通过持续学习创造价值而不是贬值的资产-第二部分
“如果您今天购买特斯拉，我相信您购买的是增值资产，而不是折旧资产” – Elon Musk
好吧，我意识到这是因为我没有很好地解释它。让我再次尝试解释这种改变游戏规则的概念，该概念利用人工智能（AI）和深度学习来利用大量运营数据来创建通过使用而增值而不是贬值的资产。
马斯克（Elon Musk）所说的是，特斯拉自动驾驶汽车的价值不断升值（也就是说，它们变得更有价值），而不仅仅是联网汽车的网络。  连接不等于值。 不，由于从不断增长的特斯拉自动驾驶车队的使用中收集到的运营和驾驶数据中收集到的集体知识/智慧/智慧，特斯拉汽车的价值得以升值；对一辆特斯拉汽车的经验和知识进行了验证，整理和传播，并传播回了其他每辆特斯拉汽车，从而使特斯拉集体汽车变得更加智能，因此更具价值。
图 1：为持续学习的产品提供动力
不断增长的操作和驾驶数据汇总在Tesla云中，该云正在不断训练基于Tesla人工智能的全自主驾驶（FSD）自主大脑，该大脑收集，分析，学习和创建新情报。 然后，这种新的智能被传播回每辆汽车，从而产生了新的和改进的功能-通过慢速行驶的汽车，导航至下坡道，在交通事故和道路上的碎片周围进行操纵。 结果，特斯拉汽车不断学习并通过使用汽车变得更可靠，更有效，更安全。
特斯拉无人驾驶汽车正在利用深度学习的功能来创建不断学习的无人驾驶汽车，这些无人驾驶汽车将通过使用获得更可靠，更高效，更安全，更智能，因此更有价值，而无需人工干预！
数据（和学习）的经济价值
摩根士丹利（Morgan Stanley）分析师亚当·乔纳斯（Adam Jonas）说，数据对特斯拉而言可能比其汽车本身更有价值：
“只有一个大市场足以将股票的价值推高至  埃隆·马斯克的抱负：里程，数据和内容。特斯拉汽车可以通过Wi-Fi或蜂窝网络从公司发送和接收数据。这使特斯拉可以通过软件更新执行许多维护任务和升级，但是它也允许该公司收集汽车上的信息，从诊断服务问题到改进汽车的自动驾驶辅助系统。这些数据以及特斯拉可以为客户提供的内容和服务，可能是该公司未来价值的最大推动力。”
汽车的使用推动着汽车总价值的升值。增强可靠性，效率和安全性方面的小改进的力量，这些改进很快就构成了令人印象深刻的整体改进。 对于不喜欢随着时间的推移而增加1％的改进的力量的人们，将365倍的复合改进（1.01 ^ 365）提高了1％，等于获得了37.78倍的整体改进（见图2）。
图 2：进行细微改进的经济学
现在，这些数字是人们可以真正欣赏的（呵呵呵）！
深度学习快速入门
“在知识型产业中，“学习经济”比“规模经济”更强大，如今，每个产业都在成为知识型产业。” –比尔·施马佐（Bill Schmarzo）
深度学习是一套算法，该算法使用多层神经网络结构分析海量数据集，以训练和学习识别和编码隐藏在数据中的模式，趋势和关系……而无需人工干预（见图3）。
图 3：神经网络如何识别照片中的狗
深度学习的持续学习本质具有两个关键功能：
反向传播（向后传播）通过逐渐调整神经网络节点和层的权重，直到预期模型的结果与实际模型的结果提高了神经网络预测的准确性。反向传播解决了寻找最佳权重以提供最佳预期结果的问题。
随机梯度下降法是一种优化算法（在演算中认为是二阶导数），用于通过沿梯度的负值（斜率）定义的最陡下降方向迭代移动来最小化某些成本函数。梯度下降可通过将模型结果的误差推回到权重中来指导对神经网络模型的权重进行更新（请参见图4）。
图 4：“神经网络：是元学习的新黑人”
自动驾驶模拟大战
创建能够不断学习和有价值的自主设备的问题在于，没有足够的人来操作这些设备。 为了获得创建自主设备所需的数据量，这些组织需要创建一个关键的自主推动者-模拟器。
特斯拉每天收集“行驶数据超过300万英里”，截至2017年7月，捕获的总里程数已跃升至50亿英里。 特斯拉收集有关即使不使用该功能，自动驾驶仪如何处理不同驾驶场景的数据（从而为新的边缘用例创建带标签的数据）。特斯拉汽车记录了自动驾驶仪会采取行动的实例，这些数据最终被上传回特斯拉。这种“影子模式”的数据收集意味着，特斯拉正在模拟数十亿英里行驶的许多自动驾驶仪。
当我努力寻找有关特斯拉基于AI的Autopilot AI的FSD大脑的细节时，我确实为特斯拉Autopilot Simulation工具工程师找到了这份工作说明。 非常有见地。
“我们构建这些元素（构建工具以执行虚拟测试驱动，生成用于神经网络训练的综合数据集）的基础是我们的仿真环境。我们为虚拟车开发了逼真的世界，使我们的开发人员能够更快地迭代并减少对真实世界测试的依赖。我们努力与现实世界的车辆行为完美关联，并与Autopilot软件工程师合作，以随着时间的推移改善Autopilot和模拟器。”
谷歌母公司Alphabet的子公司Waymo可能是特斯拉最大的自动驾驶竞争对手，Waymo不仅实现了500万英里的自动驾驶里程，而且Waymo还模拟了50亿英里的自动驾驶里程。
因此，随着时间的流逝，不仅可以自主学习和控制这些车辆的自动驾驶引擎变得越来越好，而且模拟器本身也在学习并且变得越来越好-涵盖了越来越多的边缘用例（稀有用例，例如人在街上向后慢跑，或骑独轮车而不是骑自行车的人，或者骑着这些单轮电动滑板车中的一个的人），这使它们成为测试，学习和制造新的自主设备的非常有价值的资产。
我希望看到对抗性生成网络（GAN）在帮助从这些模拟器中创建综合数据方面发挥关键作用，以支持对这些不断升值的自主设备的持续培训和学习。有关GAN的更多信息，请参见博客“ GAN和Adaptice内容将如何改变学习，娱乐和更多内容”（请参见图5）。
图 5 ：“了解生成对抗网络（GAN）”
摘要：创建有价值的资产
我一直在寻找这种“通过使用变得更有价值的增值资产”概念的类比，并且最近我尝试了一个世界级运动员的类??比。 想象一下，您拥有一支运动队，并且拥有一个年轻，有前途的运动员，永远不会累，永远不会受伤，永远不会因为他们的技能在无数小时的训练和比赛中的价值升值而老化。 也就是说，该运动员训练和踢球的次数越多，他们变得越有效率，越有效，越可靠，越准确，越有弹性，越聪明（“球场感”不断增强），因此就越有价值。 您需要一支由这类运动员组成的团队！
这就是不断学习AI的资产背后的想法。资产暴露的数据集和一次性的“边缘”用例越多，则资产变得越有价值。 该资产的价值之所以会升值，是因为它通过使用变得更有效，更有效，更可靠，更安全，因此更有价值。
想象一下，将您的资产或产品转换为下一个[插入您最喜欢的体育巨星名称]，您的产品将变得更高效，更有效，更可靠，因此使用的产品越多，其价值就越高，而不必担心采用AI技术的情况大脑疲劳，受伤或衰老。 是的，您可以将您的资产或产品变成您行业的[Michael Jordan]。
奖励部分：创建有价值的功课中的资产
因此，让我们衡量一下我在传达这种改变游戏规则的概念时的有效性，即AI和深度学习可以通过使用该资产获得的经验来创造升值而不是贬值的资产。
步骤1： 考虑贵公司生产的产品或资产。 让我们避免将人类当作这项练习的资产，因为我们已经知道人类可以从经验中学到价值（如果您不了解，我希望您不在管理之中！）。
第2步：考虑 您可能能够捕获或创建哪些数据（可能通过添加传感器或对该资产进行仿真），从而可以在价值创造的这些运营维度上提供有价值的见解（可量化的倾向）：
用户使用方式和行为
产品性能趋势和倾向
运作效率
第3步： 现在，您已经创建了一个AI /深度学习环境，可以对上述三个运营维度（以及外部因素，例如环境，经济，人口，本地活动）进行深入了解，并集思广益/估算/记录所带来的价值您的客户“可能”是该资产是否为：
更可靠……减少客户意外停机
效率更高……更便宜地操作和维护
更有效……更快地完成任务（运输，挖掘，挤压等）
更可预测...降低与不可预测的供应链和物流运营相关的成本
更安全……极大地提高了客户满意度，降低了责任风险
更加环保……减少了对该资产运营的环境和社会的负面影响
提示：如果您不知道这些改进对您的客户有多大的价值，那么您对客户的了解就不够充分。
图 6：评估资产行使
希望这个小练习能够开始激发创意的力量，并帮助您考虑如何利用海量数据集，人工智能和深度学习来创建不断学习的资产，这些资产通过使用来增值而不是贬值。
现在，这听起来如何？

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！