人工智能能解决你的问题吗？’ (Rén gōng zhì néng jiějué nǐ de wèntí ma?)
人工智能：能应对你的问题吗？' (Rén gōng zhì néng yìngduì nǐ de wèntí ma?)
三个简单启发法，用于识别AI合格的项目创意
在一个旨在将AI能力应用于产品和服务中的产品组织中，始终面临着将非AI文盲引入AI列车的挑战。虽然并不是每个人都需要成为AI专家，但有尽可能多的人提供关于利用AI的力量推动公司进入下一个级别的想法和可能性是必要的。这尤其适用于领域专家和产品人员，他们对他们的产品和服务试图解决的问题以及了解麻烦的地方有深入了解。
我了解到的一个普遍存在的挑战是“我们可以用AI解决哪些问题？”这个基本问题，当非专家提出时，令人惊讶地难以回答。所以我想出了三个启发式问题，当你遇到一个问题，想知道“这个问题可以用AI解决吗？”时，你可以使用这些问题。如果你对这三个问题都回答“是”，那么你可能会发现自己有机会开始一个AI项目。
问题 1：你可以说出来吗？
你可以把AI想象成一个回答问题的神谕。你要考虑的是：
你是否能用书面方式表达出你想要得到答案的问题？
当然，这是应用于你想做任何事情的一个测试。如果你想做某事，但你无法确切表达出你想要的是什么，那么你可能真的不知道你想要什么。启动一个AI项目也不例外。
向AI提问的例子包括：
- 这张图片中有一只狗吗？
- 明天的天气如何？
- 下周的彩票号码是什么？
所有这些都是明确提出的问题。但并非所有问题都能得到答案，所以我们需要另一个测试。
问题 2：它是否存在？
我们可以将这个神谕想象成一个将问题映射到答案的函数：
左边的圆圈包含所有问题，右边的圆圈包含所有答案。神谕是将问题发送到答案的函数。接下来要问自己的问题是：
这个函数存在吗？
这可能看起来很奇怪，而且它变得更加奇怪：你应该在一个形而上学的层面上提出这个问题 – 这个函数是否有任何理论上的可能性存在？让我们来看一些例子：
我们都见过AI回答“图片中的狗”这个问题，所以我们知道这个函数存在。我们也看过天气预报，所以我们知道在某种程度上是有可能预测明天的天气的。但是没有办法预测下周的彩票号码。这是因为彩票被安排得目的就是为了使这个函数不存在。它是不可能的。这就是我所说的“在形而上学的层面上”。
为什么这一点很重要？因为机器学习（我们制作AI的方式）是通过从示例中学习来尝试近似函数。
如果我们有很多关于函数（即oracle）应该如何行事的例子，我们可以尝试学习这种行为，并尽可能地模仿它。但是你只能近似存在的函数。
诚然，所有这些都有点抽象，所以我建议用以下元启发式方法替换它：
一个知情的人能胜任这项工作吗？
从形而上学的角度来看，如果给定了世界上所有的信息和无限的时间，一个人可以回答这个问题吗？显然，人们在识别图片中的狗方面非常擅长。人们确实开发了天气预报，并且也能做这种工作。但是，我们不能预测下周的彩票号码。
如果你迈入了这一步，两次回答了”是”，你拥有了1)一个问题，2)你知道，至少在理论上，可以回答这个问题。但是还有一个框需要勾选：
问题3：上下文是否可用？
这个问题有点技术性。问题的关键在于，oracle函数通常需要比问题本身更多的信息以寻找答案。作为oracle执行这项任务的知情人可能需要额外的信息来做决策或产生答案。我将这称为上下文。
例如，天气预报oracle需要知道当前的气象条件以及几天前的条件才能进行预测。这些信息不包含在短语“明天的天气会是怎样？”中。另一方面，在狗和猫的图片的情况下，上下文位于图片中，不需要其他上下文。
为什么这一点很重要呢？因为当我们训练人工智能时，人工智能会遇到以下类型的问题
然后，人工智能在收到真正的答案之前进行猜测，经过一段时间，人工智能有望学会区分猫和狗之间的区别。但是要实现这一点，必须将区别提供给人工智能以便其学会识别区别。对于图片，这很简单—你只需要确保图片的质量足够好以便进行区分。而对于天气预报，情况就变得更复杂—你实际上必须做出知情的决策来确定对制作天气预报所需的信息有哪些。这是一个最好由领域专家回答的问题，所以你可能需要去寻求一个好的答案。
但是最重要的是：如果给知情人回答问题的信息不足够，那么AI也很难学会如何回答这个问题。你需要那个上下文。
结论
总而言之，如果你希望测试你的人工智能项目想法，看它是否可以通过使用人工智能来解决，你可以尝试回答以下三个问题：
1. 你能用文字表达你的问题吗？
2. 一个知情的人能胜任这项工作吗？
3. 上下文是否可用？
如果你对这三个问题都能回答”是”，那么你准备好进一步了。可能还有一些障碍要克服，也许最终会发现太难。但这是另一篇文章的主题。
祝好运！
真挚的问候Daniel Bakkelund
