不知道AI落地这三大痛点？小心未来被裁员！
AI落地难有多难？IBM都因此要裁员了！
据英国科技网站 The Register 报道，有 IBM 内部消息人士透露称，Watson健康部门即将解雇50% 至 70% 的员工。
Watson 健康是IBM“认知计算”计划中的标杆项目。如今，Watson健康大裁员，无异于宣告IBM这些年的努力基本失败。而IBM失败，正是因为遇上了AI落地的一些痛点。
AI医疗，怎么才看起来够靠谱？
Watson健康于2015年成立，主要是运用AI技术，助力医生应对癌症、慢性病、流行病等“健康杀手”。
这一年，AI这个概念还没有大火，大数据的强大实力才刚刚露出它的冰山一角。Watson便是通过这些对于人们来说还十分陌生的概念，席卷了全球医疗界。
但是，随着人工智能时代的到来，人们开始有了更多的思考。医疗数据的敏感和隐私、获取的难度、数据集的不准确和不完整、信息共享难以实现等问题，都逐渐暴露在了公众眼前。AI能否代替医生，也成为了一个公众性议题。
不仅如此，越来越多的资本玩家开始进入AI医疗市场，也让IBM遇到了前所未有的竞争压力。
这时候，摆在IBM面前的真正问题，是如何在万千AI产品中凸显自己的优势。而在这一点上，IBM显然搞砸了。
模型有效性缺乏市场认同
为了宣传自己的产品，IBM通过媒体、广告等手段，大肆渲染自己取得的成果，如市场占有量、数据集体量、公司并购等，却唯独没有对模型的有效性给出一个直观且能被市场认同的答案。
模型的有效性计算依靠的是测试集。而测试集有两类：一类是从既得数据库中单独划分出的一组数据；另一类则是由行业公认的、作为性能计算统一标准的数据集。
第一种数据集，在绝大多数模型训练中都会有所涉及。不过由于测试集要瓜分一部分既得数据集，在数据集体量不够之时就会显得十分尴尬。由此，也会有直接忽略测试集的情况。
而行业公认标准测试集，目前只在语音和图像领域存在，例如大家熟悉的ImageNet就是李飞飞教授所建立的图像测试集。由于这样的测试集被行业普遍使用，由此得出的性能参数也就有了可比较性。
更关键的是，如果模型始终在固定样本来源的数据集中进行训练，很有可能会出现过拟合的情况，从而无法适应普遍的应用场景。
因而，像医疗这样“人命关天”的领域，建立起行业公认的标准测试集，可谓是解决落地痛点的关键。
产品太贵，变现难
如今，数据搜集与数据交易的难度成为了AI产品生产成本高居不下的主要原因。但是，这也成为了一些用户体量大、用户行为数据丰富的公司的机遇。不过，Watson健康显然不属于这一类。
对于AI产品来说，研发成本高是一方面，后期迭代的费用更是难以预计，并且，在发展的初期，AI产品绝大多数还是辅助性产品，并不能解放大量人力物力。
对于一个开销巨大、还不知道有没有卵用的高科技产品，很多客户自然会望而却步。MD Anderson癌症研究中心就曾以3900万美元的价格购入了IBM的AI产品，却无法相信AI分析所带来的结果，导致和AI“合作”过的医生都苦不堪言。
那么，如何让AI产品能够顺利变现呢？目前对于大公司的解决方式是，放弃B2B，只做B2C。
所谓B2B，即根据企业的具体需求定制AI，或是研发功能全面、可适用于绝大多数企业应用场景的AI。
由于大公司人力成本高，如果为企业定制AI，就像Waston健康做的那样，价格非常容易超出企业的预算范围。而如果研发功能全面的AI，在如今市场细分化、长尾化的背景下，显然不具有商业竞争力。
而B2C，即开发适用广大消费者的AI服务，以大公司的品牌效应来说是十分容易的。
那么对于中小公司来说呢？B2B是唯一的出路。中小公司尤其是创业公司，受到数据体量的限制，根本无法保证AI的准确度。而B2B项目，数据一般由客户提供，因此能够避免数据不足而带来的尴尬。
另外，中小企业人力成本低，也能降低企业的投入，是B2B里较有竞争优势的群体。
数据窘境
虽然很多巨头的数据体量都比较可观，但是这种可观也只是在具体的领域上。目前的各大巨头，都是主要依靠自己之前所收集的用户数据进行模型训练。
而医疗数据，因为其隐私性、敏感性，并不属于各类软件可合法采集的用户数据。所以，就算是互联网巨头，在这方面的产品研发上，也会因为数据不足而处处掣肘。
不仅如此，由于医学的复杂性，其数据的处理也需要拥有医学背景的AI专业人士的参与，这就产生了人才真空的地段，也进而导致巨头们对医疗数据处理效率和能力的低下。
就以肺炎为例，如果要让AI通过X光片检测哪些病人是健康的，哪些有肺炎，哪些有比肺炎更严重的疾病……这就需要通过以下原则判断：肺叶清晰的是健康人，肺叶模糊的是肺炎，肺部有圆形对称阴影的是尘肺……所以，必须要有专业的人工来进行标记。
只是身体上的一个部位，就有无数种可能的诊断，AI医疗的难度显而易见。
福布斯就曾经报道称，为了AI研发，Watson不得不雇佣专业的医疗咨询团队对数据集进行改进整理，既费时又烧钱。
读芯君开扒
数据窘境，将来会更显著
任何商品的落地，都会从追求市场面积逐渐转为追求市场深度。AI产品也一样。随着市场被瓜分地越来越彻底，长尾市场将成为商业竞争的重点，这也就意味着，是否精准定位长尾市场进行研发，成为了一个企业尤其是新兴企业能否生存的关键。
但是，长尾市场虽然前景广阔，但数据体量却较之浅层市场小很多，也就为AI的训练带来了更大的难度。
不仅如此，许多长尾市场的数据处理对处理人员的专业程度有着更高的要求。比如，企业需要研发一个办理离婚诉讼的法官AI，那么对于法律条文的解释就必须要有专业的、富有经验的法官来进行。而这在理论上，是难以达成的。
为什么呢？首先，数据处理师目前在行业的地位还处于最底层，所以缺乏对人才的吸引力。其次，数据处理需要一定的AI背景知识，更是提高了人才进入的门槛。
作者：羊习习
参考文献链接：
http://www.tmtpost.com/3273012.html
如需转载，请后台留言，遵守转载规范