咨询业的未来:扩增人类智能

「明智行为的最大阻碍和恐惧的最大来源是无知。一支小小的蜡烛就能误导光线并投射出巨大而不详的阴影,而在正午的太阳释放出的巨大光线下,却没有阴影。现在是时候将人与机器的整个问题放到正午明媚的阳光下了。计算机永远不会夺取人类的主动性,也不能替代人类的创造性思考。计算机会将人类从更多卑微或重复性的思维形式中解脱出来,并将切实增加充分利用人类理性的机会。」

——Thomas Watson Jr. IBM前董事会主席兼首席执行官

严重依赖数据、信息和知识的收集、组织和处理的企业或组织的个人员工在工作角色和能力上都正在经历一个重大变化。我们已经开始度过信息时代,开始进入到一个由计算力和新算法的效率所定义的时代。从量子计算的进步到超级计算资源的推广,每一方面都昭示着依靠雇佣和培养「经验丰富」的专家获取竞争力的时代正在过去,未来的方向是依靠计算和算法技巧以及少数技术人员和工程师的灵活性来推动产生显著的企业或组织价值。

知识工作和咨询业的传统方法

多年以来,为了查明并解决关键的业务难题,企业组织一直都在高价聘请专家以获得客观的咨询建议。然而因为咨询团队获得数据和信息通常存在局限性,加上团队成员之前积累的经验和专业知识的影响,企业组织得到的咨询建议也或多或少存在限制。 另外很多时候这些顾问都是按时间收费的,这也导致客户在支付了高额酬劳之后得到的信息很少有他们预期的价值。成本、时间与项目赞助者的决定和影响都会对咨询活动的长期成功产生影响。这些限制会严重拖累参与团队的工作进展,尤其是当处理客户关系成为工作的重要组成部分时。这些额外的工作通常会推高项目总成本,会将团队的注意力从当前工作转移,而且这通常还会最终导致项目的成功将在很大程度上依赖于团队成员的秉性、性格和情商。 当冲突出现时,可能就会导致信任危机,一些成员就可能离开或被开除;而当项目没有按预期发展时,团队就可能会找些人来责备。类似地,当团队发现了技能差距时,就会尝试寻找短期的权宜之计或尝试引进更多主题专家(SME)。这些主题专家需要快速了解已经完成的工作,项目目前的进展以及该团队为项目计划的发展方向。这个过程极具挑战性,也可能相当耗钱耗时。 加上这些成本和复杂性,当团队需要解决一个关键问题时,他们通常会在一个房间里聚集几个小时甚至好几天以理清这些问题、限制和选择,并找到潜在的发展路径。

走向扩增人类智能

尽管有时候传统方法是有效的,但认知计算系统日益增长的工作能力将会对这种现存模式带来日益严峻的挑战。 认知计算可以描述/定义为:

认知计算让一类新问题可通过计算的方式解决。其涉及到具有模糊性和不确定性特征的复杂情况;换句话说,它处理的是类似人类处理的问题。在这些动态的、信息丰富的和不断变化的情况中,数据会经常发生变化,而且还往往是矛盾的。而随着用户了解的增多和意图的改变,用户的发展目标也随之进化。为了回应用户对自己问题理解的流动性本质,认知计算系统提供了综合服务,其中不只包含信息资源,还包含影响、背景和观点分析。为了做到这一点,系统通常需要权衡互相矛盾的证据,并建议出「最好」的答案,而不仅仅是「正确」的答案。

智能客户端和算法驱动的认知应用将会通过更少的结果给出时间、更高的效率和更低的成本证明自己。最后,先进的认知计算系统将会通过人类团队难以达到的高水平的精确度和效率提供客观的战略指导。通过扩增人类智能和最大化机器智能的使用,上面提到的Thomas Watson的愿景就将开始实现。随着企业组织越来越习惯于使用扩增人类智能和人工智能来解决商业问题,他们感受到的机器带来的威胁也越来越小,他们也将像欢迎任何有价值的团队那样欢迎它们。 KMWorld在2014年发布一篇文章中,作者为一个强大的认知系统设定了一些额外的要求。这些要求为帮助区分先进系统和只具有特定功能的人工智能系统提供了一个有用的框架。

  • 自适应。它们必须随着信息的改变和目标及需求的变化而学习。它们必须解决模糊性并能容忍不确定性。它们必须能实时或接近实时地处理动态数据。

  • 交互。它们必须能与用户通过简单的方式实现交互,这样用户才能轻松地定义自己的需求。它们也应该能够和其它处理器、设备和云服务、甚至其他人进行交互。

  • 迭代和状态。如果问题状态模糊或不完整,它们应该能够通过提出问题或寻找额外的资源输入来帮助定义问题。它们必须「记住」之前处理过程中的交互并返回在特定时间适合特定应用的信息。

  • 语境。它们必须理解、识别和提取背景元素信息,其中包括含义、语法、时间、位置、适当的域、规章、用户的配置、进程、任务和目标。它们可以利用多个信息源,包括结构化和非结构化的数字信息,以及各种传感输入(视觉、动作、听觉等各种传感器)。

获取新的技能和知识——现在和不久的将来

顶级咨询公司的发光点在于它们理解复杂问题的能力,另外它们还能更好地挖掘和理清用户面临的最重要挑战,并使用结构化的问题解决技术来引导项目客户团队朝着最有利于该组织的方向前进。同样,这种方法也具有挑战性,但只要有足够的人力、研究、专业知识、资金、合作、协作、影响力、管理变革、领导力、团队精神和坚持,客户的问题仍然可以得到合适的鉴别和解决。 雇佣顾问带来的挑战通常和组织在开展内部活动时要求员工领导内部变革时所面临的挑战类似。不管团队资源是由组织员工还是顾问构成,团队的效率低下和人类认知的局限性都始终存在。在这种情况下,成功往往依赖于团队的积累、可用资金、项目领导者的影响力、工作的整体优先级和团队汇集到一起的共享知识。 当需要新知识或专业技能时,组织通常会通过三种方式获得:要么在内部寻找所需要的技能,要么联系已知的相关专家,要么尝试雇佣一个具备所需知识的员工。当组织内部不具有相关技能而时间又很关键时,通常的做法都是雇佣已经具备这一技能和专业知识的顾问。这就是先进认知系统的完美应用场景案例;在此场景下,认知系统可以用来提供基于事实的、实时的、最新的见解和建议。

填补知识缺口和利用认知系统

我们需要解决的问题有:怎样限制那些经常影响和驱动团队动态的人类冲突的数量?怎样移除团队带入到工作中的偏见?怎样找到更高效的获取专业知识和技能的方法?怎样着手解决推高管理成本问题和限制耗费在解决问题和创造价值上的时间?怎样获得有用的新知识和新信息以帮助更好地理解问题和导向更客观、准确而有用的建议?最后,为了获得世界一流的能够帮助提供关键引导和指导战略决策的专家知识,同时还能提供计划的商业价值,组织又该怎么做? 接受认知计算,我们就能找到上面这些问题的答案。认知计算是计算领域一个相对较新的部分,计算本身已经经历过了上世纪40年代最初的制表时代以及20世纪下半叶由编程主导的时代。一些行业领域已经开始接纳认知计算了,而随着认知计算的成熟,企业组织也渐渐了解了这种模式的能力和效率,不同行业和领域的认知计算应用也将变得更加广泛。

2

认知计算强大的秘密武器是依赖机器学习算法将处理过的和存储的知识转化为可操作的见解。这些算法允许系统学习并借此改进和加强它们提供建议的能力(这一过程需要的时间非常短,以分钟或小时记)。为新数据和信息进行分类和聚类的模式识别能力让这些系统变得极具价值。学习系统也有能力将新信息集成到「假设生成」和「打分」的连续环路中,这使得这些系统可以模仿传统咨询所采用的做法。

开发用于测试和执行的模型

我在人工智能和机器学习领域的工作让我对应用了人工智能和扩增人类智能的认知计算系统的兴趣不断增加。数据科学家和机器学习研究者很清楚这些技术的应用潜力,他们也很快将他们的成果从研究实验室转移到了现实世界的应用上。在学习这些主题时,我的方法是直接深入到为理解问题范式而开发的各种库、语言和算法的技术细节上。但是,这些工作真正的价值在于我们堆叠算法、有效集成这些技术以生产功能原型以及建造高速高效规模化的复杂认知系统的能力。 为了充分利用这些技术,我们必须了解一个先进认知系统的基本组成。建造这样系统的方法有很多,这一领域的高速创新也正在产生一些新的部署模式和实施框架。下图列出建造强大的认知系统所需要的一些关键过程和组件。尽管这些系统在解决很多问题上都很有用,但我重点关注的是这些系统在增强和强化知识工作,尤其是组织的战略决策上的应用。为了完成这样的系统,我们需要打造一个能提供概率化建议和严格确定性输出的系统。这样重要的内容甚至值得用一篇文章专门进行介绍,但简单说明也能帮助我们了解意见生成和交付给企业用户的过程。

3

这个实现过程的技术细节我将在随后的文章中进行介绍,本文的主要目的是在较高的层次上简单说明其核心组件。因为它们在处理结构化和非结构化数据中的重要性以及它们在确保各种数据类型可以被提取和处理中所扮演了重要的角色,我决定将一些特殊的组件包含在上图中。从该模型可以看出在知识创造阶段,机器学习(ML)在语料库(Corpus)两侧都扮演了非常重要的角色。在数据提取和预测性的规范输出阶段,模式识别和数据预处理能确保机器学习在助力认知计算中发挥至关重要的作用。

将认知计算放到语境中

那些对人工智能的进步不太熟悉的人可以想一想人类用来解码、存储和调用新信息的神经过程,然后你就能开始了解这些计算模型中所使用的计算模式。当人类需要调用信息时,大脑中有一系列的处理过程让信息可以根据需要进行检索和使用。在我们打造了人类智能的抽象模型之后,我们就开始将其与人类的认知、模型识别、分类和聚类的计算模式进行比较,发现其中有很多相似的地方。我后续关于机器学习(深度神经网络、卷积深度神经网络、深度信念网络和递归神经网络)和自然语言处理的文章将会更为详细地介绍这些相似之处。 上述模型可以帮助指导我们在认知系统上的探索。尽管到目前为止,这一领域的研究还主要集中在上图特定组分的应用上,但我最近的研究则已经集中在了这些组件在智能应用交付的汇集和整合上,而这将重新定义信息和知识工作的可能性。更宽泛地讲,对这些技术的投资和应用的探索将会给社会问题的解决和人类生存条件的提升带来巨大的好处。当我们可以充分利用计算、算法和人工智能的优势来提取、处理和存储数据并从中获得意义时,认知计算系统将成为其中主要的推动力。

在实践中将认知计算用作核心业务资源

现在每个员工的桌子上都摆着一台电脑,移动设备也正逐渐成为办公的必备;类似地,我觉得聪明的人工智能客户端和认知计算系统也将形成类似的普及浪潮。这些系统将不会被限制在企业的应用层面,而也将作为消费级产品迎合人们的需求,从而产生一个巨大的市场机会。然而在早期阶段,这一技术的采用者仍然是期望通过抓住机遇获取巨额回报的企业。随着研究者和实践者不断地开发新应用,零售和医疗保健等行业也将继续产生成果,需求也将随之继续扩大。我们已经看到世界上最大最强的数字企业(Facebook、IBM、谷歌、百度、亚马逊、Twitter等)将大量投资放到了认知计算、深度学习和其它被认为能走向市场的人工智能技术上。

4

随着软件所具备的类人类感知能力越来越多,用来提取、处理和理解的数据种类和数量也越来越多,投资和接受这些突破的商业案例也必将越来越多。而更令人鼓舞的迹象则显示有形的商业价值不需要等到一二十年之后才能看到,人工智能将以比预想的更快的速度变成你职业生活中的重要组成部分,很快你就能享受到人工智能所带来的好处了。人类与机器的互动将会在未来的工作中占据越来越重要的地位。  

来自linkedin,作者Eric Miley,机器之心编译出品。编译:吴攀。

入门
返回顶部