗保健系统对于初创公司来说可能是拜占庭式的,其众所周知的销售周期长且机构惯性大。
报销制度很复杂。
消费者的教育和接受只是逐渐发生的。
此外,在临床医生可以将算法用于现实环境中的诊断之前,必须获得FDA的批准。
这是一个漫长而乏味的过程。
FDA仅在最近才开始向少数公司颁发批准。
Aidoc是一家著名的AI放射学初创公司,上个月才因其基于深度学习的笔画检测技术而获得FDA批准。
另一个棘手且尚未解决的问题是责任:如果人类医生依靠AI系统做出诊断为错误的诊断,那么谁应该负责?最后,这些AI模型尚未得到足够的概括。
来自学术研究界的大多数模型仅使用来自一家医院的数据进行训练。
当应用于其他人群时,它们通常会动摇。
在一个示例中,训练用于检测肺炎的深度学习模型在同一家医院的患者身上使用时,其准确性为93%,而在其他位置的患者上进行测试时,其准确性降至73%。
缺乏普遍性会给历史数据集中代表性不足的少数群体带来严重影响。
这个问题可以解决。
它需要收集更大和更多样化的数据集来训练AI模型。
但是,这样的努力将是昂贵,费时且操作密集的。
这些挑战的最终结果是,基于AI的放射学工具仍仅处于商业部署的最早阶段。
这并不是说没有初创公司正在致力于将该技术商业化。
去年,CureMetrix成为第一家因其基于AI的乳腺癌技术而获得FDA批准的公司;该公司计划今年在多种临床环境中进行部署。
其他计划在短期内商业化和扩展基于AI的放射学的初创公司包括Arterys,Aidoc,Zebra Technologies和DeepHealth。
今天的AI放射学市场仍然令人惊讶地尚未开发。
期望在未来的几年中这种情况会改变。
自动驾驶汽车自动驾驶汽车再次证明了当今AI巨大的未实现商业潜力。
车辆自主性是当今正在追随的影响最大的AI应用之一。
尽管自动驾驶乘用车受到了最多的关注,但自动驾驶汽车的首批有意义的商业部署可能会在完全不同的环境中进行。
公司才刚刚开始抓住这些机会的表面。
建筑,农业和采矿是世界上最大的三个行业。
每个方面的主要成本驱动因素是在结构化环境中操作车辆的人工。
在这些行业中部署自动驾驶汽车将带来巨大的成本,生产率和安全性收益。
由于这些部门中的车辆在高度受控的环境中以低速在重复路线上运行,因此技术挑战比城市机械手要简单得多。
例如,假设有一辆拖拉机在成排的农作物上上下行驶,或者是一辆在矿场上来回行驶的牵引车。
而且,由于这些车辆通常不在公共道路上行驶,因此法规带来的障碍较少。
这里的机会既巨大又可行。
当今最先进的自动驾驶汽车技术已经足够成熟,可以在全球范围内大规模实现汽车的自动化。
然而,在建筑,农业或采矿业中自动驾驶汽车的部署数量仍然很少。
就像放射学的例子一样,尽管人工智能的最新发展意味着巨大的产业转型已成为技术上的可能,但由于将新技术商业化的操作复杂性,这种转型尚未完全实现。
农业等传统行业的数字化程度较低,并且设备不足,无法迅速采用新技术。
从而带来变更管理方面的挑战。
对自动化的不信任和对失业的担忧只会进一步阻碍这些技术的普及。
早期的商业努力正在进行中。
少数初创公司已开始吸引他们将自动驾驶汽车商业化的努力。
但是这些努力仍然是新生的。
时至今日,全世界在建筑,农业和采矿业中行驶的数十亿英里的绝大多数是人类驱动的。
以上讨论的执行挑战都不是不可克服的。
从长远来看,它们可以而且将得到解决。
但是,开展近期的AI研究以利用这些商业机会的过程将需要企业家进行长期的长期努力。
到2030年,人工智能将在全球经济总产值中产生13万亿美元。
随着AI的商业先驱们正在学习,使技术投入使用仅仅是开始。
 

js金沙官方