机器学习成功案例的内部视角是怎样的

人工智能（AI）和机器学习（ML）曾经被认为是企业的“空头支票“之类的项目，如今已经成为应用主流。

越来越多的企业正在利用这种模仿人类思维行为的技术来吸引客户，并加强业务运营。

在调研机构Gartner公司的调查中，106名IT和业务专业人士中，59%的受访者表示迄今为止已部署了人工智能技术，并且平均拥有4个人工智能/机器学习项目。这些受访者还表示，他们预计未来一年内将再增加6个项目，未来3年内将再增加15个项目。Gartner公司分析师Whit Andrews说，到2022年，这些组织预计平均部署35个人工智能/机器学习项目，他表示这些计划项目的数量令他感到惊讶。

Andrews说，通过客户服务和内部决策的虚拟助理改善客户体验和任务自动化是最受欢迎的项目之一。

调研机构IDC公司对2473家组织进行的一项更大调查发现，只是增加项目本身并不能形成更广泛的人工智能战略，只有25%的组织制定了企业范围的人工智能战略。

IDC公司的调查发现，由于缺乏熟练的员工和不切实际的期望，多达25%的受访者表示其人工智能战略失败率高达50%。但这并不能阻止组织继续尝试。在这里，正在试验、构建、实施人工智能和机器学习技术的首席信息官们分享了他们的机器学习用例和一些实用的建议。

1. 保险公司利用聊天机器人改善客户体验（CX）

互助保险巨头Guardian公司首席信息官Dean del Vecchio表示，该公司正在测试人工智能，以改善客户体验（CX），并提高员工生产力。

该公司一个客户体验（CX）试点项目包括使用由IPsoft制作的虚拟助理Amelia来帮助自动化入职流程，并回答福利问题，从而使客户体验（CX）工作人员能够专注于更复杂的案例。受到Guardian公司的商业逻辑教育，Amelia回答了诸如“重大疾病意味着什么？”等问题以及Guardian公司数百万客户可能提出的其他问题。

Guardian公司在内部测试了IBM Watson如何帮助其更好地了解客户如何与业务进行交互。作为试验的一部分，IBM公司的这种认知计算软件读取并优先处理Guardian公司每天收到的数百万封邮件，这一扫描可以在几分钟内完成，将员工从人工阅读和优先处理邮件的时间中解放出来。

关键建议：应在更大的业务范围内考虑机器学习项目。在Guardian公司，支持人工智能/机器学习的流程自动化只是其更广泛的数字化转型的一小部分，Del Vecchio正在改进客户体验（CX），从而简化运营。这包括迁移到AWS云平台、采用敏捷开发，以及构建API市场。

2. Zulily公司采用人工智能推荐服装

人们可能会说，如果没有机器学习，服装零售商Zulily公司就没有可行的业务，该公司使用机器学习向消费者提供个性化的商品。

Zulily公司首席信息官Luke Friang说，该软件依靠许多信号来决定是通过推送通知还是通过电子邮件向顾客发送优惠信息，这些信号包括购买历史记录、浏览选择的时间、移动应用程序的点击和滑动，以及社交媒体行为。他说，“随着我们更好地了解消费者，可以更好地倾听他的声音。”

虽然Zulily公司构建自定义算法，但它依赖于许多开源技术，例如Hadoop、TensorFlow、H20，以完善其机器学习堆栈。

关键建议：人工智能项目受益于健全的云计算架构。例如，Zulily公司的个性化努力依赖于亚马逊网络服务和谷歌云平台之间的关键组合，在这两个平台中，谷歌云平台提供了一些建议，当被选中时，可以将消费者吸引到由AWS公司支持的Zulily电子商务平台。Friang表示，这种联系强调了谷歌云和AWS如何推动竞争，从长远来看将有利于首席信息官。

3.JiLL：企业人工智能助理

从表面上看，人们不会认为人工智能有对商业房地产提供商有多大用处。但在今年6月，仲量联行（JLL）公司与谷歌公司合作开发了JiLL，这是一款语音助理，允许办公室员工设置会议、联系同事、查询火车时刻表、通过语音或文本填写服务请求。

例如，根据JLL公司首席数字产品官Vinay Goel的说法，Jill可以处理诸如“JiLL，帮助我的团队预订每周会议”，或“JiLL，今天下午在三楼给我找一个空闲的办公桌。”

他在一份声明中表示，JiLL考虑了仲量联行公司关于建筑物、用户交互、物理空间交易的数据集，这些数据集在谷歌云平台以及Kubernetes容器中处理。他说，“随着时间的推移，我们希望JiLL成为帮助员工提高日常生产力的数百种技能的重要平台。”

关键建议：对于寻求转向服务的组织而言，虚拟助理可能是值得的投资。仲量联行公司的JiLL是利用技术提供增值服务战略的一部分，理想情况下是为了吸引更多的公司客户。仲量联行计划增加更多的技能并向第三方功能开放平台，这是旨在提高采用率的市场策略的一部分。这项倡议表明，多年来虚拟助理已转向垂直市场。

4.机器学习将动态定价与便利性结合起来

便利店连锁店Wawa公司计划使用机器学习根据竞争因素动态改变价格。首席信息官John Collier表示，这可以大大促进Wawa公司为忠诚度计划客户提供个性化服务。

Collier补充道，“我们希望采用数据和算法，因此我们不会设定价格，而是制定规则。其诀窍在于平衡用户体验的改善和提供体验的成本。”

关键建议：Collier表示，希望能够实现动态定价，但存在一个问题：新兴技术与其遗留系统的接口不会很好。因此，现代化对任何人工智能战略都至关重要。Wawa公司正在改造其遗留系统，作为数字化转型的一部分。他说，“我们在数据战略上投入了大量资金。”

5.信贷报告公司构建机器学习分析引擎

信贷报告行业巨头Experian公司表示，数字化转型为利用机器学习核心能力的新战略产品铺平了道路：Ascend Analytics On Demand，这是一种自助式分析平台，使企业能够构建预测模型，以确定关键因素，如2.2亿名消费者中是否有人有资格获得他们要求的信贷额度。

Experian公司的消费者信息服务总裁Alex Lintner表示，与目前花费数周的时间相比，客户可以在几分钟内对这些数据进行复杂的分析。在理想情况下，该工具将使消费者能够在需要时获得信贷资格。

调研机构Gartner公司表示，随着人工智能技术在几乎所有新软件产品和服务中的普及，Ascend AnalyTIcs On Demand应运而生。

Experian Global公司首席信息官Barry Libenson说：“客户希望能够在任何时候以任何方式来实时查看大量信息。”他负责监督使用Hadoop和其他分析工具的平台构建。

关键建议：用户无法在传统的软件上构建新的分析平台，并期望它们运行良好。为了支持Ascend AnalyTIcs On Demand，Experian公司采用了混合云方法，并投资于开源工具，包括容器、API引擎、微服务。Experian公司还对其构建和使用软件的方式实现标准化，其应用程序和代码可以被其全球员工和客户应用。

6.信用卡公司采用机器学习应对欺诈行为

与信贷监控公司一样，信用卡公司也不得不与欺诈者打交道。

MasterCard公司技术和运营总裁Ed McLaughlin表示，当许多专家将数字视为隐私和安全的祸根时，机器学习和人工智能工具可以使信用卡服务更安全。

MasterCard公司使用机器学习和人工智能技术来消除恶意用户。McLaughlin表示，其保护措施的核心是一个内存数据库，该数据库自2016年使用以来为MasterCard公司避免了10亿美元的损失。该软件使用200多个属性来预测和阻止欺诈。

该核心系统与标记化技术、生物特征识别、深度学习和其他新方法相结合，帮助MasterCard公司保持其促进价值数十亿美元的安全交易的声誉。

关键建议：在网络安全方面，人类是最薄弱的环节。McLaughlin说：“最重要的是尽可能地让工作人员脱离这个循环。机器学习、人工智能、自然语言处理软件都是Mastercard工具包中的关键组件。”

7.赛车公司利用机器学习分析汽车洞察力

Mercedes-AMG Petronas Motorsport公司使用机器学习功能来帮助可视化赛车性能。

该公司IT团队负责人Matt Harris说，该公司收集了一级方程式赛车的多个数据通道，有时每秒多达10000个数据点，以做出关键决策。

Mercedes-AMG Petronas使用TIbco软件可视化其影响变量，如天气、轮胎温度、燃油量对其汽车的影响。该软件还使工程师能够分析汽车齿轮的性能和磨损等细节。驾驶员通常每圈换档100次，每次驾驶员换档时，TIbco都会收集大约1，000个数据点。

Harris说，“当你看到这些数据时，实际上可以使变速箱的使用时间更长，或者更重要的是，使变速箱的变化更为剧烈。然后就会发现，如果将变速箱放在一个特定的模式下，每圈大约快50毫秒。在排位赛中，赛车可以快出千分之一秒，所以50毫秒对其获胜很重要。”

Harris说，“Mercedes-AMG Petronas正在构建机器学习算法，以帮助做人类做不到的事情，或者这是一种昂贵的工作方式。”Harris认为这些能力最终将成为团队竞争优势的关键推动因素。

关键建议：为什么要构建一些不是企业核心竞争力的东西？在采用Tibco之前，Mercedes-AMG Petronas使用自行开发的可视化软件，这种软件经证明效率太低，无法维持。通过依靠Tibco，Mercedes-AMG Petronas可以专注于其专业实力：打造高性能汽车。哈里斯说：“最重要的是让人们有创造力，思考解决问题，而不是编写软件来解决问题。”

8.采用机器学习预测员工什么时候离职

像大多数汽车维修公司一样，Calibre Collision公司长期以来一直存在员工频繁流动的问题，因为该公司机械师、油漆工和客户支持人员不断离职，有时600多家工厂的年人员周转率高达40%。

Calibre公司发现，部分问题在于其维修工厂有时没有足够的汽车供工作人员修理，导致工资不稳定。这让该公司首席信息官AshleyDenison感到疑惑：如果能够预测员工何时会离职并进行干预呢？

Calibre公司开始与技术顾问Sparkhound公司合作，后者创建的软件可以从Caliber公司的Workday人力资源软件中提取员工数据，并将其与Microsoft Power BI混合，创建一个定制的回归模型，预测员工是否可能会考虑离职。然后，Calibre公司通过数字调查或个人联系方式联系员工进行干预。

例如，如果员工的工资在几周内下降，Calibre公司区域经理可以确保他们获得更多的汽车进行维修。相反，如果员工看起来工作负担过重，该公司可以将一些工作重新分配给他的同事。其结果是，Calibre公司每年可节省多达100万美元。

关键建议：采用机器学习算法避免问题以节省资金是一种实用的方法。

9.人工智能作为产品和业务的推动者

在2018年麻省理工学院首席信息官斯隆研讨会上，Adobe Systems首席信息官Cynthia Stoddard表示，该公司正在利用机器学习分析帮助台记录的系统故障趋势，然后在问题导致重大停机之前积极解决问题。

如果该系统发现可能发生中断的事件，可以主动在引发故障之前消除或减轻这些故障。

该工具称为HAAS，用于“修复即服务”，可以捕获并修复从Adobe公司的ERP集成失败到针对该公司各种分析系统的错误数据源。Stoddard说，HAAS将人工手动执行的30分钟的修复时间减少到1分钟。她估计在过去的几个月中已经节省了330小时的修复时间。使用详细说明问题的报告，Adobe公司工程师可以创建永久性修复程序。

Stoddard说，“如果知道必须修复一些东西，而且知道如何解决它，那么可以实现自动化。这是一个巨大的好处。”这项工作建立在Stoddard团队于2017年创建的基于机器学习的诊断测试框架之上。

关键建议：使用机器学习识别模式是创建自我修复功能的关键。Stoddard说，“如果知道如何修复，可以在其中放置一个自我修复的组件，就省去了工作人员的工作。”