吴恩达（Andrew Ng）是深度学习技术的先驱者之一。所谓深度学习，就是将大型神经网络应用于人工智能领域。就广大企业应该如何利用人工智能技术的问题，吴恩达也是最有发言权的专家。吴恩达创办了一家名为Landing AI的公司并自任首席执行官。这家公司的软件，可以让即使不懂编程的人，也能够轻松构建和维护AI系统。这样的话，几乎所有企业都可以使用AI技术了——尤其是计算机视觉应用。目前，一些大型生产商，例如工具制造商史丹利百德（StanleyBlack & Decker）、电子产品制造商富士康（Foxconn），以及汽车零部件制造商电装公司（Denso）都已经成了Landing AI的客户。

吴恩达是所谓“数据中心型AI”的倡导者。他认为，随着开源数据的普及和先进人工智能研究的发表，尖端人工智能技术也变得越来越普及。企业就算请不顶尖院校的计算机博士，也并不难获得尖端的人工智能软件代码，而且这些程序与谷歌（Google）或者美国国家航空航天局（NASA）使用的AI程序可能是一样的。那么，为什么有些公司能够成功应用AI技术，有些公司则不能？最大的区别在于，你用什么数据来训练这个AI算法，这些数据又是如何收集、处理和管理的？吴恩达告诉我，所谓的“数据中心型AI”，就是要对数据进行“智能量化”，用尽量最少的数据来构建一个成功的AI系统。他认为：“向数据中心型AI的转型”是当今企业需要进行的最重要的转型，只有这样才能充分发挥人工智能的优势。其重要性不亚于上一个10年向深度学习技术的转型。

吴恩达指出，如果数据准备得当，那么一家企业实际需要的数据，就可能远远少于它们的想象。有了正确的数据，哪怕企业只有几十或者几百个事例，训练出的AI系统也将十分好用，丝毫不亚于那些消费互联网巨头用几十亿个事例训练出来的系统。他表示，将AI技术拓展到互联网巨头以外的企业的好处之一，就是可以使用更小的数据集进行有效训练。

那么，什么样的数据才是正确的数据？吴恩达认为，首先要确保数据的“y系一致性”。也就是说，某个事物是否会收到某个明确的分类标签，对此必须有十分明确的界限。（比如，某家制药公司如果想用AI程序寻找药片上的瑕疵，那么，这家公司就应该将小于一定长度的划痕明确定义为“无缺陷”，超过这个阈值的划痕则被标记为“有缺陷”，那么这个系统只需要少的训练数据就能够表现得很好。）

吴恩达表示，要想减少数据不一致的情况，企业可以将一个训练数据集里的同样图像分配给不同的人来标记，如果他们的标记结果不一致，设计系统的人就能够进行更正，或者干脆从训练数据集里撤掉这个事例。吴恩达还建议，那些编制数据集的人应该对标记方法做好说明，并特别要对一些模楞两可的事例做好追踪，因为它们有可能导致标记不一致的情况。任何不清晰或者容易导致混淆的事例都应该从数据集里剔除。最后，企业应该分析人工智能系统的错误，看看哪些子集中的事例最容易让系统出错。有的时候只要在关键子集里添加一些事例，比“大水漫灌”似的添加数据更容易提高系统的表现。他还指出，AI用户应该把数据编制、数据改进和利用新数据反复训练AI作为一个持续的循环过程，而不是一个一劳永逸的过程。

咨询公司埃森哲（Accenture）最近发布的一份关于人工智能应用的报告，也将AI模型的构建与训练看作一个持续的循环，而不是一个一劳永逸的过程。该研究发现，在它调查的全球1200家公司中，只有12%的公司将它们的AI系统升级到了提高增长和业务转型速度所需的程度。（还有25%的企业也推进了AI系统的部署，其他公司基本上还处于试点阶段。）这12%的公司与其他公司的区别在哪里呢？首先在于它们有“工业化”的AI工具和流程，而且打造了强有力的AI核心团队。此外还有一些组织上的因素，例如公司高管将AI作为战略重点、大量投资于AI人才、从一开始就负责任地设计了AI程序，以及充分重视短期和长期AI项目，等等。（财富中文网）

译者：朴成奎