云栖号资讯：【点击查看更多行业资讯】
在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！

【导语】热火朝天的人工智能技术，在许多领域都有令人印象深刻的成效，但依然掩盖不了缺乏真正人脑意识的事实。因此，研究人员决心找到缺失的东西。

你需要知道的是，深度学习已经在无人驾驶汽车、语音识别和其他众多方面产生了革命性的影响。

一张图片中，有一根大而成熟的亮黄色香蕉，人工智能（AI）还是会将其识别为烤面包机，尽管它应用了强大的深度学习技术。看起来就像是将一个小小的数字化日光贴纸贴在图像的某个角落。这个结果显示：即使训练数千张香蕉、毛虫、蜗牛和类似物体的照片，这个先进的AI系统也容易混淆。

这个深度学习研究人员称之为“对抗攻击”的例子，是由加州山景城的谷歌大脑（Google Brian）团队发现。它说明了AI在接近人类能力之前还需要走多远。“我最初认为对抗性的例子只是一种烦恼，”多伦多大学的计算机科学家Geoffrey Hinton说道，他是深度学习的先驱之一。“但我现在认为它们可能非常深奥。它会告诉我们，我们做错了什么。”

在AI从业者中广泛存在的一种情况是，任何人都可以轻易地列举一长串深度学习的弊端。例如，除了易受欺骗之外，还存在严重的低效率问题。Hinton说“让一个孩子学会认识一头母牛，并不需要他们的母亲说一万次牛”，而这却是深度学习系统中经常需要的数字。人类通常仅从一两个例子中就可以学会新概念。

然后是不透明问题。一旦训练好了一个深度学习系统，就无法确定它是如何做出决定的。“在许多情况下，即使AI得到了正确的答案，但也是不可接受的。”David Cox说，他是麻省理工学院与IBM联合实验室的计算神经科学家。他举了一个例子，假设一家银行使用人工智能来评估你的信誉，然后拒绝给你一笔贷款：“在许多州，有法律规定你必须解释原因”。

也许最重要的是，AI缺乏常识。深度学习系统可能是识别像素间的某种模式，但是他们无法理解模式的含义，更不用说理解它们产生的原因。DeepMind的AI研究员Greg Wayne说道，“我不清楚当前的系统是否能够知道沙发和椅子是用于坐着的。”

越来越多弱点的凸显，正在引起广大公众对人工智能技术的关注，特别是无人驾驶汽车，它们使用类似的深度学习技术进行导航，但也造成了广为人知的灾难和死亡事故。“人们已经开始说，‘也许人工智能存在问题’，”纽约大学的认知科学家加里·马库斯认为，他是深度学习里最直言不讳的怀疑论者之一。直到过去一年左右，他说，“过去有一种感觉是深度学习像拥有魔法。现在人们意识到它并不会魔法。”

尽管如此，但无可否认的一点是，深度学习仍然是一个非常强大的工具。这使得部署应用程序（例如面部和语音识别）变得非常常见，而这些应用程序在十年前几乎不可能完成。“所以我很难想象深度学习会在这点消失，”麻省理工的考克斯说。“更有可能我们会去修改它，或者丰富它。”

大脑战争

今天深度学习革命的根源在于20世纪80年代的“大脑战争”（brain wars），当时有两种不同的人工智能方法的倡导者争议性很大。

一派是现在称为“老式的AI”（good old-fashioned AI）的方法，自20世纪50年代以来一直占据主导地位。也可称之为符号AI，它使用数学符号来表示对象和对象之间的关系。再加上由人类建立的丰富的知识库，这些系统被证明在推理和得出关于诸如医学等领域的结论方面非常擅长。但是到了20世纪80年代，人们也越来越清楚地认识到，符号性的人工智能方法在处理现实生活中符号、概念和推理等方面时，表现得非常糟糕。

为了应对这些缺点，另一派的研究人员开始倡导人工神经网络，或称联接主义人工智能（connectionist AI），这是当今深度学习系统的前身。

这类想法是在任何的系统中，通过模拟节点网络来处理信号，这些节点就像是人脑中神经元的类似物。信号沿着连接或链路从节点传递到节点：类似于神经元之间的突触连接。像在真实大脑中一样，问题就转换为学习调整放大或抑制每个连接所携带信号的“权重”。

在实践中，大多数网络将节点排列为一系列层，而这些层大致类似于皮层中不同的处理中心。因此，专门用于图像的网络将具有一层输入节点，其响应于各个像素，其方式与杆状细胞和椎体细胞相应射入视网膜的光的方式一样。一旦激活，这些节点通过加权连接将其激活传播到下一级别的其他节点，这些节点组合输入信号并依次激活（或不激活）。这个一直持续到信号到达节点的输出层，其中激活模式提供一个断言。例如，输入图像是数字“9”。如果答案是错误的，那就说输入图像是一个“0”。而“反向传播”算法就是沿着层反向运行，调整权重以便下次获得更好的结果。

到20世纪80年代末，在处理嘈杂或模糊的输入时，这种神经网络已经证明比符号AI好得多。然而，这两种方法之间的对峙仍未得到解决。主要是因为当时适合人工智能系统的计算机资源非常有限，无法确切知道这些系统能够做什么。

AI的“神经网络”模型主要是通过类似于神经元的节点网络发送信号。信号沿着链路传递到节点，类似于节点之间的突触连接。“学习”通过调整放大或抑制每个链路所承载信号的权重来提升结果。节点通常按层排列。而今天的计算机已经可以处理数十层的“深度学习”网络。

性能提升

通常意义上讲，从2000年开始，随着数量级更强大的计算机的出现以及社交媒体网站提供海量的图像、声音和其他训练数据。首先抓住这个机会的是Hinton, 他是反向传播算法的共同作者，以及20世纪80年代联盟主义运动的领导者。到了2010年中期，他和他的学生开始训练比以前更大的网络。它们相当的深，层数从一两层增加到大约六层。（而今天的商用神经网络通常使用超过100层。）

2009年，Hinton和他的两个研究生表明这种“深度学习”能够比任何其他已知方法更好地进行识别语音。2012年，Hinton和另外两名学生发表了实验，表明在识别图像时，深度神经网络可能比标准视觉系统好得多。“我们几乎将错误率减半，”他说。随着语音和图像识别的双炮齐鸣，深度学习应用的革命开始了。

早期的首要工作是扩展深度学习系统的训练方式，Matthew Botvinick表示。他在2015年从普林斯顿的神经科学小组离开，在DeepMind工作了一年。语音和图像识别系统都使用了所谓的监督学习，他说：“这意味着每张图片都有一个正确的答案，比如‘猫’，如果网络错了，你就告诉它什么是正确的答案。”然后网络会使用反向传播算法来改进其下一个猜测。

Botvinick说，如果你碰巧有几十个精心标记的训练样例，有监督的学习效果很好。而通常情况并非如此。它根本不适用于诸如玩视频游戏等没有正确或错误答案的任务，只有成功或失败的策略。

Botvinick解释说，事实上，在现实世界的生活中，你需要用到的是强化学习。例如，玩视频游戏的强化学习系统学会如何去寻求奖励（找到一些宝藏）并避免惩罚（赔钱）。

在深度神经网络上首次成功实现强化学习是在2015年，当时DeepMind的一个小组训练了一个网络来玩经典的Atari 2600街机游戏。“神经网络将在游戏中接收屏幕图像，” Botvinick说，“在输出端有指定动作的图层，比如如何移动操纵杆。”该神经网络的玩游戏的水平大致等于或者甚至超过了人类Atari玩家。到了2016年，DeepMind研究人员使用相同方法的更精细版本AlphaGo，它可以掌握复杂的棋盘游戏，并击败了当时的世界冠军。

超越深度学习

不幸的是，这些里程碑式的成绩都没有解决深度学习最根本的问题。例如，Atari系统必须玩数千轮才能掌握大多数人类玩家可以在几分钟内学到的游戏。除此之外，网络也无法理解或推理屏幕上的物体，如船桨。所以Hinton的问题仍然存在：（深度学习）究竟缺失了什么？

也许根本没缺什么。也许所需要的只是更多的连接，更多的网络层和更复杂的训练方法。毕竟，正如Botvinick指出的那样，在数学上已经证明神经网络等同于一台通用计算机，这意味着如果你能找到正确的连接权重，那么它们就没有不能执行的任何计算，至少在原理上是这样。

但在实践中，这样的警告可能是该领域研究人员有越来越强烈感受的一个重要原因，这样的感受就是需要一些新想法来克服深度学习的缺点。

一种解决方案是简单地扩展训练数据的范围。例如，在2018年5月发表的一篇文章中，Botvinick所在的DeepMind小组研究了在多个任务中训练网络时会发生什么。他们发现只要网络从后向前有足够的“周期性”连接，网络就能记住它从一个瞬间到下一个瞬间正在做什么。它能够自动得从已学的课程里，更快学会新任务。这至少是人类式“元学习”或learn-to-learn的雏形，这个能力让我们能快速的掌握某种事物。

更激进的一种可能方式是放弃训练一个大型网络来解决问题的方法，而是让多个网络协同工作。在2018年6月，DeepMind团队发布了一个他们称之为生成查询网络（Generative Query Network）的架构，该架构利用两个不同的网络来学习复杂的虚拟环境，而不需要人工的输入。其中一个被称为“表示网络”（representation network），基本上使用标准的图像识别学习方法来识别在任意给定时刻AI可见的内容。

同时，生成网络（generation network）学习通过获取第一个网络的输出来生成整个环境的3D模型。实际上，这个任务就是对AI看不见的对象和特征进行预测。举个例子，如果桌子只有三条腿可见，则模型就能涵盖具有相同尺寸、形状和颜色的第四条腿。

反过来，这样的预测结果会让系统学习的速度比标准的深度学习方法快得多，Botvinick说。“试图预测事物的agent会在每个时间步骤自动获得反馈，因为它可以看到它的预测结果如何。”因此它可以不断更新其模型以使其更好。此外，这种学习是自监督的：研究人员不必去标注任何东西使其工作，只需要提供奖励和惩罚机制。

一种更为激进的方法是，放弃让网络从头开始学习每个问题。“白板说”的说法确实可以让网络发现此前可能是研究人员从未想过的对象和行为方式，甚至是完全出乎意料的游戏策略。但是人类的学习从来都不是“白板”：对于几乎任何任务，人类至少可以依靠通过经验学习或进化硬塞到他们大脑中的先验知识。

例如，婴儿似乎天生就有许多固有的“归纳偏见”，这些偏见促使他们以惊人的速度吸收某些核心概念。到了2个月大的时候，他们已经开始掌握直觉物理的原理，其中包括物体存在的概念，他们倾向于沿着连续的路径移动；同样，婴儿也开始学习直觉心理学的基础知识，其中包括识别面孔的能力和认识到世界包含自己移动和行动的个体的能力。

具有这种天生的“归纳偏见”可能有助于深度神经网络拥有同样快速的学习能力，这就是为什么该领域的许多研究人员现在将其作为首要研究内容。事实上，在过去的1年或2年内，该领域的研究人员已经看到了一种被称为图网络的方法。“这些深度学习系统，它们将事物作为对象和关系表现出天生的偏见，”Botvinick说。

例如，某些对象（如爪子、尾巴和胡须）可能都隶属于较大的对象（猫），其关系是part of。同样，球A和B组可能具有相互关系the next to，地球与太阳有轨道围绕（is-in-orbit-around）关系，依此类推，通过大量其他例子，其中任何一个都可能表示为抽象图，其中节点对应于对象和关系的链接。

因此，图网络（graph network）是一种神经网络，它将图作为输入，而不是原始像素或声波。然后学会推理和预测对象及其关系如何随时间演变。（在某些应用程序中，可能会使用单独的标准图像识别网络来分析场景并首先挑选出对象。）

图网络的方法已经阐释了快速学习和人类对各种应用程序的掌握能力，包括复杂的视频游戏。如果它继续像研究人员所希望的那样发展，它可以通过提高训练速度和效率来缓解深度学习的10000-cow问题。并且它可以使网络更不容易受到对抗性攻击，因为代表一个物体的是系统，而不仅仅是像素，它不会被一点噪音或一个无关的贴纸轻易地干扰。

Botvinick承认，在任何这样的领域都不会轻易或快速地取得根本性进展。但即便如此，他认为这些不是无边界的。“这些挑战非常真实，”他说，“但并非死路一条。”

人工智能在仓储情景中的应用

人工智能近年来的迅猛发展，预示着其将为仓库运作方式带来革命性的变革。但在企业决定在运营实践中引入并实施这一新技术之前，必须要确保已拥有相关数据及所需人才。

对相关企业而言，即时关注并对供应链技术的进步具有敏感性几乎已经成为必须。机器人技术、自动化、数据分析和工业物联网等各种新技术，正在逐步展示出其在提升货物运输，处理，存储和配送效率方面的潜力。这些新技术的不断涌现，使得我们很难确认究竟应把注意力集中在哪一方面。

在这其中一项值得仔细研究的新技术是人工智能(AI)。简单而言， 人工智能是计算机系统发展到一定阶段的产物，即代为执行通常需要人类智能参与的任务（如视觉感知、语音识别、决策和语言翻译）。人工智能出现于1956年，但绝大多数情况下，我们都必须将智能程序明确地输入到计算机中。

近年来，机器学习作为一种典型的人工智能技术，发。机器学习主要是探索如何可以使计算机程序通过对输入数据的学习来提高其输出性能。这些程序可以嵌入在机器中，也可以在服务器或云端操作。亚马逊(Amazon)、谷歌、Facebook、微软(Microsoft)等大型科技公司已经将机器学习融入到他们的产品和服务中，为用户提供：相关度更高的网络搜索内容，更好的图像与语音识别技术以及更智能化的设备。

机器学习与数据分析（收集、转换及数据分析的流程）之间有一些相似之处。两者都需要一个经过清理的、多样化的、大型的数据库才能有效地运作。然而，主要的区别在于，数据分析允许用户从数据中得出结论，进而要求用户采取相应措施来改善其供应链。相比较而言，对于已处于可解决范畴内的问题，机器学习可以基于“训练数据库”自动执行操作（本文后续关于监督学习的部分将对此进行讨论）。基于其允许任务自动执行这一特性，人工智能 — 尤其是机器学习 — 对许多供应链管理人员来说都是一项值得关注的重要技术。对于今天的许多企业来讲，制定并实施供应链相关的人工智能战略，将使其随着技术的逐渐成熟，提升自身的生产力、速度与效率。

一、人工智能的发展现状

人工智能近期的迅猛发展，得益于以下因素的共同作用。第一，各种设备的互通互连而产生的数据量的增长以及促使日常生活数字化的高级传感器的使用的增长。第二，从移动设备到云计算，各种设备的计算能力也在持续增长。因此，机器学习可以运行在最新的硬件运算设备上，同时获取大批量、多样化及高质量的数据库，进而自动执行各种任务。

案例一：

下面是一个众多消费者将逐渐熟悉的场景。如果你有一个iphone而且每天早晨通勤上下班， 最近一段时间你可能留意到了以下情况：当你坐进汽车的时候，你的手机将自动提示你开车去公司将需要多少时间，根据实时的路况信息给出最佳行车路线的建议。当这一现象第一次发生时，你可能会有这样的疑惑：“手机怎么会知道我要去上班？感觉很酷，但也有一点点恐怖”。

因为内置了机器学习功能，手机可以根据你过去做过的事情来预测你将要什么。如果你换了新工作或者开车去了另外一个目的地，设备会自动调整它的预测，并根据新的目的地发出新的通知。这一应用场景的特别强大之处在于：设备对用户来说越来越有帮助，而用户或软件开发人员不必采取任何行动。

另一个场景是自动驾驶汽车。目前路面上行驶的的自动驾驶汽车正在被用来收集数据，用来改进下一代自动驾驶汽车的技术。当人工操作人员直接对车辆进行控制时，相关的数据就会与其他车辆的数据汇集起来并进行对比分析，以确定在何种情况下自动驾驶汽车将切换到由人工驾驶模式。这样的数据收集与分析将使得自动驾驶汽车变得更加智能。

虽然人们很容易被今天人工智能相关的令人兴奋的发展所鼓舞，但了解人工智能的局限性也很重要。在《哈佛商业评论》(Harvard Business Review) 2016年的一篇文章中，《人工智能现阶段的能与不能》，斯坦福人工智能实验室前负责人、跨国科技公司百度的人工智能团队前首席科学家Andrew Ng明确表示，“人工智能将变革许多行业，但它并不具有无所不能的魔力。”

Ng强调，虽然人工智能已经有很多成功的实施案例，但大多数都是在监督学习的场景下展开应用。在这一模式下，每一个训练输入数据库与正确的输出决策相关联。机器学习算法通过比对这个训练库的信息来根据新的输入数据做出决策。监督学习的一些常见应用包括照片标记、贷款处理与语音识别。在每一个应用案例中，系统都会接收输入信息 — 比如照片标签应用中的图片 — 并基于它从训练数据库中学到的信息做出决定或做出反应。

如果拥有一个足够大的输入数据库，并用对应的人工响应 (或输出) 做以注释 （例如：这幅图片是一张脸），那么就可以构建一个人工智能应用程序，允许计算机系统接收新的输入数据并自行做出决定。这可以使过去不容易自动化的流程变的可以自动运作，最终提升仓库啊的运营效率。而实现这一目的的关键就是辅助做出决策的数据库的大小、质量与多样性的程度。训练输入数据库越大、越多样化，机器学习算法做出的决策就越优化。

二、选择可参照案例

当考虑在供应链中应用人工智能的各种方案时，直接应用相应技术然后确定应用方案或许很有吸引力。但是，如果你首先分析一下公司业务面对的挑战与机遇，然后再选择相匹配的人工智能技术来解决相关问题，这样的流程会有助于你选择更有效率、更适合的应用方案。

就仓库及其运作而言，人工智能的应用应该以企业所关注并不断优化的关键性能指标（KPI）为指导（订单准确性、安全性、生产率、履行时间、设施损坏或库存准确性等）。仓库通常已经拥有大量与KPI指标相关的数据，这些都可以被人工智能应用程序用于自动完成任务或做出决策。然而，这些数据由于数据类型的原因并不能直接用于人工智能技术，并且通常分布在不同的仓库管理系统中。因此，在正式应用之前，许多人工智能应用程序需要对不同仓库管理信息系统中的数据进行整合。

下面的3个案例（生产力、设备利用率、效率）说明了人工智能在仓储运营场景中的应用潜力。虽然这些案例可能并不适用于所有仓库，但它们确实展示了企业如何将自己已有的数据整合成可以应用机器学习技术的形式。

案例一、生产力

在拣选订单的环节，所有的仓库都存在不同员工的生产力不同这一现象（有效率最高的订单拣选员也有变现一般的员工）。但是相对于使用系统引导进行拣选的仓库而言，员工在生产力方面的差异在不使用系统引导的仓库中表现更为明显。

对于那些不使用系统引导进行拣选的仓库，机器学习提供了一个可以更好推广最高效员工经验的机会，并将系统引导模式引入到所有员工的工作中。如果联系到上文提到的监督学习，最高效员工的拣选列表将作为人工智能应用的输入数据；这些员工在拣选列表中货物的顺序决策即为输出数据（基于条码扫描或其他可获取信息）。除了最短拣选距离这一指标之外，避免拥挤通常是提升生产力的另外一个重要指标。因为最佳拣选员工通常会同时考虑这两个因素，因此上面的输入输出数据库应该已包含这些信息。

基于这些精准标注的数据，机器学习算法在接收新的订单数据后案最佳原则进行归类。通过这种方式，算法可以复制最有效员工的拣选操作，并提高所有员工的生产力。

案例二、设备利用率

某一仓库一天内需要搬运的容器或托盘数量与所需的搬运设备数量之间有一定的关系。在大多数情况下，两者之间是一种线性关系。但是，某些因素（例如操作人员的技能水平或货物的混合存放等）也可能会影响到所需搬运设备的佘亮。

在这种情况下，输入数据就需要包括所有可能影响设备需求的数据（从仓库管理系统中调用的拣选订单清单以及从员工管理系统中获取的操作人员生产力水平等信息）。输出信息包括从升降搬运车管理系统中获得的搬运设备使用率信息。

基于这一精准标注的数据库，机器学习算法将可以接收未来数星期或数月的订单预测信息和现有员工的技能水平信息，进而预估出所需搬运设备的数量。升降搬运车车队经理将在同设备供应商的协商中采纳这些信息作为决策参考，以确保通过短期租赁或新设备购买的方式来确保在某一期限内获取合适数量的搬运设备进行拣选操作。

案例三、效率

一个好的货位策略应该是将高需求的SKU尽量集中放在最佳位置但同时又要适当的分散摆放，以降低拥堵程度来提高拣选效率。但由于需求的不断变化以及SKU的数量（某些仓库中可能有数千个SKU），仓库很难仅仅依靠员工来判断SKU的需求量来实现最佳存放。因此一些仓库运营商会使用货位分配软件来帮助确定SKU摆放位置。这些软件会提供操作界面允许客户修改运作规则。当接收到销售历史数据或未来销售预测信息后，软件就会推荐相应的货位策略。但是，负责软件的人员经常会依据自己的经验来修改策略，而这些经验却往往不能反应出拣选操作的真实情况。

在这种情况下，输入数据就是软件所推荐的货位策略。输出数据是最终决定执行的策略。机器学习算法可以和货位分配软件结合，通过对实施最终货位摆放策略的员工的倾向性进行不断的学习，最终实现自动调整。

三、制定策略

明确仓储相关领域可以从人工智能技术获益之后，制定相关的应用策略将非常重要。在其发表于《哈佛商业评论》的文章中，Andrew Ng对高管们应该如何定位公司的人工智能策略提出了一些有益的看法。他写道，制定一个成功战略的关键是“理解在哪里创造价值，什么是很难复制的”。

Ng指出，人工智能研究人员经常发布和分享他们的想法，并公布他们的代码，因此我们可以很便捷地接触到最新理念及进展。相反，“稀缺资源”是数据和人才，而这两点对企业制定人工智能策略获取竞争优势极为关键。在数据源已经被精确连接到了对应的输出信息的情况下，复制一款软件比获得原始数据要简单的多。因此，具有鉴别与获取有价值的数据并有能力根据实际情况修改软件参数以最大化利用这些数据的人员，将是制定人工智能策略过程中关键而具有差异性的组成部分。也就是说，如果一个企业向推进人工智能在仓储场景下的应用，那么它就必须将重点放在提高数据和人才的质量这两方面。

关于数据，要明确的一个关键问题是：哪些数据是你的公司所独有而且可以用来提高与业务相关的KPI？这一点明确之后，就需要提高仓储管理系统中的数据的质量。这一步通常被称为数据管控，来确保供应链运作相关的数据具有一个可以“真实反映客观事实的来源”。

举例来讲。叉车司机的信息可以存储在不同的信息系统中，包括人力资源系统、员工管理系统、仓库管理系统、叉车车队管理系统等。如果司机信息被分别录入以上系统，那么同一员工的姓名及身份号码就可能出现不匹配的情况。

对于跨系统整合数据的机器学习应用案例来说，数据必须是干净的。具有良好数据管控能力的企业可以将其中某一系统定义为存有主要数据的系统，并在需要时通过应用程序编程接口（API）将这一数据导入其他任意系统中。

如果需要整合来源于多个系统的数据，那接下来要面对的挑战就是数据集成。也就是说，要确保所有来源于不同仓储运作相关的系统中的数据可以被整合成一种可以用来机器学习的形式。这就需要与供应商紧密合作，以了解对方的运营能力以及整合来自车队管理、员工管理、仓库管理、企业资源管理等不同系统的数据的潜力。这就为支持数据分析以及客户定制化的人工智能应用奠定了数字化基础。在技术上具有挑战性，但许多系统中嵌入的API接口简化了这一任务。

一个更大的挑战可能来自于人才领域。在你的公司中有多少人专职进行管控、集成于抓取正在创建的数据信息？如果答案是“还不够”，那么你就要考虑设置一个高管级别的职位，致力于在董事会层面来积极推动以公司数据资产为来源来建立企业竞争优势。

这种高级别的助推策略，可以从确定公司如何在这一领域构建能力开始。对大多数公司来讲，也可以通过内部员工和外部顾问的组合来实现。甚至有一些众筹的机器学习平台（例如Kaggle和Experfy）可以协助你将你在数据方面要面对的挑战与世界各地的专家之间建立起联系。因为今天你所获得的数据可能会对未来的机器学习应用产生深远影响，因此建立数据能力是一个优先需要考虑的事项。许多大型企业已经在内部成立了专门部门来引导人工智能及数据分析方面的工作，这一需求也使得这一领域的专业人才变的炙手可热。

四、感想总结

虽然供应链经理需要评估各种技术以及指导以科技为基础的革新，但人工智能不应因此被忽略。但它也不应该被视作可以瞬间完成供应链变革的万灵药。相反地，人工智能应该被定义为一个可以提升与企业成功密切相关的KPI指标的工具。使用这一工具并不需要成为人工智能领域的专家，但必须确保你的企业满足了前文所提到的三个基本要求：确定与提升企业绩效相关的高价值应用案例；创立可以整合这些高价值数据的数字基础设施；开始建立一个由内部与外部专家组成的专业团队。

【云栖号在线课堂】每天都有产品技术专家分享！
课程地址：https://yqh.aliyun.com/zhibo

立即加入社群，与专家面对面，及时了解课程最新动态！
【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK

原文发布时间：2020-05-05
本文作者：琥珀
本文来自：“人工智能产业链联盟公众号”，了解相关信息可以关注“人工智能产业链联盟”