前几年，有一类话题非常火：「在 xx 行业，AI 正在取代人类」。但随着人们对现阶段 AI 发展的认识逐渐趋于理性，这类话题正变得越来越少。取而代之的是：「AI 能增强或延伸人哪方面的能力？」「AI 和人一起能解决哪些问题？」
这种期望的下调是必然的，毕竟凭借当前的弱人工智能是不太可能造出《西部世界》里那种高度智能化的「接待员」的。《深度学习》一书作者、被称为「世界 AI 之父」的特伦斯 · 谢诺夫斯基（Terry Sejnowski）也早在 2019 年就说过，「在未来，人类与机器将是合作而非竞争关系」。
如今，这种观点正在被越来越多的业内人士所接受，「协作智能（Collaborative Intelligence）」的概念也开始受到更多关注。澳大利亚最大的国家级科研机构——CSIRO 首席研究科学家 Cécile Paris 甚至指出，「（协作智能）将成为数字化转型的下一个科学前沿」。
Cécile Paris 等人认为，要想更好地发展「协作智能」，我们必须重新思考工作流程和过程，以确保人类和机器相互补充。此外，探索机器如何帮助人们开发新的技能也是一个重要方向，这些技能可能在各个领域的劳动力中都有用。在国内，这种思考其实也早就已经开始了，尤其是金融、保险等直接服务于人的行业。这些行业在 AI 的应用上走过一些弯路。比如，对外，智能客服、智能投顾曾经风靡一时，但无论是从客户满意度还是业务深度来看，这些工具都无法满足企业的需要；对内，每个企业可能都有专门的数据分析师，他们直接和企业的数据中台（机器）打交道。但业务线一多，「机器 - 数据分析师 - 业务人员」的管道就会因数据分析师不够而堵塞。这就显示出了优化人机合作流程和过程以及帮助普通业务人员开发新技能的重要性。而这件事，其实已经有很多企业在做了。在前段时间的一个发布会上，国内首家互联网保险公司众安保险展示了两款旨在解决此类问题的新产品。这两款产品的背后浓缩了该公司多年以来对变革人机合作方式、赋能普通业务人员的思考。如果把企业的资源配置比喻成排兵布阵，那人与机器可能是两种完全不同的兵种。骑兵可以在辽阔的草原上所向披靡，但一旦进入丛林就不如步兵显得灵活。同理，机器可以 24 小时不间断工作，处理海量的数据，但并不善于直接与人沟通。因此，在引入机器之前，先弄清楚哪些环节最适合机器才是当务之急。在自身的客服、外呼等场景中，众安把这个问题梳理了一下：先前很多的智能客服之所以并不成功，是因为过分夸大了机器的作用而忽略了人的灵活性和创造性。于是，这次，他们把人和机器的位置重新安排了一下：机器负责 24 小时「站岗」，源源不断地从文本、语音交互数据中挖掘客户意图、情绪等信息，然后把发现的问题交给人去解决。这就是众安此次推出的用户交互挖掘平台——鲸探的核心思想。和之前的很多交互机器不同，鲸探的任务主要在于「发现」，就像鲸在海洋中搜寻猎物一样。它会试图弄清楚几个问题，比如客户是什么人？想办什么业务？问题有没有得到解决？有没有负面情绪产生？会不会投诉？需不需要向其介绍新产品？这些都浓缩成了一个名为 CIREO 的分析框架。为了弄清楚这些问题，鲸探的背后综合了深度语义理解、多模态机器学习、大规模预训练、知识蒸馏、图优化、模型压缩等 AI 领域的各种流行技术。
在弄清楚这些问题之后，鲸探并不是直接着手去解决，而是将其贴上标签（投保、咨询、退保、理赔、续保等）、生成图表（意图排行榜、客户分群图、情绪晴雨表、舆情云图等）供各个部门（如销售、客诉）参考。至于下一步该怎么做，就由人来决定了。这种新的人机合作方式帮众安将投诉率降低了 30%，也让业务实现了「从名单到客户」的转变。这种排兵布阵透露的是作为一家 AI 应用公司的众安对于投入产出比的考量。该公司首席数据官段朝阳谈到，「在 AI 应用场景的选择上，市场中出现了一些比较极端的状况，一种状况是大家都在集中去做非常难的、复杂的场景，比如完全无人驾驶的汽车，或者完全用机器去替代人，去跟客户互动，这个是需要非常大的投入去做的」。在他看来，「分清技术的边界、理论的边界和实际应用的边界」非常重要，这使得众安选择了「合适的、投产高的点去切入」。鲸探就是一个很好的例子。
在完成人与机器的排兵布阵之后，企业还有一件事要做，就是打破二者之间的次元壁。计算机诞生之初，普通人虽然也能享受技术进步带来的变革成果，但却很难直接与其交互，参与到价值的创造中去。AI 落地初期也面临这一挑战。为了打破这一次元壁，人们做了很多努力，低代码就是其中比较流行的一种。低代码并不是一个新概念，20 年前就已经有了类似的模式。进入「数智化」时代，企业内部需求越来越丰富多变，这一概念又收获了新的关注。但由于行业场景多且复杂，很难有一个通用的平台能覆盖所有行业、满足所有用户需求。众安所在的互联网保险行业更是如此。在众安内部，对低代码需求最迫切的场景就是数据分析。因为很多时候，他们的业务人员不仅要求知道发生了什么，还要知道为什么发生（归因），以及未来会怎样（预判）。这种「从看见到预见」的分析需求是非常重的：每条业务线上的每个环节可能都有不同的分析需求，不同的管理层级关注的数据维度也各不相同。但是，有能力承接这些需求的分析师数量是有限的。如果能将这种与机器沟通的能力扩展至每个业务人员，分析效率将大大提升。于是，他们便自己搭建了一个名为「集智」的低代码平台。它允许业务人员以拖、拉、拽的方式创建自己的数据分析框架，减轻了对数据分析师的强依赖。为了提高它的易用性，开发人员还在刚刚发布的集智 2.0 版本中新增了轻部署、多终端可用的特性，并预设了十大场景的模板，使得业务人员只需要通过简单的四步就可以生成数据模型和可视化看板。借助这一平台，众安内部的数据分析效率提升了 50%，人力成本降低了 40%。
在众安，类似的重新定义人与机器关系的应用还有很多，它们以及与之配套的算法、平台、保障共同构成了一个大框架——众安数智化赋能方法论 4633。在这套方法论中，算法层囊括的是一个一个的原子能力，是未经封装的机器。平台将这些机器打包成模块，供业务层以搭积木的形式调用，从而实现加增量（获客、加复购、挖掘用户价值）、减损赔（风险控制）、优运营（提升运营决策效率）、拓市场（为业务创造新产品，如新险种）的应用价值。更重要的是，这套方法论以及其中的产品（包括鲸探、集智）不止应用于众安内部，还通过轻咨询服务、平台建设、模型应用三个维度面向行业输出。
在此方向上，国外的探索也在同步进行，比如上面提到的 Cécile Paris 所在的团队。11 月 30 日，她和其他科学家成立了一个预算 1200 万澳元（约合 5442 万元人民）的未来科学平台——CINTEL（Collaborative Intelligence 的缩写）。通过这一平台，他们将探索人和机器如何一起工作和学习，以及这种合作方式如何改善人类的工作。无论是重新思考人与机器的排兵布阵，还是打破人与机器的次元壁，本质上都是通过流程、过程等方面的创新来找到更好的人机协作方式。在国家新一代人工智能发展研究中心专家委员周伯文博士看来，人与 AI 的深入协作将为成为产业数智化的核心。他将人与 AI 的协作分为三个层面，一是 AI 帮人类从简单、重复、枯燥的工作中解脱出来；二是 AI 和人协同有增强作用，依靠 AI 能力帮助人类提高工作效率；三是在足够多的数据和观察基础之上，基于 AI 重塑工作流程，完成创新协作。从众安等企业的努力来看，国内企业已经在这些层面上取得了一些成果，但在通往全面数智化的路上还有很多要理清的东西。https://techxplore.com/news/2021-11-secret-ai-doesnt-job.htmlhttp://www.news.cn/english/2021-11/30/c_1310342090.htmhttps://baike.baidu.com/item/%E6%95%B0%E6%99%BA%E5%8C%96/56172035?fr=aladdinhttps://www.jiemian.com/article/5965239.html© THE END
转载请联系本公众号获得授权
投稿或寻求报道：content@jiqizhixin.com