iMerit 执行副总裁兼负责人 Radha Basu（左）和 EXL 首席执行官 Rohit Kapoor（右）。图片来源：Mark Liflander，EXL
物理人工智能（包括机器人）的行为只能与用于构建训练它们的人工智能模型的人类专业知识和数据一样好。 ExlService Holdings Inc. 本月完成了对 iMerit Technology 的收购，iMerit Technology 是人工智能模型训练、评估和强化学习领域的领导者。
EXL 成立于 1999 年，为保险、 卫生保健、银行和资本市场、零售、通信和媒体、能源和基础设施。总部位于纽约的 公司 在全球拥有约 68,000 名员工。
iMerit 成立于 2012 年，为机器人、自主移动、医疗保健提供数据注释 人工智能等高新技术产业。总部位于加利福尼亚州圣何塞 公司 其主题专家和专有人士表示 Ango Hub 该平台使客户能够“就复杂的多模式数据进行协作，为高风险模型生成经过精心策划和验证的训练工件。”
例如，iMerit 已合作 和 碳机器人 帮助处理训练农业机器人除草模型所需的数百万张植物图像 农业 机器人除草模型。
拉妲·拉玛斯瓦米·巴苏iMerit 创始人兼首席执行官已加入 EXL，担任执行副总裁兼 iMerit 负责人。她和 罗希特·卡普尔EXL董事长兼首席执行官回答了以下问题 The Robot Report 关于收购。
iMerit 和 EXL 致力于打造更值得信赖的模型
如今，人工智能模型构建者低估了哪些挑战，为什么？
巴苏： 模型的能力日益强大。随之而来的是产生幻觉或超出范围的可能性越来越大。与客户一样，实验室也开始意识到最后一英里和信任概念需要努力才能在关键的企业流程中蓬勃发展。
模型可以在基准上表现良好，但仍然难以应对边缘情况、不熟悉的条件或医疗保健或财务工作流程的专门环境。瓶颈在于访问专家、特定于领域的数据以及业务工作流程中的可信部署。
这是由专家解决的，他们可以挑战模型，揭示故障模式，并评估其推理和行为在给定业务环境中是否可靠。
EXL 收购 iMerit 如何改变模型的训练和评估方式？
卡普尔： 此次收购将人工智能生命周期中通常单独管理的部分连接起来，为企业建立端到端的人工智能平台。
iMerit 带来了专家主导的模型训练、多模式评估、Ango Hub 平台和全球领域专家网络。 EXL 带来企业数据、深厚的行业背景以及将技术集成到业务运营中的经验。
这些功能共同创建了一条更连续的路径，从准备专有数据到微调模型、评估其行为方式，并在客户从试点人工智能过渡到生产规模人工智能时在企业工作流程中对其进行操作。目标是帮助组织弥合创新与现实生产之间的差距，将人工智能潜力转化为值得信赖的可衡量的业务成果。
物理人工智能仍需展示商业价值
为什么其他公司不采用您的方法？
卡普尔： 企业人工智能正在进入一个要求更高的阶段。组织已经进行了广泛的试验，但大多数组织仍然难以实现一致的业务价值。
挑战不仅仅是选择一个模型；而是。它训练、评估、调整和管理人工智能系统，使其在特定的业务环境中可靠地运行。这就是模型评估、强化学习、特定领域数据、红队和专家反馈等功能变得至关重要的地方。
人工智能经济学还将推动企业采用更专业、更有针对性的模型，根据专有数据进行训练，针对自己的工作流程进行优化，并根据性能不断改进。这使得高质量的数据、评估和强化学习成为基础能力，而不是外围服务。
这项投资反映了更广泛的市场转变：价值正在从构建人工智能模型转向使人工智能可用、可信、具有成本效益和结果驱动。
iMerit 负责人指出，人类专家有助于确保安全
您能否举例说明这如何应用于开发 自动驾驶汽车 和机器人技术？
巴苏： 随着人工智能进入边缘机器人和自主系统，成功不再取决于模型规模，而更多地取决于数据质量。物理人工智能必须解释嘈杂的多模式输入、实时推理，并在不可预测的环境中安全地采取行动，以识别正确的下一步行动，而不仅仅是“正确”的答案。
挑战从感知演变为规划和决策。人类专家在创建高质量的地面实况数据方面发挥着关键作用，他们帮助构建现实场景，识别罕见的边缘情况，并评估车辆或机器人是否做出适当的响应。
在自动驾驶中，人工智能接受多模态数据的训练—— 想象, 激光雷达、音频 — 并通过测试 模拟的 碰撞等场景。专家不仅评估车辆所看到的内容，还评估其行为方式并解释其决策，确保其能够在现实世界的边缘情况下安全行动。这些都是复杂的、高情境的、高认知的场景。
对安全和合规性有何影响？
巴苏： 现在人工智能部署的障碍是信任、准确性和验证与模型能力。因此， 安全 合规性不能被视为启动前的最终检查。它们必须被设计到数据、培训、评估和监控过程中。
专家驱动的数据和领域洞察力可以转化为评估、折磨和监督关键任务应用程序中的人工智能模型的交互模式。
在受监管的行业中，组织不仅必须能够证明人工智能系统平均表现良好，而且能够针对错误可能造成不可逆转的临床、财务或运营损害的情况进行测试。 EXL 通过跟踪分析强化了这一过程，使组织能够跟踪导致特定决策的数据和模型行为，并更好地了解错误或意外结果的来源。
EXL 首席执行官表示，领域专业知识来自技术组合的竞争优势
您如何看待人工智能市场在市场和应用方面的发展？
卡普尔： 企业人工智能的竞争优势不会来自任何单一层面。它将来自将正确的层整合在一起：专有数据、领域上下文、模型评估、人工智能工程和治理。
基础模型将不断改进，但在企业中，问题不在于哪种模型最强大。这是哪个人工智能系统在实际的监管和运营限制下，在特定工作流程中提供最可靠的结果。这是一个根本不同的挑战。
未来三到五年，企业专有数据将成为最有价值的竞争资产之一。公司将越来越需要根据自己的数据训练专门的模型，而不仅仅是访问外部模型提供商。他们需要持续评估和强化学习，以确保这些模型在条件变化时保持准确和安全。
领域专业知识更重要，而不是更不重要。在复杂的工作流程、承保、索赔、医疗保健支付完整性、欺诈检测、信用决策中，模型需要了解业务、风险和监管环境。这就是 EXL 的差异化地位。
在企业人工智能领域获胜的公司将是那些将数据、环境、人工智能、评估和执行整合到一种运营模式中的公司。这就是 EXL 的策略。 iMerit 的收购增强了这一点，并使我们能够在如何构建、管理和部署下一代人工智能以实现真正的业务成果方面发挥更核心的作用。