深度學習是藍海還是深坑? | 麥肯錫AI應用報告

　　2018-04-20 15:06技術

　　智能栗子 編譯自 McKinsey & Company

　　

　　AI的價值並不在模型自身，而在於公司怎樣用好它們。

　　麥肯錫出品，一份深度學習領域的分析報告，包含400個應用案例，橫跨19個行業的9種業務功能。報告重點強調了前沿AI技術的應用範圍之廣，以及經濟潛力之盛，也提到了發展中的一些局限和挑戰。

　　還有，需要注意的是，就算AI技術的前景再光明，使用數據之前都要把數據安全、隱私以及可能出現的偏見問題考慮周全。

　　報告共分四大章節，那我們開始吧。

　　AI技術與對應的任務類型

　　隨著AI技術的發展，其定義也跟著發生變化——AI到底由哪些技術構成。這裡，AI代指使用人工神經網路的深度學習技術。

　　

　　具體來說，報告分析了三類神經網路的應用和價值——

　　· 前饋神經網路(FFNN)

　　這是神經網路中最簡單的一類。在FFNN的結構里，信息的流動是單向的、無環的，從輸入層開始，延伸到隱藏層，最後到輸出層。

　　第一個單神經元網路，是Frank Rosenblatt在1958年提出的。雖然，方法聽來有些老舊，但計算能力、訓練演演算法以及可用數據的演變，都讓FFNN隨著時間的推移變得更強大。

　　· 循環神經網路(RNN)

　　神經元之間的連接是有環的，適合處理序列化輸入。

　　2016年11月，牛津大學發表的研究成果中提到，有一種RNN讀唇的準確率達到95%，遠超人類的52%。

　　· 卷積神經網路(CNN)

　　

　　層與層之間的連接方式受到了動物視覺皮層結構的啟發，那是動物大腦處理圖像的地方，適合執行感知任務。

　　另外，本章節探討了生成對抗網路 (GAN) 以及強化學習。不過，這兩種技術並沒有包含在AI的價值評估裡面，因為，它們很年輕，還沒有成為廣泛應用的技術。

　　這一環節，也探討了其他機器學習技術，以及傳統數據分析方法。

　　應用案例分析

　　在19個行業、9種業務功能的400個案例中，可以看到的事情有很多——

　　深度神經網路在哪些領域能夠產生最大的價值；與傳統數據分析相比，神經網路能夠帶來多少營收增長；以及達到相應的目標，對數據的數量 (volume) 、速度 (velocity) 以及多樣性 (variety) 有怎樣的需求。

　　

　　報告使用的案例庫雖然龐大，但也並非應有盡有，依然可能誇大或低估AI在某些領域的潛力。

　　以下是一些應用栗子，可以一窺AI的力量。

　　· 預測性維護(predictive maintenance)

　　機器學習擁有檢測異常的能力。深度學慣用來分析大量高維數據，可以把現有預防性維護系統的性能提升到一個新的高度。把許多感測器的數據層層疊起，神經網路能夠增強或者取代許多傳統方法。

　　AI可以預測故障，讓干預計劃有了用武之地，從而減少停機時間和運營成本，提高產量。

　　比如，AI可以通過整合飛機模型數據、維護歷史記錄、IoT感測器數據 (如用於故障檢測的發動機數據) ，來延長貨機的壽命。

　　· AI驅動的物流優化

　　

　　AI可以通過實時預測和行為指導來降低物流成本。演演算法能夠優化配送路徑，從而提高能源利用效率，減少配送時間。

　　歐洲一間貨運公司，利用感測器監測貨車性能和駕駛員行為，司機會收到實時指導，何時加速或減速，優化油耗並減少維護開銷。由此，燃料成本降低了15%。

　　· 客服管理和個性化服務

　　在呼叫中心，語音識別和來電分流，可以提升服務效率，並為用戶提供更加流暢的體驗。

　　比如，基於深度學習的音頻分析系統，可以估計當前用戶的情緒狀態，並據此判斷要不要切換到人工服務。

　　在銷售和營銷的其他方面，AI也有所作為。將用戶個人信息和過往交易數據與社交媒體監測相結合，便可以生成個性化產品推送。

　　

　　在案例庫69%的應用案例中，深度神經網路都是用於替代傳統分析方法，提升系統表現。有16%的案例，神經網路的任務是傳統方法無法完成的專屬任務，這些領域稱為green field。餘下15%的案例中，神經網路帶來的性能提升非常有限，原因包括數據方面的局限性等等。

　　畢竟，深度學習對數據的需求，遠遠大於任何傳統分析方法。而如果要完全激發AI的潛力，則需要多種多樣的數據，包括圖像、視頻、音頻等。

　　估計AI的潛在價值

　　據估計，報告探討過的所有AI技術加在一起，可能在19個行業的9種職能中，產生每年3.5-5.8萬億美元的價值。這在所有 (包括傳統和AI) 數據分析技術一年產生的價值中，約佔40%。

　　

　　報告中估計，在每個行業的2016年營業額中，AI的平均貢獻約在1-9%。但在19個行業之間，AI貢獻的營業額百分比差異較大，取決於具體應用案例、獲取大量複雜數據的能力，以及規章制度等其他限制。

　　案例分析得到的結果是，AI能夠產生最大價值的領域，既有頂線導向 (top-line-oriented) 的功能，比如營銷和銷售，也有底線導向 (bottom-line-oriented) 的功能，如供應鏈管理和生產製造。

　　

　　在零售和高科技等消費行業，AI可能在營銷和銷售中擁有更大的潛力，因為商家與用戶之間頻繁的、數字化的互動會為AI技術提供龐大的數據集。電子商務平台將會尤其受益，點擊數據與頁面停留時間等用戶信息都可以輕鬆獲取，並用於生成實時動態的產品推送。

　　以下又是一些栗子。

　　· 在零售領域，定價和促銷可以成為AI的天地。案例表示，使以用戶數據來定製個性化促銷活動，可以將實體零售商促銷的增量銷售額提升1-2%。

　　· 在消費品的供應鏈中，AI部署也能起到重要的作用。基於潛在因果驅動因素 (而非先前結果) 的預測，可以將預測準確度提升10-20%，從而帶來2-3%的營業額增長。

　　·

在銀行業，特別是零售業務中，AI依然可以在營銷和銷售中施展才能。另外，鑒於風險評估和管理的重要性，AI在這一方面的產生價值可能會更大。

　　挑戰在哪裡

　　AI正在吸引越來越多的企業投資，但到目前為止，擁有AI技術的公司里，只有約20%將自己的技術應用於核心業務或者大規模使用。

　　

　　如今，AI技術的應用還面臨著許多挑戰——

　　· 標註訓練數據

　　這在監督學習中必不可少。目前大多是手動標註，但新的技術正在湧現，比如強化學習和in-stream supervision，數據可以在自然使用過程中獲得標註。

　　· 大量全面的數據獲取

　　對許多行業案例來說，獲取大量數據非常困難，比如用於預測治療方案效果的臨床數據。

　　· 解釋輸出結果

　　比如，疾病診斷過程中，AI可以利用患者信息來得出診斷結論，但無法解釋這一結論是如何一步步取得的。

　　· 學習的普遍性

　　AI模型在將學習經驗從一類情況向另外一類情況遷移時，經常遇到困難。這意味著，企業需要投入大量資金訓練新模型，即便情況與之前的用例相似也很難避免。

　　這可能牽扯到一些社會性的問題。比如，訓練數據無法代表一個更大的群體時，人臉識別模型便可能在無意之間產生偏見。

　　或許，AI是一個難以琢磨的商業案例，許多因素都會減緩深度學習的行業落地。

　　

　　最後一個小節，便是從許多案例的研究中得出的，AI技術提供者、應用者，以及政策制定者可能需要的啟發。詳情請前往報告正文。

　　報告傳送門 (PDF請至頁內自尋) ：

　　https://www.mckinsey.com/global- ... ue-of-deep-learning

　　— 完