90%人工智能公司都亏损?盈利难背后的大数据门槛

AI(人工智能)落地场景在不断增多,但赚钱依旧艰难。

亿欧报告显示,2018年全年,近90%的人工智能公司处于亏损状态,而10%赚钱的企业基本是技术提供商。从谈概念、讲技术,到拼场景、抢落地,建立在大数据基础之上的人工智能,仍面临数据本身带来的挑战。

“我们经常提及大数据,但事实上我们并不需要那么多的数据,AI未来的一个趋势是小数据崛起。”在市北·GMIS2019全球数据智能峰会上,斯坦福大学教授、Landing.ai创始人、CEO吴恩达表示。

90%人工智能公司都亏损?盈利难背后的大数据门槛

一个具体的案例是工厂手机屏幕划痕检测。目前不少是利用人眼来检测手机是否存在划痕,如果拥有100万个划痕手机,AI可以非常高效地识别手机划痕。但现实情况是没有任何工厂会有几百万不同划痕的手机,这个时候小样本学习(fewshotlearning),即利用较少的数据得出同样准确结论的人工智能,将有助于推动整个领域的发展。

小样本学习的迫切性更在于落地过程面临的数据孤岛、数据隐私保护导致的数据割裂问题,让AI技术很难充分发挥价值。

“和AI用于比赛需要上千万的图片训练不同,当AI深入行业我们看到的数据往往是小数据和细碎的数据,也就是没有联通起来的数据,再先进的AI技术也很难用上。”国际人工智能学会理事长、香港科技大学教授、微众银行首席人工智能官杨强说道。

90%人工智能公司都亏损?盈利难背后的大数据门槛

今年5月,国家互联网信息办公室发布了《数据安全管理办法(征求意见稿)》,提出在中国境内利用网络开展数据、存储、传输、处理、使用等活动,以及数据安全的保护和监督管理意见。

杨强认为“中国版GDPR(通用数据保护条例)”即将到来,数据隐私在走向严格化、全面化,这使得企业在实际应用中可以使用的数据维度和范围并不大。数据隐私保护的趋严,为人工智能技术升级提供了契机。

以保险行业利用AI进行个性化定价为例,背后需要业务数据和用户互联网行为数据融合,理想的状态是可以拿到非常丰富的用户画像,与用户的ID高度匹配,但实际情况迫于隐私、安全、法规等原因,企业可以应用的数据是非常有限的。

再例如在小微企业贷款应用方面,AI需要引入票据数据、资产数据、舆情数据等,但由于数据的割裂,实际应用中只能使用一些政府的数据,例如央行的征信报告,但这些报告只能覆盖不到10%的人群。这一问题在医疗领域更为明显,不同医院的医疗影像数据很难汇聚到一起,形成大数据来训练一个医疗模型。

针对数据割裂带来的人工智能落地难问题,杨强提出了联邦学习。所谓联邦学习,是多个数据方之间组成一个联盟,共同参与到全局建模的建设中,各方之间在保护数据隐私和模型参数基础上,仅共享模型加密后的参数,让共享模型达到更优的效果。

据杨强介绍,联邦学习分为横向联邦和纵向联邦,横向联邦是指企业各方数据维度相同、ID维度不同,更多存在于消费者应用中;纵向联邦是指企业各方数据的ID维度相同(样本重叠)、数据维度不同,更多存在于B端应用。

90%人工智能公司都亏损?盈利难背后的大数据门槛

杨强认为联邦学习最大的优势是保证数据不出户,通过生态在不同行业选取合作伙伴,用群体智能不断提升模型效果。因此联邦学习一定是多方共同协作组成一个联盟,生态的建设十分重要。

面对AI落地难、盈利难问题,吴恩达则认为,在期待AI为企业带来红利之前,企业需要避免几个陷阱。首先AI技术会影响很多企业做业务的核心,所以选择项目是非常重要的,从小的项目开始,可以建立好的基础,同时帮团队获得动能。

其次团队建设不能仅依靠明星工程师,而是要建立一个完善的、跨学科、跨职能的团队。同时不要期待AI立刻产生作用,而是要多次尝试,对AI发展的回报曲线进行合理预算。不要使用传统的流程评估人工智能项目,应该为AI项目团队设立合适的KPI和目标。

“有关AI的应用越来越多了,但企业的AI转型并不是开发一个APP这么简单,不要指望AI解决所有的问题,也不要指望AI项目一次性就成功。”吴恩达表示 

评论