突发事件改变了人们的日常行为，脆弱的AI模型难以招架

　　这也提醒我们，数据科学家参与的人工智能系统仍然是关键。
　　人工智能技术正应用在社会生产生活的方方面面。人们的生活与AI系统相互交织在一种微妙的依存关系之中。人们的日常行为的改变会改变AI系统的工作方式，而AI系统的工作方式同样开始影响人们的生活方式。智能技术的核心之一在于能够感知和响应变化，但是这种能力大多数也是脆弱和有限的。
　　突发事件被称为黑天鹅，在人工智能和数据科学领域，突发事件被称为边界情况、极端情况、异常数据点等，在此情况下，输入数据与训练数据相差太大，人工智能计算模型的性能表现往往会很差。多数人工智能模式往往陷入混乱，难以招架的情况。
　　全球新冠疫情期间，人类的日常生产生活受到了严重的影响，生产生活的方式也受到了一定程度的改变。在此期间，亚马逊搜索前10的关键词分别是：厕纸，面膜，洗手液，纸巾，Lysol喷雾剂，Clorox湿巾，口罩，Lysol，细菌防护口罩和N95口罩。人们在搜索的同时，也在大量购买。而在新冠疫情之前，人们甚至从未大规模购买过这些东西。
　　这种行为的转变在短短几天内突然的发生。这些商品首先在意大利达到顶峰，然后是西班牙，法国，加拿大和美国。英国和德国略微落后。这种转变在零售供应链中受到了连锁反应。这种转变也影响了亚马逊的人工智能模型，导致库存管理，欺诈检测，营销等后台运行的智能算法陷入困境。
　　在疫情之前的，针对人类日常生活、消费的行为进行了训练的AI模型感知到这种正常已经发生了变化，而AI不能够按既有的模型进行响应，智能系统的部分功能不能够按预期顺利运行。
　　不仅仅是零售智能系统受到影响，信息流智能系统同样受到波及。一些评估新闻报道内容的智能系统，能够根据新闻评估结果向投资者提供每日投资建议。在疫情期间，媒体上的新闻较平常内容更为严峻，导致AI系统提供的建议差异极大。一些向用户推送信息流新闻的智能系统，其推荐算法同样也遇到了问题。智能系统向观众推荐相关的个性化内容，但是疫情期间数据的突然变化使它的系统建议不那么准确。
　　如果没有人工干预，智能系统将很难进行这种适应性的调整。所有这些只有通过专门的团队密切关注事情才能实现。人工智能系统的训练不仅仅用到近年来的日常数据，同时也应该考虑几十年来的突发数据，例如1930年代的大萧条，1987年的黑色星期一股市崩盘以及20072008年的金融危机等突发事件。同时智能系统的训练还应该考虑突发事件的触发条件。数据科学家必须深入系统层面进行调整人工智能系统的控制和响应参数，以避免智能系统在此极端情况下崩溃。