智能写作-误区 算法比数据更重要
编辑：pitaya02 日期：2020-12-15
关于人工智能的主流媒体报道偏重于对机器学习算法的研究，认为这是其中最重要的部分。主流媒体似乎将算法等同于人脑。它们含蓄地传达了这样一个信息：复杂的算法最终将超越人类大脑，创造奇迹。媒介以机器在国际象棋和围棋比赛中击败人类为例。它们的研究重点主要集中在“深度神经网络”和“深度学习”，以及机器如何作出决定。
这份报告给人以这样的印象：一家公司需要雇佣机器学习专家来构建完美的算法才能应用人工智能。但是，如果一个企业不考虑如何获得高质量的算法，即使在学习了机器学习模型的大量训练数据后，仍然会产生与预期(“我们有一个很好的算法”)不匹配的结果(“我们的模型精度只有60%”)。
现在，人们可以从微软、亚马逊和谷歌购买商业机器学习服务，而不用计划或培训数据，就像购买一辆无法到达加油站的汽车，只需要购买昂贵的金属。关于汽车和汽油的类比有些不恰当，因为如果你给机器学习模型提供的训练数据越多，它的准确度就越高。它就像一直在给汽车加油，汽车的燃料利用率也在不断提高。对于机器学习模型，训练数据的重要性要高于汽油对汽车的重要性。
因此，关键在于训练数据的质量和数量至少与算法同等重要，确保你的计划和预算反映了这一点。
误区五：机器>人
近30年来，不管是 Schwarsinger在《终结者》中扮演的电子人杀手，还是 AlexiaVickander在《机械姬》中扮演的智能机器人 Iva，媒体都喜欢将人工智能描绘成一台比人类更强大的机器。媒介希望写一篇关于机器对抗人类的故事，谁将成为赢家，这是可以理解的。但是它扭曲了事实。
比如，据谷歌 DeepMind报道， Alphago胜过韩国棋手李世石，这仅仅是说机器战胜了人类。这种表述并不能准确地说明事实。更为确切的说法是，机器加在一起，就能击败人类。
机器与人类的技术相辅相成，是消除这一误解的主要原因。通过以上图表，我们可以看到机器在处理结构化计算时的优势。机器善于“发现特征矢量”，而不善于“发现豹纹裙”。人有识别含义和背景的独特优势。人很容易“发现豹纹裙”，但在“发现特征矢量”方面与机器相比没有什么优势。
所以，正确的框架是认识到机器和人在商业环境中是互补的。AI是人与机器的结合。
误区六：机器代替人是人工智能
为吸引眼球，主流媒体喜欢描绘一个反乌托邦的未来，这也许会发生，但这样的描述却不利于正确理解人类和机器如何合作。
举例来说，让我们考虑一下支持票据分类的业务流程。现在，大部分企业仍然是百分之百用手工操作。这样不仅进度慢，而且成本线性上升，限制了工作量。设想一下，根据模型对10,000张支持票进行分类的准确性是70%。有30%的错误是无法接受的，这需要人机交互来参与。您可以将可接受的置信阈值设置为95%，并且仅接受当置信水平低于95%时模型的输出。因此，原始的机器学习模型可能只能完成5-10%的工作量的一小部分。但随着新的人工标记数据的生成，并反馈给机器学习模型，模型也在不断地学习和改进。该模型能较大程度地满足客户对票据分类工作的需求，并能较大程度地提高票据分类业务量。
所以，人工与机器协同工作可以增加业务量，保持质量，降低重要业务流程的单位成本。这样可以消除对人工智能是机器代替人的误解。事实上，人工智能关注的是机器赋予人的能力。
误区七：人工智能=机器学习
最后一个根深蒂固的错误观念是，主流媒体认为人工智能和机器学习是等价的。这一错误认识导致了对管理的不现实期望——从微软、亚马逊或谷歌公司购买商业机器学习服务就可以神奇地将人工智能应用于生产。
此外，机器学习还需要训练数据和人机交互循环才有可能找到可行的人工智能解决方案。
无培训数据的机器学习就像一辆无油汽车。太贵了，没用。
如果没有人-机循环，机器学习就不会有好的结果。机器学习模型需要人工参与，以消除低可信度预测。
所以，如果你是一位想在商业中应用人工智能的执行官，现在你应该已经有了一个认知框架。我们应该用7个人工智能真理来取代这7个误解。
事实一：人工智能=训练数据+机器学习+人机循环
事实二：人工智能属于任何行业
真理三：人工智能可以花费数百万美元解决现存的商业难题
事实四：算法并不比训练数据的数量和质量重要
真理五：机器与人相辅相成
真理六：人工智能是机器赋予人类力量
事实七：人工智能=训练数据+机器学习+人机循环
AI书写并不遥远，工具到智能的新变革正在孕育中，毕竟这是人工智能的春天！
火龙果智能写作是全球第一款中英双语语法检查校对产品，运用火龙果智能写作技术进行错别字文本校对，除错别字校对以外，还可以对语法、标点等进行校对。
火龙果智能写作官网https://www.mypitaya.com
积极拥抱变化，才能更好的应对这个时代