能用BI解决的问题，就别去蹭“人工智能”的热度了

推销自己开发的每一款新软件时，许多技术供应商已经硬塞入了人工智能这个标签，这在市场上引起了一阵混乱。更让人晕头转向的是，各大软件供应商指出竞争对手乱贴标签，即便相应产品确实含有人工智能技术。

Gartner最近强调，人工智能描述有误是人工智能市场存在的三大问题之一。开发应用软件和平台的1000多家供应商自称是人工智能产品供应商，或者表示自己在产品中使用人工智能。Gartner称这种做法是“人工智能粉饰”，类似云粉饰（cloudwashing）和绿色粉饰（greenwashing）——由于许多公司过分夸大自己与云计算和节能环保的联系，后面这两种做法变得很盛行。

• 人工智能不仅限于机器学习
  
  

Gartner专注于分析和数据科学的研究副总裁Jim Hare解释道，如果一项技术被标为人工智能技术，供应商就得提供信息，清楚地表明人工智能如何用作一种差异化优势，它解决了其他技术无法解决的什么问题。

Hare说：“鉴于现状，你要假设这不是人工智能，供应商必须证明确实是人工智能。这就像大数据时代，所有供应商都称自己拥有大数据技术，但实际上只是借用这种技术的热度而已。”他说：“我看到的是，任何通常被称为机器学习的东西现在都被标为人工智能，实际上它明明是弱人工智能，它只解决某个特定的问题。”

Hare表示说，IT买家要询问供应商如何定义人工智能，并向对方了解底层方面的信息，从而让供应商对自己的说法负责。客户要知道什么让这款产品比市面上已有的产品更胜一筹，要有来自客户案例方面的支持。此外，黑尔竭力劝IT买家要求使用自己的数据来演示人工智能产品，以便看看产品解决面临的业务问题的实际效果。

Hare表示，除此之外，供应商必须向客户告知它在产品中使用或计划使用的人工智能技术，以及跟上迅速变化的人工智能市场的策略。

Gartner强调的第二个问题是，机器学习可以解决公司需要解决的许多问题。较复杂类型的人工智能（比如深度学习）方面炒作得太厉害了，结果许多公司忽视了更简单的方法。

Hare说：“许多公司对我说‘我需要一个人工智能战略’，听到他们的业务问题后，我说‘不，你不需要人工智能战略。’”“其实，你要找的是解决所面临的问题的方案；如果机器学习能解决问题，那很好。如果你是因某个问题对经典的机器学习来说太具有挑战性而需要深度学习，又需要神经网络，那么人工智能才是你要找的。”

• 弱人工智能vs强人工智能
  
  

笼统地讲，人工智能有两种类型：

弱人工智能（Weak AI）如今很普遍，聊天机器人就是典例，旨在满足某种特定的用途。

强人工智能（Strong AI）工具的用途广泛得多，这种工具带来了自行解决问题的方案，借助大量数据和认知计算功能来实现。

• BI用得还不错，别用人工智能
  
  

何时使用人工智能工具、何时使用商业智能（BI）工具，这是Nara Logics公司首席执行Jana Eggers主持的春季TDWI Accelerate报告会的重点，该公司称其采用“突触智能”（synaptic intelligence）的人工智能方法结合了神经科学和计算机科学。
BI工具借助报告、可视化和数据分析，利用数据提供洞察力，人们使用该信息来解答问题。人工智能的不同之处在于，它实际上利用数据和计算，能够自行提出解决问题的方法。

想要解答某个特定问题的公司应使用业务分析工具。她表示，如果你不知道要提的问题，使用人工智能来公开探究数据，并愿意从许多不同的方向来考虑答案。这可能涉及让公司内外的专家梳理结果、执行A/B测试，或者甚至通过亚马逊的Mechanical Turk之类的平台外包出去。

Eggers表示，就人工智能项目而言，你了解自己的目标、想要完成的任务，但你在寻找新的解决方法方面具有开放性。

• 人工智能并非易事
  
  

据Gartner声称，困扰人工智能的第三个问题是，许多公司的员工缺少评估、构建和部署人工智能系统的技能。Gartner曾开展了2017年人工智能发展战略调查，50%以上的调查对象表示，缺乏必要的员工技能是采用人工智能面临的最大挑战。这个统计数据似乎与数据科学家的供需问题相吻合。

接受调查的公司表示，它们在寻求可以改善决策和流程自动化的人工智能产品；大多数偏爱购买套装人工智能工具，而不是自行构建一个。这让IT买家回到了人工智能粉饰这第一个问题；很难知道哪些人工智能产品真正提供人工智能功能，哪些产品只是挂羊头卖狗肉而已。

Hare说，IT买家在确定一款预先包装好的人工智能工具提供足够的差异化优势、值得购买后，必须搞清楚管理该工具需要什么条件。需要什么样的人力服务来改变代码，长期维护模型？它托管在云服务上，由供应商管理，还是说公司需要见多识广的员工来维持运行？

他说：“部署这种工具是一回事，但是谁负责以后调整和训练模型？比如说，IBM Watson需要做大量的搭建工作，你需要专注于模型以解决某个特定的问题，并为它馈送大量的数据来解决这个问题。”

他补充道，公司还必须了解运行人工智能工具在数据和计算方面的要求。可能需要GPU，这可能给项目大幅增加了成本。而最前沿的人工智能系统需要大量的数据。存储这些数据也增加了项目成本。