根據(jù)億歐報告顯示，2018年全年，近90%的人工智能公司處于虧損狀態(tài)，而10%賺錢的企業(yè)基本是技術(shù)提供商。從談概念、講技術(shù)，到拼場景、搶落地，建立在大數(shù)據(jù)基礎(chǔ)之上的人工智能，仍面臨數(shù)據(jù)本身帶來的挑戰(zhàn)。

“我們經(jīng)常提及大數(shù)據(jù)，但事實上我們并不需要那么多的數(shù)據(jù)，AI未來一個趨勢是小數(shù)據(jù)崛起。”在GMIS 2019全球數(shù)據(jù)智能峰會上，斯坦福大學(xué)教授、Landing.ai創(chuàng)始人、CEO吳恩達表示。

一個具體的案例是工廠手機屏幕劃痕檢測。目前不少是利用人眼來檢測手機是否存在劃痕，如果擁有100萬個劃痕手機，AI可以非常高效的識別手機劃痕。但現(xiàn)實情況是沒有任何工廠會有幾百萬不同劃痕的手機，這個時候小樣本學(xué)習(xí)(few shot learning)，即利用較少的數(shù)據(jù)得出同樣準(zhǔn)確結(jié)論的人工智能，將有助于推動整個領(lǐng)域的發(fā)展。

小樣本學(xué)習(xí)的迫切性更在于落地過程面臨的數(shù)據(jù)孤島、數(shù)據(jù)隱私保護導(dǎo)致的數(shù)據(jù)割裂問題，讓AI技術(shù)很難充分發(fā)揮價值。

“和AI用于比賽需要上千萬的圖片訓(xùn)練不同，當(dāng)AI深入行業(yè)我們看到數(shù)據(jù)往往是小數(shù)據(jù)和細碎的數(shù)據(jù)，也就是沒有聯(lián)通起來的數(shù)據(jù)，再先進的AI技術(shù)也很難用上。”國際人工智能學(xué)會理事長、香港科技大學(xué)教授、微眾銀行首席人工智能官楊強說道。

今年5月，國家互聯(lián)網(wǎng)信息辦公室發(fā)布了《數(shù)據(jù)安全管理辦法(征求意見稿)》，提出在中國境內(nèi)利用網(wǎng)絡(luò)開展數(shù)據(jù)、存儲、傳輸、處理、使用等活動，以及數(shù)據(jù)安全的保護和監(jiān)督管理意見。

楊強認(rèn)為“中國版GDPR”即將到來，數(shù)據(jù)隱私在走向嚴(yán)格化、全面化，這使得企業(yè)在實際應(yīng)用中可以使用的數(shù)據(jù)維度和范圍并不大。數(shù)據(jù)隱私保護的趨嚴(yán)，為人工智能技術(shù)升級提供了契機。

以保險行業(yè)利用AI進行個性化定價為例，背后需要業(yè)務(wù)數(shù)據(jù)和用戶互聯(lián)網(wǎng)行為數(shù)據(jù)融合，理想的狀態(tài)是可以拿到非常豐富的用戶畫像，與用戶的ID高度匹配，但實際情況迫于隱私、安全、法規(guī)等原因，企業(yè)可以應(yīng)用的數(shù)據(jù)是非常有限的。

再例如在小微企業(yè)貸款應(yīng)用方面，AI需要引入票據(jù)數(shù)據(jù)、資產(chǎn)數(shù)據(jù)、輿情數(shù)據(jù)等，但由于數(shù)據(jù)的割裂，實際應(yīng)用中只能使用一些政府的數(shù)據(jù)，例如央行的征信報告，但這些報告只能覆蓋不到10%的人群。這一問題在醫(yī)療領(lǐng)域更為明顯，不同醫(yī)院的醫(yī)療影像數(shù)據(jù)很難匯聚到一起，形成大數(shù)據(jù)來訓(xùn)練一個醫(yī)療模型。

“小數(shù)據(jù)”崛起

針對數(shù)據(jù)割裂帶來的人工智能落地難問題，楊強提出了聯(lián)邦學(xué)習(xí)。所謂聯(lián)邦學(xué)習(xí)，是多個數(shù)據(jù)方之間組成一個聯(lián)盟，共同參與到全局建模的建設(shè)中，各方之間在保護數(shù)據(jù)隱私和模型參數(shù)基礎(chǔ)上，僅共享模型加密后的參數(shù)，讓共享模型達到更優(yōu)的效果。

據(jù)楊強介紹，聯(lián)邦學(xué)習(xí)分為橫向聯(lián)邦和縱向聯(lián)邦，橫向聯(lián)邦是指企業(yè)各方數(shù)據(jù)維度相同、ID維度不同，更多存在于消費者應(yīng)用中;縱向聯(lián)邦是指企業(yè)各方數(shù)據(jù)的ID維度相同(樣本重疊)、數(shù)據(jù)維度不同，更多存在于B端應(yīng)用。

例如針對保險行業(yè)的個性化保險定價問題，一家互聯(lián)網(wǎng)企業(yè)和一家保險企業(yè)進行數(shù)據(jù)合作，這種合作數(shù)據(jù)的ID重合度相當(dāng)大，數(shù)據(jù)特征維度大大增加，使模型的個性化定價效果顯著提升，為保險企業(yè)帶來8倍覆蓋率提升和1.5倍利潤率提升。

橫向聯(lián)邦學(xué)習(xí)方面，在手機行業(yè)，通過在本地建立加密上傳的小模型，服務(wù)器端看不到內(nèi)容卻可以把模型匯聚起來，進行云端模型的更新，新的通用模型再釋放給手機，幫助用戶自動化進行圖片標(biāo)注。這樣既保護了用戶隱私，也可以進行模型學(xué)習(xí)和更新。

楊強認(rèn)為聯(lián)邦學(xué)習(xí)最大的優(yōu)勢是保證數(shù)據(jù)不出戶，通過生態(tài)在不同行業(yè)選取合作伙伴，用群體智能不斷提升模型效果。因此聯(lián)邦學(xué)習(xí)一定是多方共同協(xié)作組成一個聯(lián)盟，生態(tài)的建設(shè)十分重要。

面對AI落地難、盈利難問題，吳恩達則認(rèn)為，在期待AI為企業(yè)帶來紅利之前，企業(yè)需要避免幾個陷阱。首先AI技術(shù)會影響很多企業(yè)做業(yè)務(wù)的核心，所以選擇項目是非常重要的，從小的項目開始，可以建立好的基礎(chǔ)，同時幫團隊獲得動能。

其次團隊建設(shè)不能僅依靠明星工程師，而是要建立一個完善的、跨學(xué)科、跨職能的團隊。同時不要期待AI立刻產(chǎn)生作用，而是要多次嘗試，對AI發(fā)展的回報曲線進行合理預(yù)算。不要使用傳統(tǒng)的流程評估人工智能項目，應(yīng)該為AI項目團隊設(shè)立合適的KPI和目標(biāo)。

“有關(guān) AI 的應(yīng)用越來越多了，但企業(yè)的 AI 轉(zhuǎn)型并不是開發(fā)一個 APP 這么簡單，不要指望AI解決所有的問題，也不要指望AI項目一次性就成功。”吳恩達表示。