人工智慧需要大資料在其後面進行支援。

如果想要人工智慧足夠智慧，那麼就需要優秀的演算法和足夠的資料。

就像AlphaGo為什麼能夠下圍棋，因為將大量的資料(各種高手對弈的棋譜等等)進行訓練，在這裡咋們就別想AlphaGo到底是怎麼去訓練的了，這裡面也設計到深度學習，演算法模型這些東西了。

圖片來自“123rf.com.cn”

大資料和人工智慧工具的結合可以實現新的分析和自動化形式，而在企業應用程式中，這些技術仍在不斷髮展和演變。

Dun&Bradstreet公司今年1月釋出了一項調查結果，調查發現，40%的受訪者表示部署人工智慧技術增加了更多的工作崗位。這一發現似乎與採用人工智慧將減少就業機會的擔憂相反，而在調查中，100名受訪者中只有8人表示，他們的組織由於採用人工智慧而裁員。

這是Dun&Bradstreet公司的調查團隊於去年12月在波士頓的人工智慧世界會議和博覽會上對與會者進行的調查，這就提出了一個問題，即企業將如何適應人工智慧和大資料等新興技術，尤其是處在這個前所未有的數字化顛覆時代。

企業領導者面臨數字化顛覆的現實，發現即使在人工智慧上採用快速跟隨策略也很難應對。迅速發展的技術以及人工智慧對未來工作的影響，將導致工作崗位的變化和知識型員工難以保留等迫在眉睫的問題。

採用人工智慧的好處以及帶來的問題

Dun&Bradstreet公司的調查發現，人工智慧主要用於分析、自動化和資料管理。正在啟用新功能，使原本不可訪問的域更容易訪問。例如，大學教授現在可以使用一系列工具來檢測作弊行為，這曾經是一個人工檢驗和基於經驗的繁瑣過程。在人力資源部門，也採用了能夠篩選簡歷、預測應聘者是否合格成功的技術，以及執行許多其他任務的技術，這些任務曾經被認為難以處理。

不僅僅是人工智慧功能使這些應用程式更加可行，它也是對業務任務的重新構想，以利用現有資料並開闢新的思維方式。與此同時，不斷變化的隱私法規使企業和網路犯罪分子以驚人的新方式使用先進的技術，這迫使企業採用更多資源處理與資料安全和治理相關的問題。

當今的業務環境越來越複雜，很難應對這種混亂。隨著第二代數字原生代的興起，需要對不斷增長的人工智慧和大資料的應用進行探索和研究。

根據Dun&Bradstreet公司的調查，人工智慧技術目前在大多陣列織中都有一定程度的使用。這一發現與其他行業機構的研究是一致的，這些研究指出，人工智慧技術已從認識和早期採用過渡到全面實施，並從使用中創造了附加業務價值。

現實情況是，許多人工智慧應用程式，特別是那些需要豐富的穩定資料集合得出結論的人工智慧應用程式，一直受到資料發現和管理的複雜性的困擾。然而，隨著大資料技術的發展，使組織能夠保持和管理越來越多的資料，利用物聯網和行動網路等新技術的新應用開始產生有希望的結果。其中一些例子包括執法中的面部識別、智慧城市技術、自動駕駛汽車和無人機等。

誰在採用企業人工智慧並在做什麼?

對人工智慧從業者的調查通常包括三類：已經成功部署人工智慧應用程式的人員;正在部署人工智慧專案，但仍在創新和投資回報率之間尋求平衡的人員;仍在探索人工智慧技術或尚未對企業中的人工智慧做出認真承諾的人員。而關於這三個群體的相對規模存在重大爭議。

Dun&Bradstreet公司的調查是在一次以人工智慧為重點的活動中進行的，近半數受訪者(44%)表示他們的公司正在部署該技術，而20%的受訪者表示其公司已經部署人工智慧技術。23%的人表示，正在計劃實施。

尋求採用人工智慧技術解決複雜問題的企業有時會感到有點困惑，對其結果不滿意，這表明存在一些可解釋性問題。如果人工智慧方法沒有得到很好的理解，那麼他們很難接受看似違反直覺的結果。這一點在Dun&Bradstreet公司的調查結果中比較突出，46%的受訪者表示，理解人工智慧如何得出結論是他們組織面臨的一個問題。只有三分之一的人表示，他們完全理解他們的人工智慧系統是如何得出結論的。

對人工智慧結果不滿意的其他一些原因來自於基本問題的制定。例如，由人類訓練的監督人工智慧方法存在基於潛在誤導性強化現有知識做出決策的風險，特別是在沒有提前採取正確步驟來解決偏差的情況下——在資料、演算法本身或在他們產生的結果的解釋中。

問題制定依賴於資料科學家確保使用正確方法和資料的能力，並要求正確的問題支援得出的結論。問題制定不完整的風險強調需要有可解釋的人工智慧和更多關於思想和方法多樣性的對話，以便技術對企業更有價值。

人工智慧和大資料的正確組合

仔細考慮人工智慧使用的資料同樣重要。在Dun&Bradstreet的調查中，很多組織表示，缺乏正確的資料是進一步實施人工智慧的最大障礙之一，28%的受訪者認為缺乏內部專業知識也是一個主要障礙。

隨著資料的生產和儲存量呈指數級增長，人們將開始看到人工智慧系統的適應和改進。

雖然人工智慧從業者可能對資料量有合理的處理，但大資料環境中的變化速度仍然是某些人工智慧應用程式的重要問題。流媒體資料是資料樣本經常被忽視的一個很好的例子。

資料準確性是另一個越來越重要的問題，特別是對於分類方法和其他無監督的人工智慧方法。資料是必須建立任何技術(尤其是人工智慧)的基礎。錯誤的資料基礎(例如使用包含偏差或被錯誤操作的資料)通常會導致錯誤的技術方法產生錯誤的見解，而且可以透過壓力以消極的方式得到強化。

人工智慧的發展對其商業價值至關重要

但是，隨著資料的持續生成和儲存量呈指數增長，人們將開始看到人工智慧系統的適應和改進。這種演變是人工智慧的商業價值所固有的特徵。正如人工智慧技術在某種程度上具有自我診斷的能力一樣，人們將開始看到出現複雜的系統，這些系統不僅可以從人類代理那裡學習，而且還可以從經驗中學習——其很好的例子包括對抗人工智慧和整合方法。

此外，下一代數字原生代的人工智慧和資料科學從業者將更加細緻地對系統進行觀察。這些未來的資料科學家將進行鑑別診斷，就像醫生一樣，可以區分具有相似症狀的疾病。

人工智慧和大資料的結合將繼續發展，組織可以確保繼續增加對該技術的實驗和部署。然而無法保證這種演變將朝著積極的方向發展。事實上，一些偉大的預言得出的結論卻恰恰相反。

數字顛覆的新科學與商業和人工智慧的發展息息相關。似乎可以肯定的是，這種進化的速度將繼續增加。事實上，人工智慧和大資料並不總是完美地結合在一起。在這一領域，最終會產生最佳結果的是不同分析方法和思維的日益成熟。

人工智慧需要有大資料支撐人工智慧主要有三個分支：

1.基於規則的人工智慧；

2.無規則，計算機讀取大量資料，根據資料的統計、機率分析等方法，進行智慧處理的人工智慧；

3.基於神經元網路的一種深度學習。

基於規則的人工智慧，在計算機內根據規定的語法結構錄入規則，用這些規則進行智慧處理，缺乏靈活性，不適合實用化。因此，人工智慧實際上的主流分支是後兩者。

而後兩者都是透過“計算機讀取大量資料，提升人工智慧本身的能力/精準度”。如今，大量資料產生之後，有低成本的儲存器將其儲存，有高速的CPU對其進行處理，所以才有了人工智慧後兩個分支的理論得以實踐。由此，人工智慧就能做出接近人類的處理或者判斷，提升精準度。同時，採用人工智慧的服務作為高附加值服務，成為了獲取更多使用者的主要因素，而不斷增加的使用者，產生更多的資料，使得人工智慧進一步最佳化。