說(shuō)到AI想必大家都耳熟能詳，其實(shí)它包羅了廣泛的知識(shí)，分為不同的類型，各有優(yōu)劣：

混合AI(Hybrid 人工智能)能夠克服單一技術(shù)方法的局限性

符號(hào)AI(Symbolic 人工智能)能夠理解實(shí)際知識(shí)，而不僅僅是數(shù)據(jù)

混合解決方案打開(kāi)了AI的“黑匣子”，幫助AI技術(shù)在現(xiàn)實(shí)場(chǎng)景中普遍地應(yīng)用

符號(hào)AI和ML/深度學(xué)習(xí)都有自己的一套優(yōu)勢(shì)，當(dāng)以混合方式一起使用時(shí)，將會(huì)是強(qiáng)強(qiáng)聯(lián)合。將為很多關(guān)鍵的企業(yè)應(yīng)用程序的發(fā)展鋪平道路。下來(lái)，我們先來(lái)看看它們各自的能力。

符號(hào)AI

Symbolic 人工智能 的設(shè)計(jì)初衷是利用實(shí)際知識(shí)，更好地理解現(xiàn)實(shí)世界的想法和概念。這類似于人類使用特定的、面向領(lǐng)域的、符號(hào)/語(yǔ)義的知識(shí)來(lái)解釋我們周圍的環(huán)境。符號(hào)AI最重要的貢獻(xiàn)是在自然語(yǔ)言處理(NLP)和自然語(yǔ)言理解(NLU)領(lǐng)域。

ML/深度學(xué)習(xí)

ML是目前企業(yè)發(fā)展過(guò)程中采用最多的AI形式。由于它能夠自主處理不同的數(shù)據(jù)集，并不斷的迭代和自適應(yīng)，因此它本質(zhì)上“學(xué)習(xí)”了環(huán)境的模式并做出相應(yīng)的響應(yīng)。在自動(dòng)化和自主計(jì)算環(huán)境下，它成為了最靈活和有價(jià)值的工具。

深度學(xué)習(xí)(DL)是基于神經(jīng)網(wǎng)絡(luò)的ML。相對(duì)而言，DL可以返回更好的結(jié)果，但計(jì)算/能量成本可能比普通的ML技術(shù)高很多數(shù)量級(jí)。

非結(jié)構(gòu)化數(shù)據(jù)挖掘

AI有望大幅提高生產(chǎn)率和利潤(rùn)率這兩大企業(yè)目標(biāo)。當(dāng)然，這需要高效地挖掘非結(jié)構(gòu)化數(shù)據(jù)的隱藏價(jià)值，從而實(shí)現(xiàn)更高級(jí)別的自動(dòng)化。不僅要實(shí)現(xiàn)結(jié)構(gòu)化的數(shù)據(jù)驅(qū)動(dòng)工作流——絕大多數(shù)都是機(jī)械的、重復(fù)的功能，還要實(shí)現(xiàn)信息密集型或非結(jié)構(gòu)化數(shù)據(jù)驅(qū)動(dòng)的流程。

與此同時(shí)，企業(yè)更傾向以非破壞性和完全透明的方式引入新的技術(shù)方法，因?yàn)檫@樣它所帶來(lái)的任何變化都便于人們理解，所產(chǎn)生的好處是明確和直接的。

純ML方法很難滿足所有這些要求。從本質(zhì)上講，他們是一個(gè)“黑盒子”場(chǎng)景——他們的內(nèi)部計(jì)算和決策過(guò)程仍然是隱藏的，不好解釋。比如，當(dāng)ML單獨(dú)用于自然語(yǔ)言處理時(shí)，對(duì)輸入數(shù)據(jù)的任何更改都可能導(dǎo)致模型漂移，就不得不重新訓(xùn)練和測(cè)試數(shù)據(jù)。

符號(hào)人工智能學(xué)習(xí)方法和ML方法并不是相互排斥的：通過(guò)有效的融合，可以達(dá)到企業(yè)預(yù)期的最佳效果。這囊括對(duì)核心流程和應(yīng)用程序的高效支持，對(duì)給定人工智能模型的行為的完全透明，以及若是誤差較大時(shí)，它又怎樣及時(shí)地修正。

事實(shí)上，在大多數(shù)企業(yè)中，最大的信息寶庫(kù)是語(yǔ)言形式的非結(jié)構(gòu)化數(shù)據(jù)。從電子郵件到錄音，從法律合同到規(guī)章制度，口頭和書面文字才是最主要的數(shù)據(jù)源。傳統(tǒng)的計(jì)算平臺(tái)在處理結(jié)構(gòu)化數(shù)據(jù)(如客戶列表、財(cái)務(wù)記錄和性能指標(biāo))方面表現(xiàn)出色，但直到近期AI的發(fā)展和應(yīng)用，才使得以經(jīng)濟(jì)有效的方式處理非結(jié)構(gòu)化內(nèi)容成為可能。

符號(hào)人工智能

在整個(gè)人工智能的生態(tài)系統(tǒng)中，符號(hào)推理和語(yǔ)義理解可以產(chǎn)生更精確的結(jié)果，同時(shí)減少了訓(xùn)練新模型的時(shí)間和費(fèi)用。首先是提高輸入數(shù)據(jù)的質(zhì)量，然后簡(jiǎn)化支持這些海量數(shù)據(jù)所需的繁瑣和資源密集型基礎(chǔ)設(shè)施。

從操作上講，混合人工智能方法可以推動(dòng)AI超越機(jī)械式、重復(fù)的簡(jiǎn)單自動(dòng)化任務(wù)，從事需要知識(shí)和專業(yè)技能的更高級(jí)別的工作——但仍未達(dá)到需要人工操作的戰(zhàn)略級(jí)別的任務(wù)。

舉一個(gè)最典型的例子標(biāo)注，即對(duì)信息進(jìn)行標(biāo)記以便機(jī)器使用的過(guò)程。這是一項(xiàng)艱巨而乏味的工作，費(fèi)時(shí)又費(fèi)力。但是，通過(guò)在符號(hào)學(xué)習(xí)環(huán)境中利用適當(dāng)?shù)闹R(shí)庫(kù)和圖表，能夠有效的簡(jiǎn)化訓(xùn)練過(guò)程。

可信度

如上所述，當(dāng)前人工智能部署的另一個(gè)關(guān)鍵問(wèn)題是可信度。ML/DL存在黑盒問(wèn)題，其輸出既不透明也無(wú)法解釋。

這個(gè)問(wèn)題一般表現(xiàn)在AI訓(xùn)練模型出現(xiàn)偏差的領(lǐng)域。關(guān)于AI產(chǎn)生的種族主義、歧視女性和其他偏見(jiàn)的故事比比皆是，大多是因?yàn)樗妮斎霐?shù)據(jù)向這個(gè)方向傾斜。若是不能直接觀察這些行為，看不到算法對(duì)此做何反應(yīng)，整個(gè)系統(tǒng)最終都會(huì)面臨癱瘓，只能重新訓(xùn)練模型再重新投產(chǎn)。可信度問(wèn)題還會(huì)帶來(lái)其他影響，譬如錯(cuò)誤地預(yù)測(cè)重點(diǎn)細(xì)分市場(chǎng)的購(gòu)買趨勢(shì)，或者大學(xué)招生中未能考慮到的文化因素等。

可解釋的AI

通過(guò)引入符號(hào)人工智能，黑盒被打開(kāi)，這樣用戶就可以理解機(jī)器為什么會(huì)以特定方式行事，若是結(jié)果不理想，還可以做什么進(jìn)行優(yōu)化。此外，這種可見(jiàn)性使操作人員能夠持續(xù)監(jiān)視自己的流程，從而做出適當(dāng)?shù)恼{(diào)整。

AI是一個(gè)強(qiáng)大的工具，可以為企業(yè)數(shù)據(jù)運(yùn)營(yíng)帶來(lái)奇跡，但它仍處于起步階段。對(duì)于有遠(yuǎn)見(jiàn)的組織來(lái)說(shuō)，標(biāo)準(zhǔn)的、單一模式的AI迭代的局限性已經(jīng)越來(lái)越明顯。我們需要的是一種方法，能讓這項(xiàng)技術(shù)更具適應(yīng)性，更能深入挖掘數(shù)據(jù)的潛在價(jià)值，同時(shí)讓AI變得更容易使用，成本更低。

混合AI——基于理解實(shí)際知識(shí)而不是簡(jiǎn)單學(xué)習(xí)模式的符號(hào)AI——是企業(yè)挖掘多年來(lái)收集的所有數(shù)據(jù)價(jià)值的優(yōu)選方式。

原文標(biāo)題：The Hybrid to Give Your 人工智能 the Gift of Knowledge，作者：Marco Varone