对公司和企业而言，随着人工智能（AI）技术逐渐融入生产和服务的各个方面，现在是时候考虑该如何利用这项技术分析其庞大的商业数据，以驱动业务的增长。我们与 ABBYY 公司的人工智能技术推广者 Ivan P. Yamshchikov 博士进行了访谈，探讨人工智能系统训练过程中的机遇与挑战，以及它们对商业成果的影响。
Q：为什么训练AI系统很重要？
IY：AI 系统在人们生活的各个方面都变得愈加重要。例如，AI 算法能辅助钢铁制造业，在降低生产成本的同时也更加环保安全。基于 AI 的语音识别技术，可以让司机在驾驶时不必分心看屏幕。同时，索搜引擎也要借助 AI，否则很难通过其他技术有效处理网络上的海量数据。ABBYY 专门开发了基于 AI 的解决方案，用于优化业务流程。我们开发的 AI 有助于减少官僚化，节省人们花在文档处理上的时间，使员工的工作更有成效也更快乐。可以说，大多数时候办公室职员会“厌倦工作”，正是因为他们要在重复性的文档工作上耗费大量时间和精力。而我们可以利用 AI 最大程度的减少这些工作。
Q：训练机器学习系统是否需要掌握编程的知识？
IY：这取决于你如何定义“训练”。事实上，设计一个机器学习系统需要运用数学知识，而且为了正确的实现模型还要掌握编程的技能。但机器学习的魅力正在于一旦系统建立并开始运行，它就能自己学习。对于一个设计合理的 AI 系统来说，即使普通用户也可以训练 AI 算法。如果 AI 系统出现了错误，而用户能通过某些反馈机制人为修正错误，这就是在训练 AI。
Q：哪些种类的数据对训练 AI 最有用？
IY：AI 的训练算法可以分为两大类：监督算法和非监督算法，前者使用标签，而后者则不必。例如，聚合分类算法就是非监督算法族中的典型例子。比方说你有多种类别的文档，每种类别对应不同的页面布局，如发票或账单。通过机器视觉技术，ABBYY FlexiCapture 能自动将这些不同的文档分类并排序。由于不同种类的文档有着不同的页面布局，就可以使用非监督算法，而不需要人工添加标签。但是，对于商业欺诈的自动识别或合规合同的分析等任务，则需要借助一个手工标记的示例数据集来训练你的 AI 系统。
Q：某些数据集是否会比其他的更容易标记？
IY：有很多影响因素发挥作用。通常标记一个数据集所需的人类专业知识水平越高，那么标记工作的难度就越大，成本也更高。举例来说，假如你有 1 Gb 的猫和狗的图片要手工添加分类标签，这是很容易的。但如果换成是 1 Gb 的日本漫画，要将所有文字中包含形容词的图片标记出来则会相当困难。
Q：数据分类（如 FlexiCapture 中的）和“数据标签”或“数据标记”是一样的么？
IY：某种意义上讲，它们是相同的。但是通常我们在谈到人工分类时使用标签或标记，而对于自动化的工作则使用聚合或分类。
Q：训练机器学习系统是否需要使用大量的数据集？
IY：在 AI 模型训练的最开始，你需要提供数据，但这并不意味着你需要为基于 AI 的产品提供大量训练数据。例如在 ABBYY， 我们提供了一个先进的 NLP 算法，在文档分析中有广泛的用途。为了开发这些算法，我们需要处理每种语言的海量语料库，以便用户能直接访问 NLP 系统，并将其应用于自己的数据集分析。我们的客户如果打算自己开发与 NLP 系统性能相同的技术，则要耗费数年的研发时间，并需要大量的数据支持。能够直接使用我们的技术对用户来说显然是一个福音，能够为他们免去大量的开发成本。
Q：ABBYY 有哪些技术依赖机器学习？
IY：我们现在的所有产品，都或多或少用到机器学习，但这并不意味这你需要事先拥有大量数据才能使用这些产品。比方说 FlexiCapture 利用卷积神经网络对文档进行预处理和分类，通常只需要提供几份文档样本就足以建立好流程并开始运行。我们的 NLP 技术能将一系列机器学习方法与每种语言的高级本体相结合，你并不需要事先提供大量的数据集，我们就能为你完成许多与自然语言处理相关的任务。所以，如果你在现在的业务流程中遇到任何文档处理方面的瓶颈，很可能 ABBYY 都有合适的产品可以帮助你简化和加速业务流程，同时也能让你的员工更加高效和热忱。
