雷鋒網(wǎng)按：原文發(fā)布于VentureBeat ，作者 CHANEY OJINNAKA。

在我最近于紐約進(jìn)行的一次關(guān)于供應(yīng)鏈中的AI的會(huì)談里，很多人對(duì)我提出的一個(gè)問題是“你在談?wù)摍C(jī)器人嗎？”

如今，AI 已經(jīng)被浪漫化成一個(gè)抽象的詞，描繪著一副你在休息時(shí)由機(jī)器人幫你做家事，但它到底意味著什么？且這個(gè)詞到底是怎么誕生的？人工智慧的范疇包含機(jī)器學(xué)習(xí)及大數(shù)據(jù)程序，使你從歷史數(shù)據(jù)及實(shí)時(shí)觀測(cè)當(dāng)中獲得預(yù)測(cè)的價(jià)值。

為達(dá)到真正的AI，你必須訓(xùn)練大量的數(shù)據(jù)組（歷史及實(shí)時(shí)數(shù)據(jù)），達(dá)成一定的基準(zhǔn)，使用增量信息進(jìn)行深度學(xué)習(xí)，并開始揭示預(yù)測(cè)價(jià)值。AI通常與物聯(lián)網(wǎng)（IOT）協(xié)同工作，其包括如可穿戴設(shè)備和連接型家用配置設(shè)備。 簡(jiǎn)單地說，IoT收集信息，但AI是推動(dòng)在這些信息中分析和決策的引擎。

IoT連接不同的設(shè)備，如可穿戴設(shè)備，并可擴(kuò)展連接幾乎無限數(shù)量的設(shè)備，連續(xù)串流數(shù)據(jù)。 AI處理數(shù)據(jù)，推斷這些數(shù)據(jù)，最終實(shí)時(shí)提供建議。

舉例來說：保險(xiǎn)業(yè)

大約在2012年，我在Humana進(jìn)行年長(zhǎng)者（65歲以上）家居相關(guān)的項(xiàng)目中，研究如何減少跌倒的發(fā)生率及預(yù)估相關(guān)緊急服務(wù)的需求。我們必須實(shí)時(shí)執(zhí)行以確保在事故發(fā)生前的即時(shí)反應(yīng)、改善年長(zhǎng)者的健康狀況及節(jié)省費(fèi)用。根據(jù)已存在的索賠數(shù)據(jù)，我們需要了解基準(zhǔn) - 例如，在家庭中發(fā)生的典型活動(dòng)。

 在這個(gè)項(xiàng)目中，物聯(lián)網(wǎng)設(shè)備通過使用移動(dòng)傳感器發(fā)揮作用。在年長(zhǎng)者的許可后，我們?cè)诩依锇惭b了多個(gè)移動(dòng)傳感器，特別是在廚房，浴室和客廳等區(qū)域。這些傳感器開始在房里收集一段時(shí)間的基礎(chǔ)生物測(cè)定數(shù)據(jù)，然后將數(shù)據(jù)實(shí)時(shí)存儲(chǔ)在云中。 為了促進(jìn)深度學(xué)習(xí)（AI的一種形式），來自先前保險(xiǎn)索賠的歷史數(shù)據(jù)與實(shí)時(shí)數(shù)據(jù)是并排分開分析的。這樣可以更容易發(fā)現(xiàn)異常并對(duì)其采取行動(dòng)、提供洞見以預(yù)測(cè)緊急狀況的可能性和建議。

第二個(gè)例子是在2006年，同樣是保險(xiǎn)業(yè)，我們當(dāng)時(shí)在做一個(gè)技術(shù)評(píng)估的預(yù)警系統(tǒng)。醫(yī)療設(shè)備昂貴并且不總是有效用。因此，必須使用成本效益分析來證明其相對(duì)于替代方案的使用性。例如，減肥手術(shù)可能花費(fèi)10,000美元，但它仍然是實(shí)驗(yàn)性的，特別是當(dāng)你考慮患者和他們的健康狀況。這并沒有達(dá)到相對(duì)于其成本的功效。

最后，我們需要預(yù)知患者將尋求探索與替代方案相關(guān)的程序，基于患者的健康狀況了解此類程序?qū)⑷绾斡行в?，以及了解供?yīng)方有效合同的定價(jià)基準(zhǔn)。在數(shù)百萬條關(guān)于此類程序的索賠數(shù)據(jù)（歷史數(shù)據(jù)），其中一些包括可穿戴設(shè)備（計(jì)步器，健身追蹤器數(shù)據(jù)）的數(shù)據(jù)，結(jié)合實(shí)時(shí)電子裁決（實(shí)時(shí)支付）和供應(yīng)商辦公室訪問觀察，我們能開始將替代減肥手術(shù)的推薦程序自動(dòng)化。

AI中許多的進(jìn)步來自人工神經(jīng)網(wǎng)絡(luò)（或ANN）。靈感來自人類的大腦，它松散地構(gòu)建生物大腦解決問題的方式、自我學(xué)習(xí)和訓(xùn)練自己的系統(tǒng)，而不是回應(yīng)編程。 通過神經(jīng)網(wǎng)絡(luò)，演算法原先由人類訓(xùn)練。歷經(jīng)一段時(shí)間后，演算法開始做出自己的假設(shè)，減少對(duì)人類訓(xùn)練的依賴，并解決復(fù)雜的問題。

最后，物聯(lián)網(wǎng)是不夠的。 必須有一個(gè)附加的智能、一個(gè)能尋求解決問題的AI，而不僅僅是處理數(shù)據(jù)或提供儀表板面數(shù)據(jù)， 必須有數(shù)據(jù)和行動(dòng)。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。