详细内容或原文请订阅后点击阅览
通过大规模和生产中的人工智能推理实现价值
训练人工智能模型来预测设备故障是一项工程成就。但直到预测与行动相结合——模型成功标记出故障机器的那一刻——真正的业务转型才会发生。一个技术里程碑存在于概念验证平台中；另一个对利润做出了有意义的贡献。克雷格·帕特里奇 (Craig Partridge)，Digital Next 全球高级总监……
来源:MIT Technology Review _人工智能达到下一阶段需要采取三部分方法：建立信任作为运营原则，确保以数据为中心的执行，以及培养能够成功扩展人工智能的 IT 领导力。
信任是可扩展、高风险人工智能的先决条件
可信推理意味着用户实际上可以依赖从人工智能系统获得的答案。这对于生成营销文案和部署客户服务聊天机器人等应用非常重要，但对于风险更高的场景（例如，在手术期间提供协助的机器人或在拥挤的街道上行驶的自动驾驶汽车）绝对至关重要。
无论何种用例，建立信任都需要加倍提高数据质量；首先，推断结果必须建立在可靠的基础上。这一现实体现了帕特里奇的一句口头禅：“错误的数据输入等于错误的推断。”
Reichenbach 引用了一个现实世界的例子，说明当数据质量达不到要求时会发生什么情况——人工智能生成的不可靠内容（包括幻觉）的增加，阻碍了工作流程并迫使员工花费大量时间进行事实检查。 “当出现问题时，信任就会下降，生产力就无法提高，我们想要的结果也无法实现，”他说。
另一方面，当信任被正确地设计到推理系统中时，效率和生产力就会提高。组建一个网络运营团队，负责排除配置故障。有了值得信赖的推理引擎，该部门就获得了一位可靠的副驾驶，可以提供更快、更准确、定制的建议——“这是他们以前没有的团队的 24/7 成员，”帕特里奇说。