从测量入手，判断AI算法的潜力

人工算法包含三个基本的核心要素:1)测量能力，2)知道这些测量值中有多少需要进一步处理，3)并行处理多个输入的能力。

系统的潜力是指其可测量性和可实现的测量深度，而潜力的发挥是指确定系统必须将哪些方面的测量结果发送到处理器进行进一步处理最后，传感器融合是指知道如何将不同传感器的测量结果以正确的比例组合起来，算法的智商有多高，推理潜力有多大这是我们探索的关键通过反馈环来增强传感器融合，算法将能够检查和纠正自己的逻辑，这是机器学习的一个必不可少的部分

这三个属性对于理解人工智能的深度，尤其是其独特的能力至关重要我们发现和校准的基本元素越多，人工智能算法的长期性能就越好在介绍了我们要探索的三个领域之后，接下来，我们深入了解第一个方面——测量深度，以及它对于构建一个健壮的高性能AI算法基础的重要性

测量深度

计量学研究测量的科学在构建鲁棒算法的过程中，测量深度起着至关重要的作用Gagemaker规则规定，测量仪器或装置的精度必须比被测对象的精度高10倍测量深度非常重要，因为它决定了可能的精度水平，并限制了算法的最大潜力因此，当你进行任何指定的测量时，精度越高，人工智能算法的潜力就越大

计量侧重于对特定测量的深入理解这个测量可能非常简单明了，比如电压，接地，温度，或者像飞机的操纵面一样涉及多个模式，也可能非常复杂，比如一条生产流水线的吞吐量最大化无论是测量单个参数还是多个参数，测量深度决定了我们能够达到的可编程程度比如一个3 V的电压系统，如果测量精度只有1/10 V，就洞察力而言是无法与1/1000 V的测量精度相比的取决于哪种系统供电，额外的精度可能对电池寿命至关重要，或者它可能只是鸡肋冗余为了充分发挥算法的潜力，整个端到端的测量需求必须与所需的深度相匹配无论测量的对象是什么，这都是正确的，即使对于可能不那么直观的数据系统也是如此接下来，我们来看一个例子

如何优化测量

IT堆栈是由相互连接的数据系统组成的复杂网络，每个系统都需要交换信息来协调组织的运作这些技术栈包含一系列软件，如CRM，ERP，数据库，订单执行等每个软件都有自己独特的数据格式和自定义API根据Salesforce的数据，该公司的技术堆栈中平均有超过900个应用程序，其中许多是云应用程序，它们的软件更新可能会产生连锁反应发现和隔离问题就像大海捞针一样，因此优化多个跨应用软件的性能就更加困难

企业技术栈中的每个应用软件都会有不同的责任部门，比如财务，人力资源，销售，市场和供应链它将把主要组织的需求放在首位每个企业都有专门定制的工作流程，还集成了很多应用软件和后端系统用户使用软件的旅程或旅程会涉及各种路径，单一的线性旅程非常罕见因此，即使两家公司在其技术栈中使用相同的应用软件，它们所有的交换点映射和端到端操作验证方法也会完全不同因此，需要人工智能的应用软件应运而生在这种情况下，测量位置可以是系统之间的数据输入点，也可以是系统内的数据交换点和数据显示点

要知道AI算法如何在这样的系统中工作，我们首先需要知道它如何测量以下三个关键领域中每个点的数据:

1.评估用户如何与应用软件交互，无论使用什么操作系统在某些情况下，当需要关键操作时，还涉及采用机器人过程自动化

2.评估复杂技术堆栈中各种系统之间的数据交换，以及连接这些系统的API命令，以确保它们的正确操作。

3.评估所有平台上的屏幕信息，比如图像，文字，logos等，从而知道它们是如何呈现的。

无论使用何种操作系统，软件版本，设备或接口机制，都应以测量能力为出发点来评价测量效能如果人工智能无法测量，那么情况越多，它在运营中的影响力就越小

结论

当评估一个事物的潜力时，我们需要从基础开始AI系统的基础是它的度量能力它能衡量的条件越多，它的潜在影响就越大我们需要知道它能做什么测量，更重要的是，我们需要知道它不能做什么测量AI算法的潜力会受到其感知能力的限制开尔文勋爵的名言仍然不合时宜——如果你不能衡量它，你就不能改进它为了理解人工智能的真正能力，重要的是从分析其测量的广度和深度开始