美国专利商标局(USPTO)于10月27日发布的一份新报告显示,在2018年所有新的技术发明中,有42%的发明涉及到了人工智能。
这些发明大部分都来自于知识处理和计划/控制领域,即分析信息以获取新见解以及利用这些见解来管理业务流程。
首席信息官们仍然在谈论人工智能技术的重要性,但是这份新的报告则表明,如果企业还没有将这些言谈付诸实践,他们就将落后于潮流。因为这些统计数据只到2018年的年底,所以对于那些还没有开始采用这种技术的公司来说,落后的风险只会比报告里显示的更大。毫无疑问,在过去的18个月中,包括人工智能在内的技术的使用率一直在增加。
这份报告还证实企业高层对这种技术的兴趣正在增长,而且也更愿意考虑包含这些技术的新应用。该领域之内绝大部分的发明都可以被视为软件,一直到最近,申请人都很难获得这类创新的专利。可是,情况似乎已经发生了改变。
在这份报告中,美国专利商标局(USPTO)定义了八种组成人工智能技术的组件技术。首席信息官们应仔细研究其中的每一项,并决定如何将它们纳入现有或未来工作流程之中。下面列出的六个领域对于首席信息官们来说至关重要,他们应该对这些领域认真考虑。这些领域是按照美国人工智能专利申请数量从高到低的顺序排列的:
1.规划/控制——这类技术涵盖了工作流分析和检测可能发生的问题的方法。这个领域的例子是通过视觉、声音或者其他环境条件在生产工厂里检测潜在问题,然后用一个专家系统来识别并解决出现的问题。涉及到供应链优化的企业应该对这种人工智能的形式特别感兴趣,因为它们可以提高其系统的效率。
2.知识处理——这可能是首席信息官们在考虑使用人工智能技术时首先想到的事情,这个领域的例子通常是大数据的概念和数据科学学科。该技术涉及大量数据的分析,以获取可用于自动化系统的见解。该技术的实际用途包括大型银行或保险系统中用于自动检测的欺诈或会计错误的软件。使用计算方法来帮助实现大型数据收集的组织需要使用此技术进一步使其系统自动化。
3.人工智能硬件——《福布斯》杂志上最近的一篇文章就涉及了这个主题。尽管绝大多数的首席信息官们所服务的企业并不创建人工智能硬件,但是他们在考虑资本计算预算的时候,肯定会考虑到这方面的问题。
4.视觉——目前,受到这类技术影响最大的是医学领域,在这个领域中,图像处理技术可以帮助诊断并发现异常。该技术还可以被用于实现供应链优化,以保障装配和包装生产线的质量控制。
5.机器学习——这是另一个广为人知的名词,也是一个引起了人们极大兴趣的领域。它与知识处理存在着一些重叠,但是美国专利商标局(USPTO)将机器学习定义为可以从数据中学习的计算模型,这是很宽泛的一类模型。所有的技术公司都应该研究机器学习的方法,以提高其数据分析的能力并且提升其从数据中获取见解的能力。
6.语音——在语音识别方面,人们会想到Alexa、Cortana和Siri。尽管如此,该领域的人工智能还经常被用于自动响应系统中,该系统可帮助将客户转接到适当的客户代表那里,以帮助他们解决可能遇到了的问题。它还可以被用于帮助了解呼叫者的脾性,并为客户代表提供建议,帮助他们更好地位客户解决问题。
进化计算和自然语言处理是这八大技术领域的基础,这是当前技术进步的基础,但是对于首席信息官们和基于技术的组织来说,现在已经对这些基础没多大兴趣了。
通过了解这些技术组件的列表,首席信息官们可以看到很多领域,这些领域可能会因为将人工智能技术纳入到企业的标准操作程序之中而为企业带来竞争优势。考虑到专利授予率已经出现了上升,现在就是为人工智能创新寻求专利保护的最佳时机。首席信息官们需要继续考虑人工智能组件技术,并与他们的团队合作,以确保在公司中实施它们。
好文章,需要你的鼓励
过去七年中,基于机器学习的AI工具几乎完全自动化了地震学的基础任务——地震检测。AI模型能够检测到比人工分析师更小的地震,特别是在城市等嘈杂环境中。斯坦福团队开发的地震变换器等模型使用一维卷积和注意力机制,在包含120万个人工标记样本的数据集上训练。这些工具通常能发现比传统方法多10倍以上的地震,为火山结构成像和地质研究提供了更全面的地震目录。
卢森堡大学研究团队开发的RLDP框架首次将强化学习应用于差分隐私优化,创造性地解决了AI训练中隐私保护与模型效果的矛盾。该方法如同智能教练,能动态调整隐私保护策略,在四种语言模型上实现平均5.6%的性能提升和71%的训练时间缩短,同时增强了抗隐私攻击能力,为敏感数据的AI应用开辟了新路径。
杰斐逊城市医疗集团作为密苏里州中部最大的多专科医疗服务机构,正在使用AI管理会议、简化临床文档和优化医疗流程。该集团在联络中心AI应用方面较为谨慎,担心完全数字化会影响患者体验。CIO表示未来会在统一通信平台集成AI,但部署时机将由医疗专业人员决定。目前已采用AI辅助临床文档记录和会议管理功能。
腾讯混元团队联合北京大学提出MixGRPO技术,通过混合ODE-SDE采样策略和滑动窗口机制,将AI图像生成训练效率提升50%-71%,同时在多项人类偏好评估指标上超越现有方法。该技术采用"从难到易"的渐进优化策略,专注于图像生成早期阶段的重点优化,并引入高阶求解器进一步加速训练过程,为AI图像生成的产业化应用提供了更高效可行的解决方案。