随着AI技术的发展，其定义也跟着发生变化——AI到底由哪些技术构成。这里，AI代指使用人工神经网络的深度学习技术。
具体来说，报告分析了三类神经网络的应用和价值——
· 前馈神经网络 (FFNN)
这是神经网络中最简单的一类。在FFNN的结构里，信息的流动是单向的、无环的，从输入层开始，延伸到隐藏层，***到输出层。
***个单神经元网络，是Frank Rosenblatt在1958年提出的。虽然，方法听来有些老旧，但计算能力、训练算法以及可用数据的演变，都让FFNN随着时间的推移变得更强大。
· 循环神经网络 (RNN)
神经元之间的连接是有环的，适合处理序列化输入。
2016年11月，牛津大学发表的研究成果中提到，有一种RNN读唇的准确率达到95%，远超人类的52%。
· 卷积神经网络 (CNN)
层与层之间的连接方式受到了动物视觉皮层结构的启发，那是动物大脑处理图像的地方，适合执行感知任务。
另外，本章节探讨了生成对抗网络 (GAN) 以及强化学习。不过，这两种技术并没有包含在AI的价值评估里面，因为，它们很年轻，还没有成为广泛应用的技术。
这一环节，也探讨了其他机器学习技术，以及传统数据分析方法。
应用案例分析
在19个行业、9种业务功能的400个案例中，可以看到的事情有很多——
深度神经网络在哪些领域能够产生***的价值;与传统数据分析相比，神经网络能够带来多少营收增长;以及达到相应的目标，对数据的数量 (volume) 、速度 (velocity) 以及多样性 (variety) 有怎样的需求。
报告使用的案例库虽然庞大，但也并非应有尽有，依然可能夸大或低估AI在某些领域的潜力。
以下是一些应用例子，可以一窥AI的力量。
· 预测性维护 (predictive maintenance)
机器学习拥有检测异常的能力。深度学习用来分析大量高维数据，可以把现有预防性维护系统的性能提升到一个新的高度。把许多传感器的数据层层叠起，神经网络能够增强或者取代许多传统方法。
AI可以预测故障，让干预计划有了用武之地，从而减少停机时间和运营成本，提高产量。
比如，AI可以通过整合飞机模型数据、维护历史记录、IoT传感器数据 (如用于故障检测的发动机数据) ，来延长货机的寿命。
· AI驱动的物流优化
AI可以通过实时预测和行为指导来降低物流成本。算法能够优化配送路径，从而提高能源利用效率，减少配送时间。
欧洲一间货运公司，利用传感器监测货车性能和驾驶员行为，司机会收到实时指导，何时加速或减速，优化油耗并减少维护开销。由此，燃料成本降低了15%。
· 客服管理和个性化服务
在呼叫中心，语音识别和来电分流，可以提升服务效率，并为用户提供更加流畅的体验。
比如，基于深度学习的音频分析系统，可以估计当前用户的情绪状态，并据此判断要不要切换到人工服务。
在销售和营销的其他方面，AI也有所作为。将用户个人信息和过往交易数据与社交媒体监测相结合，便可以生成个性化产品推送。
在案例库69%的应用案例中，深度神经网络都是用于替代传统分析方法，提升系统表现。有16%的案例，神经网络的任务是传统方法无法完成的专属任务，这些领域称为green field。余下15%的案例中，神经网络带来的性能提升非常有限，原因包括数据方面的局限性等等。
毕竟，深度学习对数据的需求，远远大于任何传统分析方法。而如果要完全激发AI的潜力，则需要多种多样的数据，包括图像、视频、音频等。
估计AI的潜在价值
据估计，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。这在所有 (包括传统和AI) 数据分析技术一年产生的价值中，约占40%。
报告中估计，在每个行业的2016年营业额中，AI的平均贡献约在1-9%。但在19个行业之间，AI贡献的营业额百分比差异较大，取决于具体应用案例、获取大量复杂数据的能力，以及规章制度等其他限制。
案例分析得到的结果是，AI能够产生***价值的领域，既有顶线导向 (top-line-oriented) 的功能，比如营销和销售，也有底线导向 (bottom-line-oriented) 的功能，如供应链管理和生产制造。
在零售和高科技等消费行业，AI可能在营销和销售中拥有更大的潜力，因为商家与用户之间频繁的、数字化的互动会为AI技术提供庞大的数据集。电子商务平台将会尤其受益，点击数据与页面停留时间等用户信息都可以轻松获取，并用于生成实时动态的产品推送。
以下又是一些例子。
· 在零售领域，定价和促销可以成为AI的天地。案例表示，使以用户数据来定制个性化促销活动，可以将实体零售商促销的增量销售额提升1-2%。
· 在消费品的供应链中，AI部署也能起到重要的作用。基于潜在因果驱动因素 (而非先前结果) 的预测，可以将预测准确度提升10-20%，从而带来2-3%的营业额增长。
· 在银行业，特别是零售业务中，AI依然可以在营销和销售中施展才能。另外，鉴于风险评估和管理的重要性，AI在这一方面的产生价值可能会更大。
挑战在哪里
AI正在吸引越来越多的企业投资，但到目前为止，拥有AI技术的公司里，只有约20%将自己的技术应用于核心业务或者大规模使用。
如今，AI技术的应用还面临着许多挑战——
· 标注训练数据
这在监督学习中必不可少。目前大多是手动标注，但新的技术正在涌现，比如强化学习和in-stream supervision，数据可以在自然使用过程中获得标注。
· 大量全面的数据获取
对许多行业案例来说，获取大量数据非常困难，比如用于预测治疗方案效果的临床数据。
· 解释输出结果
比如，疾病诊断过程中，AI可以利用患者信息来得出诊断结论，但无法解释这一结论是如何一步步取得的。
· 学习的普遍性
AI模型在将学习经验从一类情况向另外一类情况迁移时，经常遇到困难。这意味着，企业需要投入大量资金训练新模型，即便情况与之前的用例相似也很难避免。
这可能牵扯到一些社会性的问题。比如，训练数据无法代表一个更大的群体时，人脸识别模型便可能在无意之间产生偏见。
或许，AI是一个难以琢磨的商业案例，许多因素都会减缓深度学习的行业落地。
【编辑推荐】
