我是研发通讯应用人工智能的，对于很多人来说，这个领域的人工智能就等同于各种私人助手，管家，比如 Alexa 或者 Google Assistant。如今在一个通讯平台上，随便捣鼓一些就能拿出来一个类似的人工智能工具出来，但是，是不是真的能够解决问题，那就是另外一回事儿了。

　　要把产品和技术投放到真正能够实现价值的地方，就比如之前所提到的肺部癌细胞的分析预测。

　　3.在研发过程中，你将需要大量的人力支持这是我在 Y Combinator 里面学到的最大的一点收获。除非你现在是一家超大型的公司，像 Google 一样拥有大量的数据，在某些现成的，公共开放的数据上面做文章，否则你还是需要大量的人力支持的。这里的「人力」，我说的是用户，只有用户才能够产生出某一个专属的数据组，从而使得你的算法实现出应有的价值。

　　HealthTap 就是一个非常好的例子。他们在过去的七年时间里开发了一款极为成功的平台，上面有 107000 医生，对接着海量的医疗数据。如今，他们厚积薄发，在去年下半年终于开发出来了一款人工智能技术作为支撑的私人医生：Dr.AI。

　　Tesla 的自动巡航项目同样也是一个非常好的例子，展示了你应该如何利用你现有的用户基础来生成相当规模的数据量，从而支撑你进入到下一个开发阶段。无人自驾驶 AI 并不是终极目标，Tesla 最后要实现的目标就是要达到一个你完全不需要拥有一辆 Tesla 的汽车共享时代。当然，目前 Uber 是汽车共享里面的领头羊，它目前也正在开发自驾驶技术。

　　对了，我们还没有提到还得有人来给机器「教」这些算法。毕竟，就算你有大量的训练数据，你仍然需要人力在流程中去监管，校正模型。当然，随着机器智能的进一步完善，成熟，随着时间的推移，这个人力监管的必要也会降低。但是你要考虑到，你的错误率越低，你要对机器整体智能进行提升的困难程度也越大。至于什么时候真正能够摆脱人为去指导、干预，这得看人工智能投放到了哪个领域，有可能它会花好几年的时间。

　　所以，换句话说，你在项目一开始就必须提前将这些难度给考虑进去，预估出人工智能技术需要多长时间的孵化才可以面世。

　　最后的话：我们是干什么的？以及未来前进的方向业界对人工智能的期望值，或者说人工智能的热度在 2016 年的年尾时达到了顶峰。而在 2017 年的一季度，随着 Facebook 在人工智能上愿景的回收，Apple 也被爆料在 AI 研发领域的进度远远低于人们的期待，似乎 AI 的时髦度开始有所回落。而对我们所研发的「混合式人工智能技术」而言，2017 年是让人无比期待的。

　　我们到底开发的是什么东西？是不是一款标准意义上的 AI 产品？人与机器是如何接合起来的。下面就容我跟大家做一个介绍。

　　我们 Bicycle AI 公司希望通过人工智能技术，去解决一个不同寻常的问题：客户服务。

　　对于任何一家公司来说，客户服务绝对是必不可少的环节。光是在美国，有 260 万人在这份岗位上工作，这同样也是一个劳动密集型行业，而客户服务的进度总是很慢，效率总是很低。

　　在一些大公司里，客户服务工作总是几个小时就交接班，而对于一些小公司来说，来自于市场上的需求是极不稳定的，有时候很高，有时候又很低，公司很难找到与之相对应的客户服务资源，要么忙不过来，要么就是人浮于事。

　　Bicycle AI 提供的一个数字虚拟的「客服专员」，它的背后不仅仅是人工智能技术的支持，还有来自于人力的监管和引导。我们所提供这套解决方案能够保证客户服务工作 7 X 24 小时工作，而且响应速度极快。将所有简单的工作全部扔给它来处理，公司可以将更加宝贵的人力资源投入到具有更高价值的客户身上，更加复杂的售后案例上。

　　为了做到这一切，我们将之前客户服务所展开的对话记录，知识库，产品文档，以及其他资源进行了充分全面的整合。公司拥有 NLU 引擎这个技术专利，能够有效地识别信息输入。而且，当互动的次数越来越多，我们的机器学习算法会让 AI 给出更加精准的回应。

　　以上就是最近我在人工智能领域的一些感想和收获，希望能对大家有用。

转载请注明出处。