文 | AI国际站 唐恩

编 | 艾娃

本文由AI国际站 原创出品，未经许可，任何渠道、平台请勿转载，违者必究。

预测机器为人工智能业务提供了直观且急需的介绍,新事物与有效的事物之间存在区别。您只需要看一下在拉斯维加斯举行的年度消费电子展（CES），就可以发现我们创造的技术中有多少没有被削减，而是因为找不到有效的商业模式而被扔进了创新的垃圾箱。

哪里人工智能将焉附？机器学习的最新进展无疑给人工智能带来了很多兴奋和恐惧。超越人类冠军的游戏机器人。一种可在短短几秒钟内撰写文章的生成文本的AI。可以提前几年检测出癌症的医学成像算法。这些技术进步中有多少实际上已成为主流？其中有多少是不必要的炒作？人工智能将如何影响工作？机器学习如何改变公司的商业模式？

Ajay Agrawal，Joshua Gans和Avi Goldfarb教授在其《预测机器：人工智能的简单经济学》一书中回答了这些问题以及许多其他问题，并非常真实地描绘了机器学习如何适应当今的经济。

Prediction machines提供了有关机器学习以及AI算法提供的预测的功能和限制的非常易于访问的高级概述。这本书是商业领袖和高管必读的书。对于想了解创新成果以及他们如何创造技术融入更大经济的工程师和科学家来说，这也是一项非常有价值的研究。

这本书包含了大量详细而有用的信息，以及有关机器学习如何改变我们做事方式的示例。

预测机的力量

关于人工智能，机器学习和其他相关术语的含义和差异存在许多误解。关于AI在人类层面的思维和理解方面的进步以及奇异点是否可以达到的问题，也有许多科学讨论。但是Prediction Machines的作者将AI的当前状态分解为一个非常简单的概念，尽管没有令人兴奋的概念：预测。他们写道：“人工智能的新浪潮实际上并没有为我们带来情报，而是情报的关键组成部分-预测。”

机器学习算法的预测能力仍然是本书的核心概念，并有助于我们了解其在各个层次上的影响。

预测机器：人工智能的简单经济学

什么是预测？Prediction Machine的作者再次简化：“预测是填充缺失信息的过程。预测会获取您拥有的信息（通常称为“数据”），并使用它来生成您没有的信息。”

即使在最高级的水平上，大多数机器学习算法都是可以预测结果的数学模型：图像属于哪一类？将来股票的价值是多少？贷款申请人违约的可能性是多少？某个电子邮件的可能答案是什么？

随着这些预测变得更加细化和精确，它们可以为以前不可能或极其困难的应用提供支持，例如创建从未存在的人的真实照片或开发用于危险疾病的药物。

您会在媒体上听到很多东西，那就是机器学习及其流行的子集深度学习已经存在了数十年。但是，为什么今天机器学习的预测能力变得如此重要呢？大多数专家会告诉您数据的可用性，更强大，更便宜的计算资源在过去几年中推动了深度学习的发展。

预测机器的作者将这两个前提推得更远。“当某物的价格下跌时，我们会更多地使用它。他们写道：“这很简单，而且现在正在AI中发生。”正如他们在书中进一步解释的那样，这是计算和技术历史上一直存在的趋势。计算机降低了算术的价格。互联网减少了分发，通信和搜索的成本。机器学习降低了预测的成本，而以前这需要大量的人类认知工作和专业知识。

Prediction Machines的作者写道：“将某物减少到纯成本的方式可以避免大肆宣传，尽管这无助于使最新最好的技术看起来令人兴奋。”因此，就当今的AI而言，作者写道：“计算机仍然无法思考，因此思想不会变得便宜。”但是预测变得非常便宜，这本身就是一个大问题。

机器学习将如何改变业务

廉价的预测将通过两种主要方式改变组织的工作方式。“低级别的预测机器可以减轻人们的预测任务，从而节省成本，”预测机器的作者写道。这意味着放射线医生会在人工神经网络的帮助下检查更多的X射线片，帮助台操作员使用自然语言处理算法来响应更多的客户查询，并且借助机器学习算法预测库存时间和库存量，库存管理系统可以更有效地工作。 。

作者写道：“但是在某个时候，预测机器可能变得如此准确和可靠，以至于改变了组织的工作方式。”这是一个示例：Amazon当前使用机器学习算法来提出销售建议。例如，当搜索Prediction Machines时，这家电子商务巨头的平台使用聚类机器学习算法来显示我可能会感兴趣的其他书籍的列表。

亚马逊使用机器学习来提出建议。

希望（对于亚马逊），这些建议可以说服我购买一本书而不是两本书。需要明确的是，亚马逊的建议非常不错。实际上，我经常在亚马逊上搜索旧书以发现新的相关书名。

但是在某些时候，预测将变得如此精确，以至于将导致公司业务模式的重大转变。目前，亚马逊使用先购物后发货的模式。您在amazon上购买商品，公司会尽力将购买的商品尽快送到您的家中。

先买后买是另一种商业模式：亚马逊使用机器学习来预测您的需求，然后将其运送到您的家中。如果需要这些物品，则购买它们，如果不需要，则由公司承担退还费用。仅当预测准确性超过某个阈值以使其对亚马逊有利时，该模型才有效。

机器学习和数据的价值

在学术界，大多数AI研究都专注于创建可以对已建立的数据集（例如ImageNet，CLEVR或SQUAD）执行任务的算法。但是在实际应用中，获得正确的数据以训练和维护机器学习算法时，还有许多其他细微差别。

Prediction Machines的作者做了出色的工作，为机器学习算法处理数据的经济学带来了神秘化。预测机器依赖于数据。更多更好的数据可以带来更好的预测。从经济角度来讲，数据是预测的关键补充。随着预测变得越来越便宜，它变得越来越有价值。

但是他们还强调，收集质量数据既昂贵又费时，并且经营一家AI公司需要在获取更多数据的利益和获取数据的成本之间进行权衡。统计学家和机器学习从业者都知道，数据的规模收益递减。当您在更多数据上训练机器学习算法时，准确性提高的速度会变慢。第三个数据点提供的信息比百分之一百多，后者又比百分之一有用。

作者提醒我们，但是当您使用机器学习来开展业务时，情况会有所不同，因为从经济角度来看，重要的是从预测中获得的价值。因此，如果更多的数据可以改善您的机器学习算法，从而使您在竞争者中脱颖而出（想一想从购物然后运输到运输然后购物的转变），那么可能值得投资。

这就是为什么我们看到Facebook和google等技术巨头进行军备竞赛，以收集可以增强其AI算法的数据。商业领导者还必须了解，本身拥有大量数据并不一定会让您处于开发强大的机器学习算法的正确位置。数据分为三类：训练，输入和反馈。您需要全部三个来为您的业务开发和维护高效的机器学习模型。

例如，拥有大量历史销售记录可能会为预测销售数字的机器学习模型构成一个很好的培训数据集。但是，要不断提高模型的性能，还需要获取新数据（输入）并将新的预测与实际客户行为（反馈）进行比较的方法。除了技术创新外，这还需要一种业务策略。

数据和预测机器是补充。因此，除非有足够的数据来采购或开发AI，否则其价值有限。”作者写道。“如果这些数据与其他人在一起，则需要一种策略来获取它。如果数据驻留在独家或垄断提供商的手中，那么您可能会面临使该提供商占用您AI的全部价值的风险。如果数据归竞争对手所有，则可能没有任何策略值得从竞争对手那里获取。如果数据归消费者所有，则可以交换数据以换取更好的产品或更高质量的服务。”

预测与判断之间的区别

Prediction Machines中讨论的另一个关键主题是，在预测和判断之间划清界限，在AI和人类之间分工。预测不是决定。做出决定需要先对预测做出判断，然后采取行动。我认为这是至关重要的一点。对于每个业务领导者来说，重要的是要了解机器学习算法的潜力，同时也要认识到它们的缺点以及需要依靠人工智慧和决策的地方。

随着机器预测逐渐取代人类做出的预测，人类预测的价值将下降。但是关键是，尽管预测是任何决策的关键组成部分，但它并不是唯一的组成部分。决策的其他要素（判断，数据和行动）目前仍牢牢地存在于人类领域。它们是对预测的补充，这意味着随着预测变得便宜，它们的价值也会增加。

判断是一项复杂的任务，通常需要常识和对世界的了解，这是机器学习算法当前奋斗的两个领域。在许多情况下，人类必须判断和决定跨越短期和长期的多个目标。他们必须评估动态情况并评估权衡。但是，在不太复杂的环境中，可以通过奖励功能工程或硬编码规则的实施来自动进行判断和决策。这些是AI分支（例如强化学习）可以完全自动化任务的领域。

了解机器学习业务模型

如果Prediction Machines强调了一件事情，那就是运营AI业务的根本差异和挑战。许多公司和业务领导者都具有经典软件开发和业务的背景。他们需要适应管理机器学习模型的开发和维护的规则，并管理随之而来的独特风险。那些适应人工智能业务的人必将获得丰厚的回报。