近90%的人工智能公司处于亏损状态 下篇

人工智能公司--“小数据”增加

杨刚建议联邦学习通过数据碎片化解决人工智能着陆问题。联合学习是由多个数据方组成的联盟，以参与全球建模。基于数据保护和模型参数，各方只共享模型的加密参数，这样在共享模型时可以取得更好的效果。

杨教授认为，联邦学习可以分为横向联合会和纵向联合会。横向联合是指具有相同数据级别和不同ID级别的公司，这些公司在消费者应用程序中更为常见。垂直联合是指企业中所有字段中数据的ID级别相同，但数据级别不同，因此在B端应用程序中更常见。

例如，对于保险行业中的个性化保险价格，互联网公司和保险公司在数据方面进行合作。这种合作数据的ID聚合相当大，数据特征级别大大提高，大大提高了模型的个性化价格效果，为保险公司带来了8倍的覆盖率和1.5倍的利润率。

就横向联合学习而言，手机行业的服务器端构建小型模型，在本地加密和上传，但看不到内容。组装模型以更新云模型，并与手机共享新的通用模型以帮助用户自动显示图像。这不仅保护了用户的隐私，还允许他们学习和更新模型。

杨教授认为，联合学习的最大优势是确保数据不外流，通过生态学选择不同行业的合作伙伴，并利用群体智能不断提高模型效果。因此，联邦学习应该是一个多党合作联盟，生态建设非常重要。

考虑到人工智能落地的困难和盈利能力，Uenda认为，在期望人工智能为公司带来利益之前，应该避免几个陷阱。首先，人工智能技术将影响许多公司的核心业务。因此，选择项目很重要。从一个小项目开始，你可以打好基础，帮助团队获得动力。

其次，团队建设不仅要依靠明星工程师，还要建设一支完整的、跨学科的职能团队。此外，不要指望人工智能会立即产生影响，但要经常为人工智能发展的收益曲线制定适当的预算。对于AI项目团队来说，与其使用传统流程来评估AI项目，还不如设定适当的KPI和目标。

吴恩达表示：“尽管与人工智能相关的应用越来越多，但企业转换人工智能公司并不像开发应用那么容易。不要指望人工智能解决所有问题，也不要指望人工人工智能项目一下子就能成功。”