亿欧报告显示，2018年整年，近90%的人工智能公司处于亏损状态，而10%赢利的企业基本是技能供应商。
从谈观点、讲技能，到拼场景、抢落地，建立在大数据根本之上的人工智能，仍面临数据本身带来的寻衅。

数据割裂致使落地难

“我们常常提及大数据，但事实上我们并不须要那么多的数据，AI未来的一个趋势是小数据崛起。
”在市北·GMIS 2019环球数据智能峰会上，斯坦福大学教授、Landing.ai创始人、CEO吴恩达表示。

一个详细的案例是工厂手机屏幕划痕检测。
目前不少是利用人眼来检测手机是否存在划痕，如果拥有100万个划痕手机，AI可以非常高效地识别手机划痕。
但现实情形是没有任何工厂会有几百万不同划痕的手机，这个时候小样本学习（few shot learning），即利用较少的数据得出同样准确结论的人工智能，将有助于推动全体领域的发展。

小样本学习的急迫性更在于落地过程面临的数据孤岛、数据隐私保护导致的数据割裂问题，让AI技能很难充分发挥代价。

“和AI用于比赛须要上千万的图片演习不同，当AI深入行业我们看到的数据每每是小数据和细碎的数据，也便是没有联通起来的数据，再前辈的AI技能也很难用上。
”国际人工智能学会理事长、喷鼻香港科技大学教授、微众银行首席人工智能官杨强说道。

今年5月，国家互联网信息办公室发布了《数据安全管理办法（搜聚见地稿）》，提出在中国境内利用网络开展数据、存储、传输、处理、利用等活动，以及数据安全的保护和监督管理见地。

杨强认为“中国版GDPR”即将到来，数据隐私在走向严格化、全面化，这使得企业在实际运用中可以利用的数据维度和范围并不大。
数据隐私保护的趋严，为人工智能技能升级供应了契机。

以保险行业利用AI进行个性化定价为例，背后须要业务数据和用户互联网行为数据领悟，空想的状态是可以拿到非常丰富的用户画像，与用户的ID高度匹配，但实际情形迫于隐私、安全、法规等缘故原由，企业可以运用的数据是非常有限的。

再例如在小微企业贷款运用方面，AI须要引入票据数据、资产数据、舆情数据等，但由于数据的割裂，实际运用中只能利用一些政府的数据，例如央行的征信报告，但这些报告只能覆盖不到10%的人群。
这一问题在医疗领域更为明显，不同医院的医疗影像数据很难汇聚到一起，形成大数据来演习一个医疗模型。

“小数据”崛起

针对数据割裂带来的人工智能落地难问题，杨强提出了联邦学习。
所谓联邦学习，是多个数据方之间组成一个同盟，共同参与到全局建模的培植中，各方之间在保护数据隐私和模型参数根本上，仅共享模型加密后的参数，让共享模型达到更优的效果。

据杨强先容，联邦学习分为横向联邦和纵向联邦，横向联邦是指企业各方数据维度相同、ID维度不同，更多存在于消费者运用中；纵向联邦是指企业各方数据的ID维度相同（样本重叠）、数据维度不同，更多存在于B端运用。

例如针对保险行业的个性化保险定价问题，一家互联网企业和一家保险企业进行数据互助，这种互助数据的ID重合度相称大，数据特色维度大大增加，使模型的个性化定价效果显著提升，为保险企业带来8倍覆盖率提升和1.5倍利润率提升。

横向联邦学习方面，在手机行业，通过在本地建立加密上传的小模型，做事器端看不到内容却可以把模型汇聚起来，进行云端模型的更新，新的通用模型再开释给手机，帮助用户自动化进行图片标注。
这样既保护了用户隐私，也可以进行模型学习和更新。

杨强认为联邦学习最大的上风是担保数据不出户，通过生态在不同行业选取互助伙伴，用群体智能不断提升模型效果。
因此联邦学习一定是多方共同协作组成一个同盟，生态的培植十分主要。

面对AI落地难、盈利难问题，吴恩达则认为，在期待AI为企业带来红利之前，企业须要避免几个陷阱。
首先AI技能会影响很多企业做业务的核心，以是选择项目是非常主要的，从小的项目开始，可以建立好的根本，同时帮团队得到动能。

其次团队培植不能仅依赖明星工程师，而是要建立一个完善的、跨学科、跨职能的团队。
同时不要期待AI急速产生浸染，而是要多次考试测验，对AI发展的回报曲线进行合理预算。
不要利用传统的流程评估人工智能项目，该当为AI项目团队设立得当的KPI和目标。

“有关 AI 的运用越来越多了，但企业的 AI 转型并不是开拓一个 APP 这么大略，不要指望AI办理所有的问题，也不要指望AI项目一次性就成功。
”吴恩达表示。