算法是一系列包含能夠幫助人解決問題、完成目標任務的規(guī)則的步驟。用正確的方式把這些步驟和規(guī)則組織起來，能夠自動化算法建立人工智能（AI）。AI能夠幫助我們做大量的分析性工作，讓我們把時間集中于更有價值的事情。 AI正在改變我們的職業(yè)、我們的工作方式和我們的企業(yè)文化。AI讓我們得以專注于那些真正關鍵的技術，讓人力資源得以充分發(fā)揮他們的長處。但在工作場景中應用AI確實會讓事情變得復雜，因為有各種不同層級的算法可以用于實現AI，每一類的使用和影響都有差別。為了更好地平衡人力資本和AI資本，本文作者介紹了用于實現AI、大數據、和數據科學的十大類算法，以及它們分別擅長的任務。 1. Crunchers 這些算法使用比較少的重復步驟和較為簡單的規(guī)則處理（crunch）復雜問題。我們給這些算法提供數據，它們就能得出一個答案。如果我們不喜歡這個答案，可以給算法提供更多的數據，讓算法調整答案。Cruncher類算法擅長客戶分類、預估項目持續(xù)時間、分析調查數據等任務。 2. Guides 這些算法為我們怎樣根據成功的歷史操作得出最好的策略、步驟或工作流提供指南（guides）。指南類算法擅長協調大量需要理解并執(zhí)行如風險管理、戰(zhàn)略改變、復雜項目管理等事情的動態(tài)部件。 3. Advisors 這些算法基于歷史規(guī)律為我們提供預測、排名、成功的可能性等，對我們提出最佳選擇的建議（advise）。建議類（advisors）算法擅長提出決策、規(guī)劃和風險緩解方面的建議。 4. Predictors 這些算法使用解釋歷史行為和歷史事件的小型可重復性決定和判斷來對未來的人類行為和事件作出預測。預測類（predictors）算法擅長商業(yè)規(guī)劃、市場預測、品牌管理、健康診斷，以及預測消費者行為、品牌吸引力、欺詐行為、營銷機會、氣候事件以及疾病爆發(fā)等。 5. TacTIcians 這些算法在戰(zhàn)術上（tacTIcally）預先考慮短期行為并作出相應的反應。它們通過應用短期戰(zhàn)術規(guī)則（short-term tacTIcal rules）的組合以及從相關人員中學來的信息做到這一點。戰(zhàn)術類（tacTIcians）算法擅長平衡供應鏈、系統性能、人力工作負荷和生產線。 6. Strategists 這些算法從策略上（strategically）預測行為并作相應的計劃。策略類（strategists）算法根據過去的數據發(fā)掘洞察和創(chuàng)新機會。它們通過應用短期規(guī)則和長期規(guī)則的組合、從相關人員中學來的信息以及這些人在不同的環(huán)境中的反應來做到這一點。 策略類（strategists）算法擅長預測市場需求、客戶流失、工作效率以及員工流失。 7. Lifters 這些算法能夠代替我們自動完成重復性的任務，讓我們能夠專注于更有價值的工作。lifters類算法擅長分析和識別規(guī)則、欺詐行為、風險、改進、轉型、機會和創(chuàng)新等中重復的模式和差距。 8. Partners 這些算法具有我們的領域中的許多專業(yè)知識，能讓我們更高效、更專注。合作伙伴類（partners）算法擅長為我們提出建議、提供訓練，讓我們密切了解市場變化，并調整每日、每季度以及每年的目標。Partners理解我們的行為模式，知道我們何時應該吃午飯，氣溫達到幾度時需要開空調等等。 9. Okays 這些算法在多個領域具有專業(yè)知識，能夠代替我們的團隊完成全部分析工作。算法完成分析后，團隊中的每個人分別根據自己的專業(yè)技能審核分析結果，然后通過（okay）結果。Okays類算法擅長從各個角度深入分析物體構建大型圖像，可用于業(yè)務規(guī)劃、戰(zhàn)略改變、文化轉型等。 10. Supervisors 這些算法對我們的工作具有關鍵作用。它們能夠管理工作者及其業(yè)務，使企業(yè)保持生產效率和財力的強健。監(jiān)督類（supervisors）算法能夠協調人力一起其他算法，幫助我們實現長期的戰(zhàn)略發(fā)展目標。 AI是我們在全球商業(yè)舞臺上生存的關鍵。僅以人類資本參與競爭是不夠的，我們不僅需要AI來代替我們自動化工作，讓我們的創(chuàng)新力有更大的發(fā)揮，而且需要AI 來改變我們的行為、習慣以及工作風格，以使我們保持競爭力。為了保持我們的競爭優(yōu)勢，我們必須理解AI如何工作，同時AI也必須理解我們如何工作。而為了理解我們如何工作，AI必須理解情緒智能（Emotional Intelligence）。 延伸閱讀：谷歌人工智能新進展，只看一次圖片就能認得圖中物體 計算機算法通常需要成千上萬個例子才能學會一件事情，但谷歌DeepMind的研究人員卻找到一種繞過這一流程的方法。 我們多數人看過某個東西一兩次后都能認出這種物體。但計算機視覺識別和語音識別算法卻需要成千上萬個例子才熟悉一種新的圖形或單詞。 谷歌DeepMind研究人員現在找到了一種新的方法，他們對深度學習算法進行了一些調整，使之只需通過一個例子便可認出圖像中的物體或其他東西——他們稱之為“單次學習”。該團隊針對大量添加了標簽的圖片以及手寫字體和語言對此進行了驗證。 最好的算法的確能夠可靠地識別物體，但由于需要龐大的數據，所以非常耗費時間和金錢。例如，想要讓算法識別出道路上的汽車，就需要為其提供成千上萬個例子才能在無人駕駛汽車中實現可靠的準確率。但要收集如此多的數據通常并不實際——例如，不可能為了讓一個機器人在一套不熟悉的房子里行走而為其提供長時間的學習機會。 谷歌DeepMind研究員奧里奧爾·溫亞爾斯（Oriol Vinyals）在深度學習系統中增加了一個記憶組件。該團隊利用一個名為ImageNet的標記圖片數據庫對該系統的能力進行了驗證。 這套軟件仍然需要分析數百種圖片，但此后卻可以學會用一張照片識別新的物體。它本質上是通過分析圖片中的獨特元素來完成識別任務的。這種算法只需要看一一個例子，便可達到近似于傳統深度學習系統的準確率。 溫亞爾斯稱，如果能夠快速識別出一個新單詞的意思，這項技術的用途便會得到明確體現。這對谷歌非常有用，因此該公司可以借此快速學習某個新的搜索項的含義。 之前也曾有人開發(fā)過單次學習系統，但通常不兼容深度學習系統。“我認為這是一種很有趣的方法，它提供了一種新穎的方式對大規(guī)模的數據庫進行單次學習?！表n國先進科技學院大腦和機器智能實驗室主任Sang Wan Lee說，“這為人工智能社區(qū)做出了技術貢獻，計算機視覺研究人員可能非常重視此事?！? 但也有人對這項技術的用途提出質疑，畢竟它與人類的學習方法存在很大差異。例如，哈佛大學腦科學系副教授山姆·格什曼（Sam Gershman）表示，人類通常是通過理解一張圖像的組成元素來學習的，這需要一些實際的知識或嘗試。例如，“賽格威可能看上去與自行車或摩托車大不相同，但它卻可以使用相同的零件?！? 不過，格什曼和Sang Wan Lee都表示，機器要在學習能力上比拼人類仍然要經過一段時間的發(fā)展?！拔覀冞h遠沒有揭開人類單次學習的秘密?！彼fSang Wan Lee說。 (mbbeetchina)