全文共2107字，預計學習時長7分鐘
來源：Pexels
在全球疫情進入白熱化的今天，COVID-19似乎對所有AI，機器人技術和無人駕駛汽車初創公司都敲醒了警鐘：停止構建令人眼花繚亂的演示，並談論未來AI普及的可能性。
相反，應該重點部署可以每天24小時不間斷運行、且無需人工干預、能爲用戶帶來真正價值的實際解決方案。
在全球範圍內，處於疫情嚴峻局面的美國，數百萬的美國人已經開始居家工作。從衛生紙到洗手皁，恐慌的消費者在囤積這些物品時，零售商面臨供應緊張的局面。
前兩個月，中國疫情關鍵時期，京東便開始在武漢測試4級自動送貨機器人，並每天24小時運行其自動化倉庫，以應對需求激增的情況。
突然間，自動化機器不再是紙上談兵。它們不能依靠現場工程支持來應對極端情況。自動化機器必須足夠強大，才能在各種現實情況下獨立工作。
某種程度上講，COVID-19加速了未來自動化時代的到來。它暴露了AI風險投資領域中長期存在的問題：流行語和炒作雲影響人們的判斷力，很難看到真正的進步。
該行業需要在以下三個領域對實際的自動化系統進行迫切改革：
來源：Pexels
1.重新設計錯誤處理和通信
最近Starsky Robotics倒閉事件提醒我們，全自動解決方案還有很長的路要走。這並不意味着AI機器人技術無法爲人類帶來直接價值。即使人類需要在15％的時間內處理極端案例，仍意味着AI公司可以減少大量人工和集成成本。
然而，目前人工智能公司傾向於在構建自治系統上花費更多的資源，而在錯誤處理和機器與人之間的無縫切換方面花費的時間則少得多。
需要一種更好的方法去處理和傳達錯誤，尤其是對於ML產品，因爲ML的概率更高且透明度更低。因此，顯示模型預測的置信度或者將預測作爲建議而不是決策是獲得用戶信任的方法。
需要將錯誤歸爲不同級別，相應設計不同協議，優先考慮最小化致命錯誤，使系統停止運行並需要人工干預。如果發生致命錯誤並且系統無法正常工作，能否迅速做出響應並進行遠程故障排除？
最困難的是識別不可知的未知數，即系統無法檢測到的錯誤。因此，雙向通信並允許用戶標記錯誤或選擇激活先前商定的後備計劃也至關重要。
2. 重新定義人機交互
冠狀病毒迫使AI公司更迅速地採用自動化並轉移到雲中。隨着控制大量機器人的人數下降，是否擁有合適的工具和技術來將所有相關信息迅速傳遞給決策者？每個機器人上是否有足夠的傳感器可以提供完整的圖像？現今依賴諸如計算機或平板電腦之類的觸覺輸入控制機器人。當信息量猛增且響應時間仍然很短時，這些接口仍然是最佳界面嗎？是否應該重新考慮觸覺以外的人機界面，例如語音，VR / AR或腦機界面？
還需要確定控制者。隨着機器越來越智能化，我們應該始終進行最終決定嗎？
例如，應該由誰控制自主機器人？是汽車本身？人類安全駕駛員？遠程監控者？乘客？又是在何種情況下？應該由人和機器權衡之後共同做出的決策？有什麼道德意義？該界面可以支持多步決策嗎？
最終，如何設計以人爲本的AI，才能確保自動化機器使我們的生活變得更好而不是更糟呢？如何自動化正確的用例來增加人員數量？如何建立一個多樣化團隊，以產生更好的結果並允許人與機器相互學習？
需要回答的問題仍然多。當前的流行病促使我們更快地回答這些問題，以便將來的自動化系統可以兌現承諾。
來源：Pexels
3.重新考慮指標
隨着越來越多的人工智能機器運用於現實生活中，速度、週期或者成功率等常規指標不再代表全部內容。需要用平均人爲干預次數等穩健性指標來衡量系統在不確定性情況下的可靠性。
由於實際生活與受控環境不同，以及不可預測性，需要使用更多工具和更廣泛的行業標準來評估廣泛場景中的整體系統性能。
如果送貨機器人能達到最高時速4英里，但沒有人力支持就無法完成單獨送貨，那該機器人並沒有爲用戶創造價值。
幾年前DevOps 誕生，縮短了開發週期，並不斷交付高質量的軟件。與軟件工程相比，人工智能和機器學習還不夠成熟。87％的機器學習項目從未投產。但是，最近越來越頻繁地看到MLOps或AIOps。
這標誌着從人工智能/機器學習到每天使用和試驗的真實產品的重要轉變。這需要產生觀念上的重大改變，專注於質量保證，而不是最先進的ML（機器學習）模型。我並不是說不能同時擁有這兩種產品，但是到目前爲止，已經看到了對後者的更多重視。
來源：Pexels
相信如果這些系統的製造商能夠重視上述的三個領域，將可以更準確且快速地得出關鍵結論。這將確保我們朝着正確的方向前進。
留言 點贊 關注
我們一起分享AI學習與發展的乾貨
歡迎關注全平臺AI垂類自媒體 “讀芯術”
（添加小編微信：dxsxbb，加入讀者圈，一起討論最新鮮的人工智能科技哦～）