系統(tǒng)的潛力是指它的可測(cè)性以及可達(dá)到的測(cè)量深度，而潛力的發(fā)揮則指的是決定系統(tǒng)必須將哪些方面的測(cè)量結(jié)果發(fā)送給處理器進(jìn)一步處理。最后，傳感器融合指的是了解如何以正確的比例將不同傳感器的測(cè)量結(jié)果合并在一起，算法的智商有多高，推理的潛力有多大，這是我們探索的關(guān)鍵。通過反饋環(huán)路增強(qiáng)傳感器融合，算法將能夠校驗(yàn)和糾正自身的邏輯，這是機(jī)器學(xué)習(xí)必不可少的一個(gè)組成部分。

　　這三個(gè)屬性對(duì)于了解人工智能的深度非常關(guān)鍵，尤其是其獨(dú)特能力方面。我們發(fā)掘和校準(zhǔn)的基礎(chǔ)要素越多，人工智能算法的長(zhǎng)遠(yuǎn)表現(xiàn)就越好。介紹了我們要探索的三個(gè)領(lǐng)域之后，接下來我們深入了解第一個(gè)方面——測(cè)量深度，以及它對(duì)構(gòu)建穩(wěn)健的高性能 AI 算法基礎(chǔ)的重要性。

　　測(cè)量深度

　　計(jì)量學(xué)研究的是測(cè)量科學(xué)。在構(gòu)建穩(wěn)健算法的過程中，測(cè)量深度發(fā)揮著至關(guān)重要的作用。Gagemaker 規(guī)則(10:1 規(guī)則)規(guī)定，測(cè)量?jī)x器或器件的精度必須比要被測(cè)對(duì)象高 10 倍。測(cè)量深度之所以如此重要，是因?yàn)樗鼪Q定了可能達(dá)到的精度水平，限定了算法的最大潛力。因此，您在進(jìn)行任何一項(xiàng)指定測(cè)量時(shí)，精度越高，人工智能算法的潛力就越大。

　　計(jì)量學(xué)側(cè)重于深入了解某項(xiàng)特定測(cè)量。這項(xiàng)測(cè)量可能是十分簡(jiǎn)單明了，比如電壓、接地、溫度，或者像實(shí)現(xiàn)飛行器控制面一樣涉及多個(gè)模態(tài)，也可能十分復(fù)雜，比如像最大化生產(chǎn)裝配線吞吐量一樣復(fù)雜。無論是測(cè)量單個(gè)還是多個(gè)參數(shù)，測(cè)量深度決定了我們能夠達(dá)到哪種程度的可編程能力。例如，以3 V 電壓系統(tǒng)，如果測(cè)量精度只有1/10 V，在洞察力方面，就無法與 1/1000 V的測(cè)量精度同日而語。取決于給什么樣的系統(tǒng)供電，額外的精度可能會(huì)對(duì)電池的續(xù)航時(shí)間至關(guān)重要，也可能只是雞肋般的多余。充分發(fā)揮算法的潛力必須讓整個(gè)端到端測(cè)量需求與所需的深度相匹配。無論測(cè)量的對(duì)象是什么，這一點(diǎn)都是正確無誤的，即使是可能不那么直觀的數(shù)據(jù)系統(tǒng)也不例外。下面，我們來看一個(gè)示例。

　　如何優(yōu)化測(cè)量

　　企業(yè) IT 堆棧是一個(gè)復(fù)雜的數(shù)據(jù)互連系統(tǒng)網(wǎng)絡(luò)，每個(gè)系統(tǒng)需要交換信息來協(xié)調(diào)組織的運(yùn)營(yíng)。這些技術(shù)堆棧包含一系列軟件，例如 CRM、ERP、數(shù)據(jù)庫、訂單履行等等，每一種軟件都有各自獨(dú)特的數(shù)據(jù)格式和自定義應(yīng)用編程接口(API)。Salesforce 的數(shù)據(jù)顯示，公司的技術(shù)堆棧中應(yīng)用軟件個(gè)數(shù)平均有超過 900個(gè)，其中許多是云應(yīng)用，并且它們的軟件更新都可能會(huì)產(chǎn)生連鎖反應(yīng)。發(fā)現(xiàn)問題和隔離問題就如同大海撈針一般，優(yōu)化多個(gè)交叉應(yīng)用軟件的性能其難度就更加可想而知。

　　企業(yè)中技術(shù)堆棧內(nèi)的每個(gè)應(yīng)用軟件會(huì)有一個(gè)不同的責(zé)任部門，譬如財(cái)務(wù)、人力資源、銷售、營(yíng)銷、供應(yīng)鏈。IT 會(huì)將主要組織的需求放在首位。每家企業(yè)都有特別定制的工作流程，也會(huì)集成眾多應(yīng)用軟件和后端系統(tǒng)，用戶使用軟件的行程或旅程會(huì)涉及各種路徑，單一的線性旅程非常少見。因此，即使兩家企業(yè)的技術(shù)堆棧中使用了同樣的應(yīng)用軟件，他們的所有交換點(diǎn)映射以及端到端操作驗(yàn)證方式也會(huì)完全不同。需要人工智能的應(yīng)用軟件因此應(yīng)運(yùn)而生。在這種情況下，測(cè)量位置可能是系統(tǒng)間的數(shù)據(jù)輸入點(diǎn)，也可能是系統(tǒng)內(nèi)的數(shù)據(jù)交換點(diǎn)和數(shù)據(jù)顯示點(diǎn)。

　　要想知道 AI 算法如何在這樣的系統(tǒng)中運(yùn)行，我們首先需要了解它如何在以下三個(gè)關(guān)鍵領(lǐng)域測(cè)量各個(gè)點(diǎn)的數(shù)據(jù)：

　　1. 評(píng)測(cè)用戶與應(yīng)用軟件的交互方式，無論使用的是什么操作系統(tǒng)。在某些情況下，當(dāng)需要按鍵操作時(shí)，還涉及到采用機(jī)器人流程自動(dòng)化(RPA)

　　2. 評(píng)測(cè)在復(fù)雜的技術(shù)堆棧中各個(gè)系統(tǒng)之間的數(shù)據(jù)交換以及連接這些系統(tǒng)的應(yīng)用編程接口命令，確保它們正確運(yùn)行

　　3. 評(píng)測(cè)所有平臺(tái)(包括臺(tái)式機(jī)和移動(dòng)設(shè)備)上的屏幕信息，例如圖像、文本、標(biāo)識(shí)，從而了解它們的呈現(xiàn)方式

　　無論使用的是什么操作系統(tǒng)、什么版本的軟件、哪種設(shè)備或接口機(jī)制，評(píng)估測(cè)量功效都需要從測(cè)量能力入手。人工智能若是無法測(cè)量的情形越多，它在運(yùn)行中發(fā)揮的影響就越小。

　　結(jié)論

　　在評(píng)估某個(gè)事物的潛力時(shí)，我們需要從基礎(chǔ)入手。AI 系統(tǒng)的基礎(chǔ)就是它的測(cè)量能力。它能夠測(cè)量的條件越多，潛在的影響力就越大。我們要了解它能夠進(jìn)行哪些測(cè)量，更重要的是，我們還要知道它不能進(jìn)行哪些測(cè)量。AI 算法的潛力會(huì)受到感測(cè)能力的限制。開爾文勛爵曾經(jīng)的名言至今仍不過時(shí)――“無法測(cè)量，則無法改進(jìn)”。要想了解 AI 的真正能力，請(qǐng)務(wù)必從分析其測(cè)量的廣度和深度開始。