最具影响力的数字化技术在线社区

168大数据

 找回密码
 立即注册

QQ登录

只需一步,快速开始

1 2 3 4 5
开启左侧

麦肯锡:2018AI前沿报告——深度学习的应用和价值

[复制链接]
发表于 2018-10-25 17:14:05 | 显示全部楼层 |阅读模式

马上注册,结交更多数据大咖,获取更多知识干货,轻松玩转大数据

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
本帖最后由 168主编 于 2018-11-2 09:14 编辑

近日,麦肯锡发布最新人工智能研究报告《Notes from the AI frontier: Applications and value of deep learning》即《AI前沿报告——深度学习的应用和价值》,报告共分为四大章:第一章,三种主要神经网络的应用与价值,研究了一系列分析技术的价值潜力,报告中的AI主要指的是以人工神经网络来进行深度学习的方法;第二章,应用案例分析,研究整理并分析了超过400多个案例,横跨19个行业的9个业务功能;第三章:AI的潜在价值,报告探讨过的所有AI技术加在一起,可能在19个行业的9种职能中,产生每年3.5-5.8万亿美元的价值;第四章,商业化价值的挑战,AI正在吸引越来越多的企业投资,随着技术发展,未来可以解锁更多的潜在价值。

本篇主要从三种主要的神经网络的应用与价值出发,探索当前应用案例和未来潜在价值,最后提出了当前发展所面临的挑战。

第一章:三种主要神经网络的应用与价值

1524534460542572.png

神经网络是机器学习技术的一个子集。 基本上,他们是AI基于模拟连接“神经单元”的系统,以这种方式模拟神经元在大脑中的相互作用。 受神经元连接的启发,计算模型从二十世纪四十年代的开始研究到现在,已经显著增加了计算机处理的速度,大量的训练数据集已被应用于分析如图像,视频和语音等输入数据。 AI从业者提供这些“深度学习”的技术,是因为神经网络具有许多“深”模拟层相互关联的神经元。 在深入学习之前,神经网络通常只有三到五个层和数十个神经元,而深度学习网络可以有七到十个或更多层,模拟神经元的数量为数百万。在本文中,我们分析了三种主要神经网络技术的应用和价值:

前馈神经网络(FFNN)

这是最常见的神经网络的类型之一。在这种体系结构中,信息只向前移动,即从输入层,到“隐藏”层,最后到输出层,中间没有循环网络。

递归神经网络(RNN)

通过循环将人工神经网络的神经元之间连接起来,非常适合处理序列类输入,使得它们高效地应用于笔记,文本和语音识别等领域。

卷积神经网络(CNN)

这一人工神经网络,其神经层之间的连接受到了动物视觉皮层组织和负责处理图像的大脑部分的启发,这非常适合处理视觉感知任务。

报告主要估计了这三种深度神经网络技术,不仅如此,还考虑了其他两种技术 - 生成对抗网络(GAN)和强化学习等,但由于其没有被广泛应用,所以没有研究其潜在价值中。

第二章:应用案例分析

研究整理了19个行业、9种业务功能的400个案例,他们深入地了解深层神经网络可能应用的特定领域,并可以创造巨大的价值。他们使用AI来提高现有使用性能的示例主要包括:

预测性维护——机器学习检测异常的能力

深度学习通过分析大量高维度的数据,把一些现有的预测性维护系统提升到了一个新的高度。通过分层添加数据,例如音频和图像数据,神经网络能够增强或者取代其他更传统的方法。

驱动物流优化——实时预测和行为指导来降低成本

人工智能技术的应用,如物流连续性可以为许多行业增加实质性价值。 AI可以优化配送路径,从而提高燃油效率并缩短交货时间。

个性化服务——提供客户服务管理的营销工具

通过改进语音识别技术,提升服务效率,提供更加流畅的用户体验。在销售和营销的其他方面,为用户提供购买建议,通过数据优化每周和专题产品的促销活动,提供每日促销建议。

第三章:AI的潜在价值

AI有可能通过传感器每年创造出总共3.5万亿至5.8万亿美元的价值,占据所有分析技术的潜在价值的40%。报告中估计,在每个行业的2016年营业额中,AI的平均贡献大约在1-9%。即使是潜在价值最小的行业,航空航天和国防(不到500亿美元)也可以使年度创造的价值与黎巴嫩的国内生产总值相当。这些数字并不是特定时期的预测数据,但它们预示着高级分析所代表的全球经济的巨大潜力。AI的潜在价值使得大部分公司开始全面部署这些技术,以便他们能够最有效地利用数据的复杂性所带来的优势。

第四章:商业化价值的挑战

AI正在吸引越来越多的企业投资,但到目前为止,在所有拥有AI技术的公司里,只有大约20%的公司能将自己的一项或多项技术大规模应用。对于AI技术,我们仍需要克服很多困难:

标注训练数据

这些数据对于监督学习来说必不可少,但目前大多通过手动标注。具有讽刺意味的是,机器学习往往需要大量的人工努力,他们不会“自己学习”。但新的技术正在涌现,比如强化学习和流内监督,数据可以在自然使用过程中被标注。

获取大量更全面的数据

对于许多商业案例来说,创建或获取海量的用于训练的数据集可能很困难。例如,有限的临床实验数据很难更准确地预测医疗保健治疗结果。

难以解释输出结果

监管机构通常希望规则和选择标准能够清晰解释,在许多情况下,有一些新生方法增加了模型的透明度,包括局部不可知的可解释模型,可能有助于解决这个问题。

学习的普遍性

AI模型比较困难将其学习的经验从一种情况迁移到另外一种情况当中。这意味着,企业需要投入大量的资金资源来训练新模型,即使是用类似于以前的方法。迁移学习有希望应对这一挑战。

人工智能现在看起来似乎是一个难以捉摸的商业案例,但AI技术和可用的数据可用两者产生的价值已经被清楚的证明了,但部署AI的成本和复杂性可能根本无法实现,但鉴于可能产生的价值,这是值得的

完整报告:

MGI_Notes-from-AI-Frontier_Discussion-paper.pdf (445.54 KB, 下载次数: 0, 售价: 5 金钱)

楼主热帖
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

站长推荐上一条 /1 下一条

关于我们|小黑屋|Archiver|168大数据 ( 京ICP备14035423号|申请友情链接

GMT+8, 2024-3-28 16:56

Powered by BI168大数据社区

© 2012-2014 168大数据

快速回复 返回顶部 返回列表