90%人工智能公司都亏损？AI盈利难背后的大数据门槛

AI落地场景在不断增多，但赚钱依旧艰难。

　　根据亿欧报告显示，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。

　　数据割裂致使落地难

　　“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未来一个趋势是小数据崛起。”在市北·GMIS 2019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。

　　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可以非常高效的识别手机划痕。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(few shot learning)，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。

　　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”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。

　　“小数据”崛起

　　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。

　　例如针对保险行业的个性化保险定价问题，一家互联网企业和一家保险企业进行数据合作，这种合作数据的ID重合度相当大，数据特征维度大大增加，使模型的个性化定价效果显著提升，为保险企业带来8倍覆盖率提升和1.5倍利润率提升。

　　横向联邦学习方面，在手机行业，通过在本地建立加密上传的小模型，服务器端看不到内容却可以把模型汇聚起来，进行云端模型的更新，新的通用模型再释放给手机，帮助用户自动化进行图片标注。这样既保护了用户隐私，也可以进行模型学习和更新。

　　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。

　　转自：第一财经