吴恩达:诸位CEO,我有一本「AI转型秘籍」传授给你

CEO 们应该如何借助 AI 对自己的企业进行转型?吴恩达在今年 8 月份时曾发布 Twitter 表示在与众多 CEO 交流过后,将会发布一个面向公司管理层的报告介绍 AI 产业转型。作为斯坦福大学的教授,在线课程 Coursera 的发起者,吴恩达这次准备以教育者的身份将「All in AI」的经验传授给众多公司管理者们。

刚刚,吴恩达的这份《AI 转型指南》出炉了。准备投身 AI 时代的你,是不是要了解一下?

PDF 下载地址:https://d6hi0znd7umn4.cloudfront.net/content/uploads/2018/12/AI-Transformation-Playbook.pdf

「AI 转型指南综合了我此前在谷歌和百度建立 AI 研究团队时学到的很多经验教训,同时也包含我与很多其他公司 CEO 在交流之后的心得,这其中包含很多科技行业以外的人。」吴恩达在《指南》发布前的采访中告诉 VentureBeat。

吴恩达认为,试图将公司转型为人工智能驱动企业的管理者正面临着一些挑战,同时也可能会犯一些常见错误。他警告说,仅仅关注数据和工程,或者错误估计人工智能的作用都有可能导致失败。

让我们看看吴恩达的 AI 转型指南是怎么说的:

如同百年前电力的出现一样,人工智能将会变革每个产业。从现在开始到 2030 年,它将会创造大约 13 万亿的 GDP 增长。同时,AI 已经为谷歌、百度、微软、Facebook 这样的科技巨头创造的巨大的价值,其创造出的大部分附加价值将超越软件行业。

《AI 转型指南》从谷歌大脑和百度 AI 团队的发展中收集洞见,它们对谷歌、百度的 AI 转型扮演着重要角色。参照此指南,任何企业都有可能成为强大的 AI 公司,尽管这些建议主要是为市值在 5 亿-5 千亿美元之间的大型公司定制的。

以下是我为企业 AI 转型给出的建议,在《指南》中也有详尽解释:

1. 实行试点项目获得动力

2. 建立一支内部 AI 团队

3. 提供广泛的 AI 培训

4. 策划合适的 AI 战略

5. 建立内部和外部沟通

1. 实行试点项目获得动力

首批 AI 项目的成功要比做最有价值的 AI 项目更为重要。这些 AI 项目要足够有意义,因为初期的成功将会帮助你的公司熟悉 AI,让公司的其他人信服从而进一步投资 AI 项目。此外,这些项目不能太小,让别人觉得不重要。重要的是让轮子转起来,让 AI 团队获得动力。

对首批 AI 项目的一些建议:

  • 对全新的 AI 团队或者外部的 AI 团队(对你的业务不够了解)来说,这些项目要能够与公司的内部团队(足够了解公司业务)合作并建立 AI 解决方案,在 6-12 月内开始显现牵引力。

  • 这些项目要有技术可行性。很多公司开始做的项目用如今的 AI 技术不可能实现。在开始之前,让 AI 工程师做尽职调查可以确保这些 AI 项目的可行性。

  • 对项目能够创造的商业价值,有明确的定义与测量标准。

在我带领谷歌大脑团队时,谷歌内对深度学习技术抱有极大的怀疑(更广泛的来说,全世界也是这样)。为了帮助谷歌大脑获得动力,我选择了谷歌语音团队作为我的首个内部客户,通过密切合作提升了谷歌语音识别准确率语音识别对谷歌来说是个有意义的项目,而不是最重要的。相比之下,把 AI 应用于网页搜索或者广告更为重要。但通过在语音识别上的成功,其他团队开始信任我们,也让谷歌大脑获得了动力。

一旦其他团队开始看到谷歌大脑在语音识别上的成功,我们就能够获得更多内部客户。谷歌大脑的第二个重要内部客户是谷歌地图,他们使用了深度学习技术改进地图数据的质量。有了这两个成果,我开始与广告团队沟通。有了动力,逐渐带来越来越多的成功。这个过程你可以在公司内复制。

2. 建立内部 AI 团队

虽然与外部资深 AI 专家的合作能帮助你快速获得最初的动力,但长期来看,建立内部 AI 团队执行一些项目会更高效。此外,你也会想在公司内部做一些项目,从而建立竞争优势。

建立内部团队,聘用高管级别的人非常重要。在互联网崛起的时候,对许多公司来说,聘请 CIO 对公司结合互联网策略非常重要。相比之下,从数字市场、数据科学实验到发布新网站,这样做单独实验的公司难以利用互联网的能力,因为这些小的实验项目难以延展从而让公司转型。

对于 AI 领域的许多公司来说,一个关键的时刻在于组建一个可以帮助整个公司的 AI 集中团队。如果拥有恰当的职能,这样一个团队可以由 CTO、CIO 或 CDO(首席数据官)带领,也可以由一位勤勉的 CAIO(首席 AI 官)带领。他们的关键职责包括:

  • 为整个公司创建所需的 AI 力量。

  • 执行一系列跨职能项目,以 AI 项目支持不同的部门/业务。在完成最初的项目后,建立重复的流程来持续交付一系列有价值的 AI 项目。

  • 制定一致的招聘和留用标准。

  • 针对整个公司开发对多个部门/业务群体有用的平台,这些平台不可能由单个部门开发。例如,考虑与 CTO / CIO / CDO 合作,制定统一的数据仓储标准。

许多公司都有多个业务部门向 CEO 报告。有了一个新的 AI 团队,你将能够将 AI 人才汇集到不同的部门,以推动跨职能项目。

新的职务说明和新的团队组织将会出现。我现在以机器学习工程师、数据工程师、数据科学家和 AI 产品经理的角色分配来组织团队工作,这种方式不同于前 AI 时代。一个好的 AI 领袖将帮助你建立正确的流程。AI 人才争夺战已经打响,不幸的是,大多数公司将很难雇佣到斯坦福 AI 博士,甚至连斯坦福 AI 本科生都很难聘到。人才争夺战在短期内基本上是零和游戏,因此与一个能帮助你组建 AI 团队的招聘伙伴合作将会是不小的优势。然而,为你现有的团队提供培训也是大量培养内部新人才的好方法。

3. 提供广泛的 AI 培训

目前没有一家公司拥有足够的 AI 内部人才。虽然媒体对 AI 高薪的报道有些夸大了(媒体引用的数字往往是离群值),但 AI 人才的确供不应求。幸运的是,随着数字内容(包括 Coursera 等在线课程、电子书和 YouTube 视频)的增长,培训大量员工掌握 AI 等新技能比以往任何时候都更具成本效益。聪明的 CLO(首席学习官)知道他们的工作是策划,而不是创造内容,然后建立流程来确保员工完成学习过程。

十年前,员工培训意味着聘请顾问到公司上课。但这么做效率并不高,ROI 也不清晰。相比之下,数字内容成本更低,也能带给员工更加个性化的体验。如果可以拿出聘请顾问的预算,那么他们教授的内容应该是在线内容的补充。(这叫做翻转课堂教学法。我发现,如果实施得当,这种做法可以加快学习进度,同时带来更加舒适的学习体验。例如,我在斯坦福大学的校内深度学习课程就是利用这种方式授课的。)雇佣几位 AI 专家亲自来教也能激励员工学习这些 AI 技能。AI 将变革很多职业。你应该告诉每个人,他们需要在 AI 时代找到适合自己的定位。向专家咨询有助于你定制适合自己团队的课程。然而,一个名义上的教育计划可能会是这样:

  • 主管及高级商务经理:(培训时间⩾4 小时)

目标:让主管了解 AI 可以帮助公司做什么,开始制定 AI 策略,制定合适的分配决策,与支持有价值的 AI 项目的 AI 团队顺利合作。课程:

  • 理解基本的 AI 概念,包括基本技术、数据以及 AI 能/不能做什么。

  • 理解 AI 对公司战略的影响。

  • AI 应用于相似行业或你所在行业的案例研究。


  • 执行 AI 项目的部门领导:(培训时间⩾12 小时)

目标:部门领导应该能够为 AI 项目设定方向、分配资源、监控和跟踪进度,并根据需要进行调整,以确保项目的成功交付。课程:

  • 理解基本的 AI 概念,包括基本技术、数据以及 AI 能/不能做什么。

  • 理解基本的 AI 技术,包括算法的主要类别及其要求。

  • 理解 AI 项目的基本工作流程、AI 团队中的角色和职责以及团队的管理。

  • AI 工程师学员:(训练时间⩾100 小时)

目标:新培训的 AI 工程师应该能够收集数据、训练 AI 模型并交付特定的 AI 项目。课程:

  • 深刻理解机器学习深度学习技术;基本理解其他的 AI 工具。

  • 了解用于构建 AI 和数据系统的可用(开源和第三方)工具。

  • 能够贯彻 AI 团队的工作流程。

  • 此外:还要持续学习,以跟上 AI 技术发展的脚步

4. 建立 AI 战略

AI 战略能引导你的公司创造更多价值,也能建立防御机制。一旦公司团队看到最初 AI 项目的成功,加深对 AI 的理解,你就能够找到 AI 能够创造价值的地方,并专注于此。

一些公司高层会认为建立 AI 策略应该是第一步。但以我的经验,在有一些基础经验之前,大部分公司难以建立深思熟虑的 AI 策略。这些基础经验可以从前面 3 个步骤获得。

随着 AI 的演进,你建立防御壁垒(defensible moats)的方法也要变化。以下是需要考虑的一些方法:

  • 根据一个统一的策略,建立多个不同的 AI 资产:AI 能让公司以一种新的方式建立独特的竞争优势。Michael Porter 写的商业策略表示建立壁垒业务的一种方法是根据一个统一的策略搭建多个不同的资产。从而让竞争者难以同事复制这些业务。

  • 利用 AI 为公司产业打造特定优势:相比于与谷歌这样的科技公司在「广义」AI 上展开竞争,我建议你成为所在产业分支的领头 AI 企业,开发独一无二的 AI 能力可以让你获得竞争优势。AI 对你公司策略的影响是由产业与情境决定的。

  • 根据「AI 良性循环」设计反馈积极的策略:在许多产业,我们可以看到数据积累会带来壁垒业务:

例如,谷歌、百度、Bing、Yandex 这样的网页搜索引擎有大量与用户点击、搜索词条相关的数据资产。这些数据帮助这些公司建立更准确的搜索引擎产品(A),进而帮助它们获得更多用户(B),然后获得更多的用户数据(C)。这种积极的反馈循环让竞争者难以攻破。

数据对 AI 系统来说是关键资产。因此许多 AI 公司也拥有复杂的数据策略。你的数据策略包括的关键元素应该有:

  • 战略数据获取:从 100 数据点(小数据)到十亿数据点(大数据)都可以建立有用的 AI 系统。但数据越多只会更加有益。AI 团队都在使用复杂、横跨多年的策略来获取数据,且不同产业、情境获得数据的策略也不同。例如,谷歌、百度都有大量免费产品让它们获得有商业价值的数据。

  • 统一数据库:如果你的数据库被 50 个不同高管或者部门掌控,工程师或者 AI 软件想要访问这些数据、连接节点几乎是不可能的。相反,要集中这些数据或者聚拢为少量数据库

  • 要学会区分数据的价值高低:拥有多少 TB 的数据并不意味着 AI 团队就能从中创造价值。指望 AI 团队可以奇迹般地从一个大数据集中创造价值很有可能会遭遇失败。我曾痛心地看到 CEO 们花冤枉钱收集低价值数据,甚至为了数据收购一家公司,到头来却发现目标公司的数兆字节数据毫无用武之地。为了避免这种错误,应该在数据收集之初就开始组建 AI 团队,让他们帮你决定要收集和存储的数据的优先级别。

创造网络效应和平台优势:最后,AI 还可以用来构建更加传统的「护城河」。例如,具有网络效应的平台是高度可防御的业务。它们与生俱来的「成王败寇」特性迫使公司实现快速增长,否则就会死掉。如果 AI 可以让你以比对手快的速度获取用户,那么你可以用 AI 来构建一条「护城河」,借助平台的上述特性进行防御。更广泛地说,你也可以将 AI 用作低成本战略、高价值战略或其他商业战略的关键组成部分。

5. 建立内部和外部沟通

人工智能将显著地影响业务。如果已影响到主要利益攸关方,那么你应该通过运行相关通信程序以确保多方进度一致。以下是你应该为每位受众考虑的内容:

投资者关系:现如今,领先的人工智能公司(例如谷歌和百度等)同时也是更有价值的公司,部分原因在于其人工智能能力以及人工智能对其业绩的影响。通过为公司业务的人工智能创作一份解释明确的价值创造论文,描述公司不断增长的人工智能能力,最后呈现成熟完备的人工智能战略,将有助于投资者妥当地评估你的公司业务。

政府关系:如果公司处在受到严格监管的行业(自动驾驶汽车,医疗保健),就会面临如何保持业务合规的独特挑战。对于这样的公司,构建可信的且引人注目的人工智能愿景,并解释你的项目可以为行业或社会带来价值和利益,是与政府建立信任和善意合作的重要一步。在你推出公司项目时,以上建议需要与政府直接沟通,以及同监管机构的持续对话相结合。

客户/用户培训:人工智能可能会为你的客户带来巨大利益,因此请务必确保传播适当的营销和产品路线图讯息。

人才/招聘:由于人工智能相关人才稀缺,强大的雇主品牌将对你吸引和留住此类人才的能力产生重大影响。人工智能工程师通常希望能接手令人兴奋且有意义的项目。因此作为雇主,适当展示公司业务的成功将有助于你招贤纳士。

内部沟通:目前大众对于人工智能仍然知之甚少,加上针对强人工智能的过度炒作,所以大众心中存在恐惧、不确定和怀疑。许多雇员也会担心职位被人工智能取代。尽管这种认知因文化而异(例如,这种恐慌感受在美国比在日本更严重)。所以,清晰的内部沟通不仅能透彻地阐释人工智能,也可以打消员工的顾虑,从而减少公司内部对采用人工智能的抗拒。

遵从历史规律,对你的成功至关重要

了解互联网兴起时代的转型对于引导公司转向 AI 非常有意义。有许多企业在互联网崛起的过程中犯了一个错误,希望你在人工智能兴起的过程中能够避免这种错误。

我们从互联网时代学到的是:

购物中心+网站≠互联网公司

即使一个购物中心建立了一个网站,并在其上售卖商品,这本身并没有让购物中心变成真正的互联网公司。互联网公司的真正定义是:你能否让互联网在你的公司发挥其应有的优势?

例如互联网公司普遍采用的 A/B 测试,定期上线两个版本的网站,并比较哪个效果更好。科技公司甚至可以同时运行上百个实验,但这在实体的购物中心里肯定很难实现。互联网公司也可以每周推出一个新产品,同时学习竞品的速度非常快,而购物中心或许每个季度才能更新一次设计。互联网公司中存在产品经理、软件工程师这样的独特职位,这些员工拥有独特的合作形式和工作流程。

深度学习是目前 AI 领域发展最快的方向之一,它与互联网兴起时有些相似之处。今天我们会发现:任何普通公司+深度学习技术≠AI 公司

为了让你的公司在人工智能方面做得足够好,你需要引导你的公司发挥 AI 真正的优势。

为了让你的公司充分转入人工智能,你必须:

  • 系统地执行多个有价值的 AI 项目:人工智能公司必须拥有外包或自有技术和人才,可以系统地执行多个 AI 项目,直接作用于业务。

  • 对 AI 充分理解:公司员工需要对人工智能有一般性理解,并采用适当流程来系统地识别和选择有价值的 AI 项目。

  • 把握战略方向:公司的战略需要大体上和人工智能赋能的未来保持一致。

将大型公司转型为强大的 AI 公司非常具有挑战性,但在正确合作伙伴的支持下,这是可以完成的任务。Landing.AI 致力于帮助合作伙伴实现人工智能业务转型,这家公司未来还将分享更多的实践。

吴恩达估计,传统公司的人工智能业务转型通常需要花 2 到 3 年时间,但人们可以在实施转型的 6-12 月后看到最初的结果。投资人工智能的企业将领先于竞争对手,并快速发展。

产业公司转型报告吴恩达
5
相关数据
微软机构

微软是美国一家跨国计算机科技公司,以研发、制造、授权和提供广泛的计算机软件服务为主。总部位于美国华盛顿州的雷德蒙德,最为著名和畅销的产品为Microsoft Windows操作系统和Microsoft Office办公室软件,以及Xbox的游戏业务。微软是美国《财富》杂志2015年评选的世界500强企业排行榜中的第95名。

https://www.microsoft.com/en-us/about
吴恩达人物

斯坦福大学教授,人工智能著名学者,机器学习教育者。2011年,吴恩达在谷歌创建了谷歌大脑项目,以通过分布式集群计算机开发超大规模的人工神经网络。2014年5月16日,吴恩达加入百度,负责“百度大脑”计划,并担任百度公司首席科学家。2017年3月20日,吴恩达宣布从百度辞职。2017年12月,吴恩达宣布成立人工智能公司Landing.ai,并担任公司的首席执行官。2018年1月,吴恩达成立了投资机构AI Fund。

深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

网页搜索技术

Web搜索引擎是一种软件系统,旨在搜索万维网上的信息。 搜索结果通常以一系列结果呈现,通常称为搜索引擎结果页面(SERP)。 该信息可以是网页、图像和其他类型的文件的混合。一些搜索引擎还挖掘数据库或打开目录中可用的数据。 与仅由人工编辑器维护的网络目录不同,搜索引擎还通过在网络爬虫上运行算法来维护实时信息。 不能被网络搜索引擎搜索的因特网内容通常被描述为深度网络(deep web)。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

自动驾驶汽车技术

自动驾驶汽车,又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人,是自动化载具的一种,具有传统汽车的运输能力。作为自动化载具,自动驾驶汽车不需要人为操作即能感测其环境及导航。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

强人工智能技术

强人工智能或通用人工智能(Strong AI或者 Artificial General Intelligence)是具备与人类同等智慧、或超越人类的人工智能,能表现正常人类所具有的所有智能行为。强人工智能是人工智能研究的主要目标之一,同时也是科幻小说和未来学家所讨论的主要议题。相对的,弱人工智能(applied AI,narrow AI,weak AI)只处理特定的问题。弱人工智能不需要具有人类完整的认知能力,甚至是完全不具有人类所拥有的感官认知能力,只要设计得看起来像有智慧就可以了。由于过去的智能程式多是弱人工智能,发现这个具有领域的局限性,人们一度觉得强人工智能是不可能的。而强人工智能也指通用人工智能(artificial general intelligence,AGI),或具备执行一般智慧行为的能力。强人工智能通常把人工智能和意识、感性、知识和自觉等人类的特征互相连结。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

A/B 测试技术

一种统计方法,用于将两种或多种技术进行比较,通常是将当前采用的技术与新技术进行比较。A/B 测试不仅旨在确定哪种技术的效果更好,而且还有助于了解相应差异是否具有显著的统计意义。A/B 测试通常是采用一种衡量方式对两种技术进行比较,但也适用于任意有限数量的技术和衡量方式。

推荐文章
暂无评论
暂无评论~