關注「可接受度」是人工智慧落地行業的關鍵
明略數據副總裁Elva Liu受邀出席，並與參會的各位人工智慧領域科學家、學者、企業家、投資家和創業者分享了明略數據在行業人工智慧方面的實踐經驗和觀點。
1、對於系統的預期過高，而價值目前無法有效衡量。
2、系統買進之後，IT部門認可，若業務系統不使用，對於創業公司最終也是死路一條。
舉個例子，現在大家都已經接受了地圖導航軟體並作為一種出行習慣，不會糾結於路線是否正確，這極大的提升了人類從某地到某地的出行效率。這個發展過程，有幾點很重要：
1、地圖古來有之，人們一直專註提高地圖的精度，從而提高到某個不熟悉的地方去的效率，少走彎路、不走錯路。
2、清晰可解釋的路線演算法：時間優先、距離優先、躲避擁堵等等都圖形化展示出來，並由你來決定。
3、導航使用過程中的人性化交互設計：路線預報、路況提醒、停車建議、語音指令等等都在加強人們對導航軟體的接受度，關照我們的出行習慣。
人和地圖軟體建立起信任之後，現在大家去某個不熟悉的地方都是默認使用導航的。
這個過程其實很像人工智慧在行業內被廣泛接受並使用的過程。對應下來就是：
1、業務需求一直在，大家需要的是預測分析和自動決策的精度，從而儘可能大提升效率：節省資源投入，或者增加產出。
2、人工智慧系統通過規則演算法，將得出的結果可從因果關係中獲得解釋，讓業務邏輯在系統中應被很好的展現和理解。
3、在使用過程中，通過分析一個求解實例來產生解釋結構，在系統結論推送中結合著解釋性因果分析關鍵詞提醒。
對所產生的結論的推理過程做詳細的說明，以增加系統的可接受性
系統都一般由IT部門採購，業務部門使用。大數據、人工智慧系統解決的是業務智能化的問題，理解起來要求IT知識和領域知識的結合，對比業務管理型系統，它對規則引擎的熟悉程度要求比較高。具體項目中，比如公安體系中，系統得出結論是「某人是團伙作案嫌疑人」，推送給一線民警，除了結論性信息，我們還會把研判的思路以圖的形式一起發送，一線民警就會理解，這個結論來自於證據推理樹中的某幾個分枝得出，為他的後續執行任務做出有效的指導。也讓民警更加有效的和系統交互，建立信任。
對初學者進行訓練，最大化尊重原有的使用習慣
系統是為了加速業務流程提高效率，而不是去顛覆業務需求。這個過程中首先要尊重原有的使用習慣，同時做好密集的培訓安排。比如我們某個金融快速放貸的項目，在實際的調查中發現，客戶他們有自己的一套業務系統，他們每天的時間都很滿，忙於處理各種業務。我們單獨再建了一個數據分析系統，這些結果雖然很準確，但是它畢竟不在這個系統裡面。也就是客戶每天日常的操作場景裡面，他是看不見這些系統和這些數據的，他們即使知道有這個系統，也不知道什麼時候去用。兩者之間有一個脫節。所以我們在實施過程中，通過系統插件技術，建立了實時的雙向通道，打通了這兩個系統，把數據分析的結果實時推送到生產業務系統中的場景裡面去，做到風險前置。可以讓信貸員在業務受理時就能看到，這個行業有什麼風險，這個客戶有什麼風險，把風險盡量控制在早期。目前這個案例得到了客戶的高度的認可和評價。系統的使用率大大提升。所產生的新數據又反過來促進了準確性，形成正向循環。
對熟練使用者進行獎勵
客戶中也有很多嘗新者，會主動的使用新系統，對於這樣的情況，有很多書比如《精益創業》中都有體現。我們在公司內部也建立了一套完成收集客戶反饋的體系，諸如記錄客戶使用習慣、定期訪談、收集客戶改進意見、根據業務價值決策功能迭代等等。
人工智慧將會成為各行各業轉型的基礎，是未來的核心競爭力，這已經是大家的共識，關鍵是如何開始第一步。在這個過程中發現，其實規則還是構建模型快捷有效的冷啟動比較好的方法，機器學習主要是對這個模型進行進一步提升，實現量變到質變。使用這個機器學習模型的過程中，要很好地優化這個能力，需要有一個高質量的數據，我們嘗試了自動化數據標註技術，取得很好的使用效果。
綜上所述，行業人工智慧不僅僅技術好、商務好、場景好，還有時刻關注客戶使用習慣，對分析過程的關鍵因果關係提煉明示，與客戶並肩提高AI的場景分析的準確性，最終為客戶提高業務智能化效率。
明略數據，
用科技延伸人類智慧。
推薦閱讀：
※機器學習技法筆記3：核函數SVM
※Facebook如何運用機器學習進行億級用戶數據處理
※決策樹與隨機森林
※Patterns for Research in ML