原标题：确定AI算法的潜力从测量开始

　　要了解任何 AI 的真正力量，请务必从分析其测量的广度和深度开始。

　　每个 AI 算法的核心都是三个基本要素：1) 测量的能力，2) 知道你测量的内容有多少需要处理，当然还有 3) 一次处理多个输入的能力时间。一个系统可以测量到什么深度可以被认为是它的潜力。确定必须将这些测量的哪些方面发送到处理器可以被认为是提供这种潜力。最后，知道如何以正确的比例组合这些测量的显着部分，称为传感器融合，是探索算法智商或推理潜力的关键. 通过反馈回路增强传感器融合，算法将能够检查和纠正其逻辑，这是机器学习的必要组成部分。

　　杰夫哈里斯这三个属性是理解人工智能独特力量深度的关键。和很多事情一样，你培养和校准这些基础元素越多，从长远来看，人工智能算法的表现就越好。现在我们了解了要探索的三个领域，让我们深入了解第一个组件，即测量深度，以及它对于构建强大、高性能的 AI 算法的基础的重要性。

　　测量深度

　　计量学是对测量科学的研究，测量深度在构建稳健算法中起着至关重要的作用。Gagemaker规则或 10:1 规则规定测量设备必须比所需测量精度高 10 倍。测量深度如此重要的原因在于它决定了可能的精度水平并设置了算法的最大潜力。因此，任何给定测量的精度越高，人工智能算法的潜力就越大。

　　计量学侧重于对特定测量的深入理解。这种测量可以像电压、地面或温度一样简单而独特，也可以像飞机控制面的功能一样多模态，或者像制造装配线上的最大化吞吐量一样复杂。无论您是测量单个参数还是多个参数，每次测量的深度决定了可能的可编程性水平。例如，将 3 伏系统测量到 1/10伏特并不像测量到 1/1000 伏特那样具有洞察力一伏。根据电压供电的系统，额外的精度可能对电池寿命至关重要，也可能会分散注意力。最大化任何算法的潜力需要将整个端到端测量需求与所需的深度相匹配。无论测量的是什么，即使是数据系统，这都是正确的，这可能不是那么直观，所以让我们看一个例子。

　　如何优化测量

　　企业 IT 堆栈现在是一个由互连数据系统组成的复杂网络，每个系统都交换旨在调整组织运营的信息。这些技术堆栈包括一系列软件，例如 CRM、ERP、数据库、订单履行，每个软件都具有独特的数据格式和自定义应用程序编程接口 (API)。据 Salesforce 称，一般公司在其技术堆栈中拥有 900 多个应用程序，其中许多基于云，并且所有这些应用程序都经历了可能产生连锁反应的软件更新。识别和隔离问题，更不用说跨多个交叉软件应用程序优化性能，就像在相互连接的大海捞针中寻找针一样。

　　技术堆栈中的每个软件应用程序在企业中都有不同的赞助商——财务、人力资源、销售、营销、供应链——而主要组织的考虑因素是 IT 的首要考虑因素。每个企业都有定制的工作流程以及与众多应用程序和后端系统的集成，并且用户旅程跨越各种路径并且很少是线性的。因此，即使两家企业在其技术堆栈中使用相同的应用程序，映射所有交换点并验证端到端操作也将是唯一的。如果有需要人工智能的应用程序，那就是它。在这种情况下，测量可以是系统间数据输入点、系统内数据交换点和数据显示点。

　　要了解 AI 算法如何在这样的系统中运行，首先要了解它如何在三个关键领域测量点数据：

　　衡量用户与应用程序的交互方式，无论操作系统如何，在某些情况下，这涉及在需要按下按钮时采用机器人流程自动化 (RPA)

　　测量链接复杂技术堆栈中系统的 API 之间的数据交换和命令 API，以确保它们正确发生

　　像人类一样测量全平台(台式机和移动设备)的屏幕信息，例如图像、文本和徽标，以了解它们的呈现方式

　　无论操作系统、软件版本、设备或接口机制如何，评估测量功效都始于其测量能力。人工智能无法测量的条件越多，其运行的影响就越小。

　　结论

　　每当您评估任何事物的潜力时，请从基础开始。每个 AI 系统的基础都是其测量能力。它可以衡量的越多，它的潜在影响力就越大。看看它能够测量什么，更重要的是，看看它不能测量的地方。有限的传感导致有限的人工智能算法潜力。开尔文勋爵的格言在今天仍然正确，“如果你不能衡量它，你就不能改进它。” 要了解任何 AI 的真正力量，请务必从分析其测量的广度和深度开始。

　　Jeff Harris 是是德科技全球企业和产品组合营销副总裁。