說到AI想必大家都耳熟能詳，其實它包羅了廣泛的知識，分為不同的類型，各有優(yōu)劣：

混合AI(Hybrid 人工智能)能夠克服單一技術(shù)方法的局限性

符號AI(Symbolic 人工智能)能夠理解實際知識，而不僅僅是數(shù)據(jù)

混合解決方案打開了AI的“黑匣子”，幫助AI技術(shù)在現(xiàn)實場景中普遍地應(yīng)用

符號AI和ML/深度學(xué)習(xí)都有自己的一套優(yōu)勢，當以混合方式一起使用時，將會是強強聯(lián)合。將為很多關(guān)鍵的企業(yè)應(yīng)用程序的發(fā)展鋪平道路。下來，我們先來看看它們各自的能力。

符號AI

Symbolic 人工智能 的設(shè)計初衷是利用實際知識，更好地理解現(xiàn)實世界的想法和概念。這類似于人類使用特定的、面向領(lǐng)域的、符號/語義的知識來解釋我們周圍的環(huán)境。符號AI最重要的貢獻是在自然語言處理(NLP)和自然語言理解(NLU)領(lǐng)域。

ML/深度學(xué)習(xí)

ML是目前企業(yè)發(fā)展過程中采用最多的AI形式。由于它能夠自主處理不同的數(shù)據(jù)集，并不斷的迭代和自適應(yīng)，因此它本質(zhì)上“學(xué)習(xí)”了環(huán)境的模式并做出相應(yīng)的響應(yīng)。在自動化和自主計算環(huán)境下，它成為了最靈活和有價值的工具。

深度學(xué)習(xí)(DL)是基于神經(jīng)網(wǎng)絡(luò)的ML。相對而言，DL可以返回更好的結(jié)果，但計算/能量成本可能比普通的ML技術(shù)高很多數(shù)量級。

非結(jié)構(gòu)化數(shù)據(jù)挖掘

AI有望大幅提高生產(chǎn)率和利潤率這兩大企業(yè)目標。當然，這需要高效地挖掘非結(jié)構(gòu)化數(shù)據(jù)的隱藏價值，從而實現(xiàn)更高級別的自動化。不僅要實現(xiàn)結(jié)構(gòu)化的數(shù)據(jù)驅(qū)動工作流——絕大多數(shù)都是機械的、重復(fù)的功能，還要實現(xiàn)信息密集型或非結(jié)構(gòu)化數(shù)據(jù)驅(qū)動的流程。

與此同時，企業(yè)更傾向以非破壞性和完全透明的方式引入新的技術(shù)方法，因為這樣它所帶來的任何變化都便于人們理解，所產(chǎn)生的好處是明確和直接的。

純ML方法很難滿足所有這些要求。從本質(zhì)上講，他們是一個“黑盒子”場景——他們的內(nèi)部計算和決策過程仍然是隱藏的，不好解釋。比如，當ML單獨用于自然語言處理時，對輸入數(shù)據(jù)的任何更改都可能導(dǎo)致模型漂移，就不得不重新訓(xùn)練和測試數(shù)據(jù)。

符號人工智能學(xué)習(xí)方法和ML方法并不是相互排斥的：通過有效的融合，可以達到企業(yè)預(yù)期的最佳效果。這囊括對核心流程和應(yīng)用程序的高效支持，對給定人工智能模型的行為的完全透明，以及若是誤差較大時，它又怎樣及時地修正。

事實上，在大多數(shù)企業(yè)中，最大的信息寶庫是語言形式的非結(jié)構(gòu)化數(shù)據(jù)。從電子郵件到錄音，從法律合同到規(guī)章制度，口頭和書面文字才是最主要的數(shù)據(jù)源。傳統(tǒng)的計算平臺在處理結(jié)構(gòu)化數(shù)據(jù)(如客戶列表、財務(wù)記錄和性能指標)方面表現(xiàn)出色，但直到近期AI的發(fā)展和應(yīng)用，才使得以經(jīng)濟有效的方式處理非結(jié)構(gòu)化內(nèi)容成為可能。

符號人工智能

在整個人工智能的生態(tài)系統(tǒng)中，符號推理和語義理解可以產(chǎn)生更精確的結(jié)果，同時減少了訓(xùn)練新模型的時間和費用。首先是提高輸入數(shù)據(jù)的質(zhì)量，然后簡化支持這些海量數(shù)據(jù)所需的繁瑣和資源密集型基礎(chǔ)設(shè)施。

從操作上講，混合人工智能方法可以推動AI超越機械式、重復(fù)的簡單自動化任務(wù)，從事需要知識和專業(yè)技能的更高級別的工作——但仍未達到需要人工操作的戰(zhàn)略級別的任務(wù)。

舉一個最典型的例子標注，即對信息進行標記以便機器使用的過程。這是一項艱巨而乏味的工作，費時又費力。但是，通過在符號學(xué)習(xí)環(huán)境中利用適當?shù)闹R庫和圖表，能夠有效的簡化訓(xùn)練過程。

可信度

如上所述，當前人工智能部署的另一個關(guān)鍵問題是可信度。ML/DL存在黑盒問題，其輸出既不透明也無法解釋。

這個問題一般表現(xiàn)在AI訓(xùn)練模型出現(xiàn)偏差的領(lǐng)域。關(guān)于AI產(chǎn)生的種族主義、歧視女性和其他偏見的故事比比皆是，大多是因為它的輸入數(shù)據(jù)向這個方向傾斜。若是不能直接觀察這些行為，看不到算法對此做何反應(yīng)，整個系統(tǒng)最終都會面臨癱瘓，只能重新訓(xùn)練模型再重新投產(chǎn)。可信度問題還會帶來其他影響，譬如錯誤地預(yù)測重點細分市場的購買趨勢，或者大學(xué)招生中未能考慮到的文化因素等。

可解釋的AI

通過引入符號人工智能，黑盒被打開，這樣用戶就可以理解機器為什么會以特定方式行事，若是結(jié)果不理想，還可以做什么進行優(yōu)化。此外，這種可見性使操作人員能夠持續(xù)監(jiān)視自己的流程，從而做出適當?shù)恼{(diào)整。

AI是一個強大的工具，可以為企業(yè)數(shù)據(jù)運營帶來奇跡，但它仍處于起步階段。對于有遠見的組織來說，標準的、單一模式的AI迭代的局限性已經(jīng)越來越明顯。我們需要的是一種方法，能讓這項技術(shù)更具適應(yīng)性，更能深入挖掘數(shù)據(jù)的潛在價值，同時讓AI變得更容易使用，成本更低。

混合AI——基于理解實際知識而不是簡單學(xué)習(xí)模式的符號AI——是企業(yè)挖掘多年來收集的所有數(shù)據(jù)價值的優(yōu)選方式。

原文標題：The Hybrid to Give Your 人工智能 the Gift of Knowledge，作者：Marco Varone