作者：是德科技全球企業和產品營銷副總裁Jeff Harris
人工智能（AI）算法包含三個基本核心要素：1)具備測量能力；2)知道其中有多少測量需要進一步處理；3)并行處理多路輸入的能力。
系統的潛力是指它的可測性以及可達到的測量深度，而潛力的發揮則指的是決定系統必須將哪些方面的測量結果發送給處理器進一步處理。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量結果合并在一起，算法的智商有多高，推理的潛力有多大，這是我們探索的關鍵。通過反饋環路增強傳感器融合，算法將能夠校驗和糾正自身的邏輯，這是機器學習必不可少的一個組成部分。
這三個屬性對于了解人工智能的深度非常關鍵，尤其是其獨特能力方面。我們發掘和校準的基礎要素越多，人工智能算法的長遠表現就越好。介紹了我們要探索的三個領域之后，接下來我們深入了解第一個方面——測量深度，以及它對構建穩健的高性能AI算法基礎的重要性。
測量深度
計量學研究的是測量科學。在構建穩健算法的過程中，測量深度發揮著至關重要的作用。Gagemaker規則（10:1規則）規定，測量儀器或器件的精度必須比要被測對象高10倍。測量深度之所以如此重要，是因為它決定了可能達到的精度水平，限定了算法的最大潛力。因此，您在進行任何一項指定測量時，精度越高，人工智能算法的潛力就越大。
計量學側重于深入了解某項特定測量。這項測量可能是十分簡單明了，比如電壓、接地、溫度，或者像實現飛行器控制面一樣涉及多個模態，也可能十分復雜，比如像最大化生產裝配線吞吐量一樣復雜。無論是測量單個還是多個參數，測量深度決定了我們能夠達到哪種程度的可編程能力。例如，以3 V電壓系統，如果測量精度只有1/10 V，在洞察力方面，就無法與1/1000 V的測量精度同日而語。取決于給什么樣的系統供電，額外的精度可能會對電池的續航時間至關重要，也可能只是雞肋般的多余。充分發揮算法的潛力必須讓整個端到端測量需求與所需的深度相匹配。無論測量的對象是什么，這一點都是正確無誤的，即使是可能不那么直觀的數據系統也不例外。下面，我們來看一個示例。
如何優化測量
企業IT堆棧是一個復雜的數據互連系統網絡，每個系統需要交換信息來協調組織的運營。這些技術堆棧包含一系列軟件，例如CRM、ERP、數據庫、訂單履行等等，每一種軟件都有各自獨特的數據格式和自定義應用編程接口（API）。Salesforce的數據顯示，公司的技術堆棧中應用軟件個數平均有超過900個，其中許多是云應用，并且它們的軟件更新都可能會產生連鎖反應。發現問題和隔離問題就如同大海撈針一般，優化多個交叉應用軟件的性能其難度就更加可想而知。
企業中技術堆棧內的每個應用軟件會有一個不同的責任部門，譬如財務、人力資源、銷售、營銷、供應鏈。IT會將主要組織的需求放在首位。每家企業都有特別定制的工作流程，也會集成眾多應用軟件和后端系統，用戶使用軟件的行程或旅程會涉及各種路徑，單一的線性旅程非常少見。因此，即使兩家企業的技術堆棧中使用了同樣的應用軟件，他們的所有交換點映射以及端到端操作驗證方式也會完全不同。需要人工智能的應用軟件因此應運而生。在這種情況下，測量位置可能是系統間的數據輸入點，也可能是系統內的數據交換點和數據顯示點。
要想知道AI算法如何在這樣的系統中運行，我們首先需要了解它如何在以下三個關鍵領域測量各個點的數據：
評測用戶與應用軟件的交互方式，無論使用的是什么操作系統。在某些情況下，當需要按鍵操作時，還涉及到采用機器人流程自動化（RPA）
評測在復雜的技術堆棧中各個系統之間的數據交換以及連接這些系統的應用編程接口命令，確保它們正確運行
評測所有平臺（包括臺式機和移動設備）上的屏幕信息，例如圖像、文本、標識，從而了解它們的呈現方式
無論使用的是什么操作系統、什么版本的軟件、哪種設備或接口機制，評估測量功效都需要從測量能力入手。人工智能若是無法測量的情形越多，它在運行中發揮的影響就越小。
結論
在評估某個事物的潛力時，我們需要從基礎入手。AI系統的基礎就是它的測量能力。它能夠測量的條件越多，潛在的影響力就越大。我們要了解它能夠進行哪些測量，更重要的是，我們還要知道它不能進行哪些測量。AI算法的潛力會受到感測能力的限制。開爾文勛爵曾經的名言至今仍不過時――“無法測量，則無法改進”。要想了解AI的真正能力，請務必從分析其測量的廣度和深度開始。