1、 首先是对准确率的要求。对准确率要求高的场景对人工智能的挑战更大,就比如钢铁厂的例子,钢材的评级会直接影响钢材的价格,如果使用人工智能来识别钢材就要保证很高的准确性。 反之对于网店客服的场景,在人工客服应接不暇的时候使用智能客服,可以极大的缓解客户打客服电话打不进的问题,这时对回答问题的准确性就不做过高的要求了。 同理在现阶段疫情流调的场景下,先通过人工智能进行第一轮的筛选,就会很大程度节约人力成本。 2、 第二是鲁棒性。人工智能的鲁棒性较弱,很多在测试阶段表现良好的数据,在实际场景应用 中由于加入了一些随机噪音而变得很不稳定。 3、 第三是样本量。程璟认为在规模性的场景,数据量积累比较多的场景,人工智能的实践效果 会比较好。比如在偏互联网的场景里面,数据积累成本低、数量大,可供学习的样本量就相对更多,人工智能的应用效果也会更突出。 反之对于一些政企场景,由于数据量少而复杂,对人工智能应用的挑战就会更大。
答复内容摘自《思维的边界 认知智能》,这本电子书收录开发者藏经阁 下载连接:https:https://developer.aliyun.com/topic/download?id=8227
版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。