10大场景，刷新随人工智能和机器学习的理解

从聊天机器人到预测分析，IT领导者们将会分享他们如何通过人工智能和机器学习来产生商业洞察力和新的应用场景。

已经没有什么技术能比AI和机器学习更热。当下，一些企业正在利用这些技术模仿人类的思考方式，以吸引顾客和支撑商业运营。这一趋势在未来几年会得到更多的关注，因为根据Gartner的数据，到2020年超过30%的CIO将把人工智能和机器学习作为前五大投资重点之一。

最初人们担心机器人会取代每个人的工作岗位，但现在这种趋势有些缓解。因为人类和机器一起工作的可能性会更大。埃森哲CTO兼首席创新官Paul表示，企业已经没有兴趣让那些从事高度自动化岗位的员工再就业。他最近也与别人合著了一本关于人工智能对全球劳动力影响的书——《人类+机器:在人工智能时代重构工作》。

在对1500家企业调查的过程中发现，65%的CEO承认他们的员工、CIO还没有为人工智能做好准备。只有3%的高管表示，他们已经加大了培训力度来应对人工智能带来的转变。因此，这是一个巨大的鸿沟，CEO们必须快速接受改变，并告知员工应该做好哪些准备以应对这一变化。

但无论结果怎样，通过AI、机器学习和机器人工作的自动化时代已经到来。CIO们正在学习、实验和构建在人工智能和机器学习方面新的商业应用场景。

场景一：AI成为员工“世界末日”的预言者

新兴的数字技术正在改变劳动者的工作模式，即使在埃森哲也是这样。他们已经将大约2.3万个岗位自动化，并重新部署了员工。而更令人吃惊的是，埃森哲的45万名员工将随时会被重新分配工作角色，他们需要重新掌握新的技能。

而为了帮助员工完成这一转变，埃森哲自主开发了一款机器学习的应用，它可以扫描简历，并预测一名员工的工作何时将变得不再重要。这个APP将会结合员工的工作经验，为他们所在岗位潜在的不必要性打分。例如，因为AI和自动化的应用，一名员工的技能将在18个月内过时。

Paul认为这款应用对员工来说不仅仅是一个”世界末日”的预言者，它还能自主考虑员工的综合素质和想法，推荐他们将来可能需要的技能，以便保住工作。

关键点：CIO需要承担企业的人工智能战略，并积极与人力资源和其他业务部门的关键利益合作，以确保战略上的共识。CIO还必须快速识别和消除他们在人工智能认知上的偏见，因为有责任的组织会让人工智能快速融入到企业中来。

场景二：Spark让企业在100亿条数据发现奥秘

机器学习是很多国际化企业数字化战略的核心组成部分，来自于市值40亿美元的Lennox公司的CIO Sunil说，他们利用数据库中的Spark软件分析公司商业供暖和空调系统的信息流，并实时监控机器性能，以此能够预测何时机器会出现故障，并快速做好预案。

“Databricks（Spark领域的技术公司）可以支撑我们使用这些数据，并以90%的准确率预测设备的运转情况。以往我们经常会自行做出预测，并联系空调的经销商。但是这通常是虚假的警报，令我们非常苦恼。”CIO说。

在选择Databricks之前，Lennox公司调查了很多分析工具，但每一个分析工具都被用来处理单一的事例。而Databricks提供了一个统一的平台，他们可以在该平台上管理数百个数据库中的数百兆字节的数据，并且它运行在微软Azure上，因此Lennox不必维护系统。借助Databricks, CIO Sunil的团队和业务人员一起构建数据流模型。基于sparks软件，他们可以轻松从数据分析出提取价值。

关键点：当人工预测给业务发展带来极大风险的时候，CIO就必须果断引入新的工具。正如Sunil掌握了100亿条数据，令他无所适从。但当他积极通过分析软件去发现数据中奥秘的时候，也因此得到了令人惊奇的结果。

场景三：企业商旅公司提升客户满意度的抓手

David是美国运通全球商务旅行公司CIO。在他任职的早期就实现了机器人流程自动化(RPA)和机器学习技术，以此提高企业旅行服务提供商处理业务的效率。现在，他已经利用RPA实现了取消机票和退款流程的自动化。同时David还创建了一个新的机器学习的算法，该算法可以通过搜索行业内价格，帮助客户找到更好的机票和酒店住宿。而这之前都是通过员工手动完成的。可以说这项技术提高了客户满意度，创造了更多的业务收入。

David说，在上一份工作中，他也曾经利用机器学习来扫描金融的欺诈行为，而现在也同样是利用这项技术让业务得到大幅度提升。

关键点：关于自动化的处理、机器学习，CIO通常是谨小慎微的，因为谁都对新鲜事物没有足够的把握。但是CIO必须要明确、果断的在业务中树立影响力，要使用技术和自动化流程来解决业务的难题，因为他们才是技术商业真正的推动者。

场景四： Adobe的自愈能力

Adobe公司CIO Cynthia正在利用机器学习来帮助分析Adobe系统的故障趋势，然后自动的修复问题，以免导致更严重的后果。他们的想法是，如果有个工具可以自主发现可能出现中断的情况，那么它就可以主动地消除或减轻这个问题带来的损失。

这个工具被命名为HaaS，Health-as-Service。该工具可以捕捉和纠正错误，比如与Adobe ERP失败的集成，或是试图进入公司各种分析系统的错误数据源。Cynthia认为，HaaS已经将人工操作的30分钟时长减少到1分钟，已经为Adobe节省了330小时的时间来解决问题。通过详细的问题报告，Adobe工程师就能够创建永久性的修复。自动化监测和修复对于Adobe来说是一个巨大的利好。而这项工作的开展基于2017年创建的机器学习诊断测试框架。

据悉，Adobe的业务使用了人工智能。早在2016年底，公司推出了Sensei，它是全球最佳数字体验的缔造者。通过一个 AI 与机器学习的统一框架,开发者在云平台上创建和发布文档，并可以析和跟踪Web和移动应用程序的性能，以此推动创新。

关键点：使用机器学习来识别模式是创建自我修复能力的关键。CIO需要让系统自愈，而无需人类的干预。

场景五：用机器学习连接全球医疗设备数据库

美国Hearst商业媒体，他们的核心业务资产包括药品数据库软件First Databank，以及信用评级Fitch RaTIngs。而他们正使用机器学习连接医疗设备数据库，使客户更容易获取信息。

企业SVP兼CIO Mark说，他们正在开发自己的机器学习算法，并使用谷歌的TensorFlow 机器学习软件，用于对公司的数据集进行模型训练。他认为企业倾向于使用开源工具，以此应对业务上的难题。

关键点：采用一种可推广的方法是Hearst成功使用机器学习的关键。从企业的角度来说，机器学习非常具备实用价值的原因之一就是它可以以通用的方式来处理不同的数据库。比如信用评级Fitch RaTIngs产品需要了解很多企业实体，而First Databank又需要了解药物是如何被使用到全世界的。

场景六：人工智能增强股票投资的成功率

Putnam Investments是一家提供基金、机构投资策略的公司，该公司认为AI和机器学习是推动金融服务公司分析师提高股票投资成功率的关键。

其CIO Mehta说，分析师们与公司数据科学家们密切合作，共同撰写论文，以帮助他们从大量数据中收集信息。而公司也正在研究相关算法以提高销售的推荐准确率。这对于他们来书是一个巨大的变革，并推动整个商业驱动力的效率和生产力。

在开始执行AI和机器学习战略时，CIO组建了以软件工程师、数据科学家、分析学家和供应商为主的组合，并创建了一个卓越的数据科学中心。而这些商业伙伴也已经开始拥抱变化，以此实现更好的自动化推荐。他认为人工智能和机器学习是企业数字化转型的一部分，这个工作需要用云计算实现IT基础设施的领先性，并创建一个单独的平台来运行业务。

关键点：在AI落地方面，企业应该循序渐进，适当地设定期望，并考虑到由此导致的新问题，以及积极寻求答案。在人工智能领域，并不是突然间算法就会产生洞察力。

场景七：人工智能降低税务负担

在软件厂商CDO Ashok的领导下，Intuit公司正在加速人工智能和机器学习的研发。他们正在使用Amazon Web服务来帮助其QuickBooks聊天助理机器人更好地理解和处理自然语言，并在Verizon的大数据平台中建立了自己的角色。越来越多的处理将通过数百个Quickbooks的分类来引导用户。

CIO说，他们正在处理超过10亿笔QuickBooks的交易，并可以精准的地优化分类，因为他们正在利用AWS的机器学习和云技术扩大规模。公司的TurboTax系统使用人工智能来帮助用户获得最大的退税，这可以节省用户最多40%的纳税准备时间和检索文件的工作。

关键点：曾在NASA的Ames 研究中心工作过的Ashok认为，培养健全的算法需要吸引合适的工程人才来解决真正的商业挑战。目前他们正在招聘工程师，以确保可以通过人工智能实现商业目标。

场景八：历史数据预测未来业绩

作为Riverbed技术公司的CIO，Rich面临着独特的挑战。众所周知，Riverbed是一个旨在提高广域网络性能的软件供应商。他们正在测试如何使用机器学习从公司多个供应链中获取数据，以获得更好的商业洞察力。“我们希望通过机器学习来处理比以往更多的数据。” Rich说。

例如，Riverbed可以将订单管理和ERP数据与有关天气等其他因素的历史数据相结合，找到能够预测未来业绩的模式。他们希望能更准确地预测供应链下游的风险，包括产能和满足客户订单的能力。除此之外，他们使用机器学习自动调优性能配置，发现网络安全风险。Rich希望能创建一个单一的数据湖，并从中获取更多的商业洞察力。

关键点：对于人工智能和机器学习来说，良好的策略也需要谨慎的方式对待。Rich正在仔细评估包括IBM Watson在内的工具和技术，以应对商业的风险。

场景九：提供客户更好的个性化金融服务

与许多大型银行一样，美国银行也收集了大量客户数据。但是他们也难以从这些数据中获得可操作的建议。美国银行首席分析官Bill正在努力改变这种状况。在过去几个月，他一直在利用Salesforce.com的Einstein AI/机器学习技术，在这家银行的小企业、批发、商业财富和商业银行部门增强个性化的服务。

例如，如果客户在美国银行的网站上搜索有关抵押贷款的信息，客户服务代理就可以在客户下一次访问时跟踪该客户。再比如该软件可以建议代理商在周四上午10点至下午2点间给潜在客户打电话，因为通过计算他们更有可能接电话。Einstein还可以在代理人的日历上放一个邀请日历，提醒他们在下个星期四给潜在客户打电话。

这些能力将成为许多金融服务机构努力追求的核心。培育一个360度的客户视图方便他们精准推荐相关服务。Bill认为我们正在从一个可描述的世界转变到一个不可描述的世界。这个世界的核心价值是保持领先一步，并期待客户需求和我们的渠道能够互通互联。

关键点：企业和CIO对人工智能和机器学习采取的测试和学习方法，要有足够耐心。但同时也要准备好扩展正在运行的算法。永远把顾客放在中心是技术实现的唯一定律。

场景十：机器学习消除“辛苦”，使工作更有成效

Ed是万事达卡公司的运营和技术总裁，他认为人工智能和机器学习遍及了Mastercard的方方面面。他们正在使用这些算法来消除重复性的手工劳作，让员工有时间去是实现那些更具创造力和价值的工作。

同时，万事达卡公司使用机器学习工具来增强其产品和服务生态系统中的变更管理。例如，机器学习工具帮助确定哪些更改是无风险的，哪些更改需要额外审查的。此外，万事达卡正在使用机器学习检测其系统中的异常，这表明黑客正试图获取访问权限。Ed还在网络上建立了一个“安全网”。当它发现可疑行为时，它会切断保护网络的断路器。Ed表示:“我们有欺诈计分系统。通过不断查看交易来更新它，并为即将进行的下一笔交易打分。”

关键点：AI/ML只是支付处理器环节广泛工具包中的一种工具。尽管市场上有这么多闪亮的新工具，Ed说CIO们不应该指望它们神奇地解决业务问题。

总结：应用场景的落地，一直是人工智能饱受争议的地方。目前所面临的关于机器学习方面的挑战，是如何让机器变得更加智能。我们今天所有的应用，不管是影像、声音或者是图像的识别，或者一种语言翻译到另外一种语言，以及测试等，这些都是人工智能的一些特点。CIO需要结合新的技术将人工智能落地，因为诸多场景下的应用已开始逐步成熟，再不关注就为时过晚了。