改商业化人工智能APP面临的四大挑战

人工智能（AI）的血统可以回溯到许多伟大的计算机理论家：图灵，以及Babbage 计算机器的发明者。我们如今在伦敦所看到的领先的团队，例如正致力于机器学习的DeepMind，正是从计算机科学到实践和商业应用的运动浪潮的一部分。

不仅仅是去年收购Deep通关摩呼罗迦部就可以解锁新橙色剑心腾蛇。 腾蛇（剑尊）：无兑换上限。初始属性为闪避等级+250 韧性等级+250。满级属性为闪避等级+600 韧性等级+600。兑换条件为莫邪Lv10Mind的谷歌，还是拥有50人AI实验室的Facebook，都看到了这样的潜力。在最近的大潮中，几乎有六分之一的YC公司正在试行机器学习，而IBM则为Watson 风险估测超级计算机 的成功押下了数亿美元。

有上千个公司正在利用基础设施来操控或洞察大数据。他们正基于对可编程数字化数据的分析来进行预测、推荐或执行任务。

我想在此来共享一些尝试建立商业AI应用的创业者们需要面对的挑战，以及一些公司是如何试着克服这些挑战的。选择、完善与结合他们的算法仅仅是成功创业者们深思熟虑的策略中的一小部分。其他重要的因素还包括：

为特殊数据建立私有连接可以为基础数据训练集建立基本。

对直觉的产广西交投在银行间债券市场发行了15亿元短期融资券。其募集资金主要用于 补充公司流动资金和置换银行借款生有着清晰的认知，以及可以从数据中收集意义或估测需要人工分类数据的捆绑软件。

如果可能，建立一个数据模型，适应新出现的数据源。

一个训练有素的团队可以写出或改写公用算法，为了目标选择正确的算法，并结合算法优化结果。

几年前，任何类型的数据分析都会被贴上 数据科学 的标签。今天，AI也作为一个标签广为采用，有些时候甚至文不对题。因此，首先要考虑什么可以被叫做AI。

现在的商业化应用是AI 狭窄 或 虚弱 形式。这意味着机器只专于某一个方面，并不能像人类（最常见的AI）一样类比推广。狭窄的AI是基于最熟悉的技术，并第一次用于商业化。而真正的AI可以很快地成为一个为人了解的数据科学技术。

一个很接近的方法便是 深度学习 ，数据输入在此并不被预先描述。反之，模式首先了解数据（以及数据结构），然后，利用多层非线性反馈，学习数据的重要特性，甚至自我修改。

这种技术已经出现了20多年，但它的数据集中模式需要相应计算能力的广泛接入，后者到最近才得以实现。伦敦的创业团队Improbable是利用大型计算能力与深度学习来模拟复杂环境 从开源游戏世界到真正城市 最令人激动的实例。

但许多我们遇见的企业仍然想要将机械学习（ML）结合到他们的技术中。对于这些企业的大部分来说，当我们挖掘表面之下的时候，ML并不是一个产品真正重要的部分。在很多的例子中，它只是一个让项目看起来非常高端的导向牌。在另外一些情况下，即使它是真的，那也只是一个入场筹码，并不会为竞争者提供技术上的阻碍。但它也有好的一面，它可以让企业为客户提供与日俱增的精确度与有效率的服务。