麦肯锡人工智能前沿报告： 学习的应用与价值

• 本文来自微信公众号【AI商业报道】

高层速读

关键信息：本报告对19个行业的400多个案例进行了分析，强调了人工智能技术的广泛使用和巨大的经济潜力。介绍了主流的机器学习技术与神经网络，分析了 学习在企业中的应用目的与效果，阐明了训练AI所需的各种数据与资源。

关键数据：2/3的企业表明使用 学习是为了提高现有性能；69%的案例表明 神经网络可以提高技术无法达到的性能；15%的案例完全应用了 神经网络。

关键意义： 学习的价值并不在于模型和算法有多优秀，而是在于公司如何运用它。

借鉴麦肯锡全球研究所的研究成果和麦肯锡分析公司的应用经验，本报告评估了人工智能技术在各个行业和业务功能中的实际应用和经济潜力。通过报告发现了 学习技术在整个经济中的巨大潜力，同时也存在限制和障碍，随着技术的继续发展，未来的机会也会出现。以及， 学习的价值并不在于模型和算法有多优秀，而是在于公司如何运用它们。

需要强调的是，即使我们看到了使用人工智能技术的经济潜力，也必须考虑数据的使用涉及到的数据安全、隐私和偏见等问题。

三种学习技术&四大神经网络最为流行

随着人工智能技术的发展，人工智能技术的定义也在不断拓展。除了 学习之外，报告还研究了其他机器学习技术和传统分析技术，但迁移学习、强化学习和 学习是AI中应用最多的技术。

▲AI中各种技术的应用热度

神经网络是机器学习技术的一个子集。从本质上讲，它们是基于模拟连接“神经单元”的人工智能系统，大致模拟了神经元在大脑中相互作用的方式。自20世纪40年代以来，人们一直在研究由神经连接的计算模型，随着计算机处理能力的增加，以及大量的训练数据集被用于成功分析图像、视频和语音等输入数据，这些模型又重新流行起来。人工智能研究者们便将这些技术称为“ 学习”，因为神经网络有许多深层的模拟神经元层。

报告分析了三种最流行的神经网络技术的应用和价值：

前馈神经网络（Feed forward neural networks）：最简单的人工神经网络。在这个体系结构中，信息只从一个方向移动，从输入层通过隐藏的层，到达输出层，网络中没有循环。第一个单神经元网络是由人工智能先驱Frank Rosenblatt于1958年提出的。

循环神经网络（RNNs）：这种人工神经网络之间的连接包含循环，非常适合用于序列输入。

卷积神经网络（CNNs）：这种神经网络的神经层连接较为特殊，它们之间的连接是受动物视觉皮层组织的启发而来，而动物视觉皮层是负责处理图像的大脑的一部分，非常适合于感知任务。

此外，针对调查案例，报告还考虑了生成对抗网络（GANs）和强化学习。

生成对抗网络（GANs）：通过生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生好的输出。 GANs可以学习模拟各种数据的分布（例如文本、语音和图像），因此在生成测试数据集时，它们是很有价值的。

强化学习是机器学习的一个子领域，在这个领域中，系统通过接受虚拟的“奖励”或“惩罚”来训练，本质上是通过不断的尝试和错误来学习。谷歌旗下的DeepMind利用强化学习开发了AlphaGo以及视频游戏。

在商业环境中，这些分析技术可用于解决实际问题。

报告整理和分析了19个行业的400多个案例，通过对特定领域内的调查发现，在这些领域中， 神经网络的运用可以使企业价值最大化，与传统分析方法相比，这些神经网络可以产生的增量提升，但要在容量、多样性和速度方面追求，需要大量的数据。

学习可以用来提高现有性能

预测机器维修：机器学习可用来检测异常。 学习能够分析大量的高维数据，可以将现有的预防性维护系统提升到一个新的水平。通过分析麦克风和摄像头等的数据，神经网络可以增强并可能取代传统的预测维护方法。

学习预测故障和允许计划干预的能力可以用来减少停机时间和运营成本，同时提高产量。例如， 学习可以通过结合平面模型数据、维护历史、发动机振动数据异常检测等物联网传感器数据，以及发动机状况的图像和视频，来延长一架货机的寿命。

AI驱动的物流优化可以通过检测车辆性能和指导司机行为降低运输成本。例如，一家欧洲卡车运输公司使用监测车辆性能和驾驶员行为的传感器，将燃料成本降低了15%，司机可以获得包括何时加速或减速等实时的指导，进而优化燃料消耗和降低维护成本。

人工智能是客服和商品个性化推荐的重要工具。例如，对音频的 学习分析可以让系统评估客户的情绪基调;如果客户对系统做出了糟糕的反应，那么就可以自动呼叫到操作员和管理人员。在营销和销售的其他领域，人工智能技术也会产生重大影响。将客户统计数据和交易数据与以及社交媒体数据相结合，可以帮助生成个性化的产品推荐。亚马逊已经开始使用了，可使销售转化率提高两倍。

• 本文来自微信公众号【AI商业报道】

2/3的企业使用AI是为了提高现有性能

在报告调查的69%的案例中， 神经网络可以用来提高其他分析技术所提供不了的性能。只使用神经网络的情况，我们称之为“绿地”案例，但它只占总数的16%；在15%的案例中， 神经网络在其他分析技术基础上提供了额外性能；还有一些案例，因为数据限制使他们不适合 学习。

▲与传统分析方法相比， 学习在各行业提升性能的百分百

绿地案例在客服领域非常普遍，在该行业中，数据丰富而大量，有时还会整合人类的反应。在所有行业中，医疗领域的绿地案例最多，其中一些病例涉及疾病诊断和改善护理，并依赖于包含图像和视频输入的丰富数据集，包括来自MRIs的数据。

平均而言，报告的案例表明，现代 学习有能力在传统分析技术的基础上再提供价值，价值大小从30%到128%不等，这取决于行业的接受度和开放程度。

学习是最需要数据的

在大多数应用程序中有效地使用神经网络需要大量标记的训练数据集，并且能够充分计算基础权限。此外， 学习技术擅长从复杂的多维数据类型中提取模型，比如图像、视频、音频或语音。

实现AI全部潜力需各种数据，包括图像、视频和音频

神经网络擅长分析图像、视频和音频数据类型，因为它们复杂、多维，被从业者称为“高维度”。神经网络擅长处理高维度，因为网络中的多个层可以学习数据中存在的许多不同的特性。因此，对于面部识别，神经网络的第一个层可以聚焦于原始像素，第二层聚焦在轮廓和线条上，另第三层是识别在一般的面部特征，最后一层才识别出人脸。

除了数据的数量和种类之外，速度也是一个要求：人工智能技术需要不断训练新的模型，来适应不断变化的场景，因此必须经常刷新训练数据。在1/3的案例中，模型需要至少每月更新一次；几乎每4个案例中就有1个案例需要每天更新。这种需求在市场营销、供应链管理和制造方面尤其突出。

• 微信内搜索并关注公众号[AI商业报道]，获得人工智能领域第一手商业资讯

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。