導讀： 人工智能（AI）和機器學習（ML）（人們曾認為這兩者是公司不切實際的項目）正在成為主流。
人工智能（AI）和機器學習（ML）（人們曾認為這兩者是公司不切實際的項目）正在成為主流。
有越來越多的企業正在利用這種模仿人類思維的技術來吸引客戶並加強業務運營。而這種趨勢只會越來越受歡迎。Forrester的研究稱，全球數據和分析技術決策者中有53％的人正在實施實施人工智能或大規模使用人工智能，另有20％的人計劃在未來12個月內實施人工智能。
無論是好是壞，通過人工智能、機器學習和機器人所實現的自動化正在興起。正在試驗、創建、甚至是申請新人工智能和機器學習技術專利的首席信息官們與記者分享了機器學習用例和一些實用建議。
1、“數字預言者”軟件可以預測哪些職責將變得無足重輕
人們最初十分擔憂機器人會搶他們的飯碗，但這種擔憂漸漸緩和了，因為機器可以和人類協作，這種可能性極高。埃森哲的首席技術官兼首席創新官Paul Daugherty今年早些時候在福布斯首席信息官峰會上表示，就重塑員工技能（而這些員工的工作很可能被自動化）而言，企業已經落後了。
埃森哲也難免受到影響，這家諮詢公司已經將大約23，000個職務自動化並重新對員工進行了部署。 Daugherty希望為這家擁有45萬名員工的諮詢公司重新分配職責。
Daugherty說：“我們認為，我們要學習新技能，因為技能實在是不夠用。”
為了幫員工開展這項事業，埃森哲創建了一個應用程序，該應用程序使用機器學習對簡歷進行掃描並對這樣的現象進行預測——員工的工作過多久會落伍，Daugherty這樣說道。
該應用程序會考慮員工的工作經驗，併為此打出風險分數——他們的職務在多大程度上已經落伍。例如，該應用程序將注意到，由於人工智能或其它自動化事物的出現，員工的技能將在18個月內過時。
Daugherty說，該應用程序不僅僅是一個數字預言家，它還考慮了員工的集體工作經驗，並對相近的技能提出建議，從而使公司的員工能跟上節奏並與時俱進。
重要建議：首席信息官必須為企業的人工智能戰略挑起重擔，並與業務部門的主要利益相關方合作，從而確他們能達成共識並且業務不會中斷。首席信息官還必須快速發現並消除人工智能算法中的偏差，這些偏差會隨著解決方案的擴展而激增。Daugherty說：“稱職的人工智能必須融入組織。”
2、信用報告公司構建機器學習分析引擎
在信用卡報告巨頭Experian那裡，數字化轉型為徹底利用機器學習功能的新戰略產品鋪平了道路：Ascend Analytics On Demand（這是一個自助式分析平臺）使公司能夠建立預測模型，以確定關鍵因素，如 2．2億消費者是否有資格獲得他們所要求的信貸額度。
Experian的消費者信息服務總裁Alex Lintner表示，客戶可以在幾分鐘內對所有數據展開復雜的分析，而目前這一過程需要幾周時間。理想情況下，該工具將使消費者能夠在需要時獲得信貸資格。
Gartner表示，由於人工智能技術幾乎在所有新的軟件產品和服務中漸漸得到普及，Ascend也隨之誕生。
Experian Global的首席信息官Barry Libenson（他負責監督該平臺的建設，該平臺使用Hadoop和其它分析工具）說：“客戶希望能夠實時查看大量信息，由我們指定規則的時代已經一去不返。當客戶想要信息時，他們想實時地得到信息，以他們想要的方式進行。”
重要建議：你無法在遺留軟件上構建新的分析平臺並指望它們能夠很好地運行。為了支持Ascend，Experian採用了混合雲的方法並對開源工具進行了投資，包括容器、API引擎和微服務。Experian還對構建和使用軟件的方式進行了標準化，全球員工和客戶都可以重用其應用程序和代碼。
3、信用卡公司用機器學習打擊欺詐
與信用監控公司一樣，信用卡公司也在打擊欺詐者。
萬事達卡的技術與運營總裁Ed McLaughlin表示，當很多專家都譴責數字化是網絡隱私和安全方面的禍根時，機器學習和人工智能工具卻可以使這些服務比塑料信用卡要安全得多。
萬事達卡使用多層機器學習和人工智能工具清除惡意用戶，並防止他們造成嚴重損害。 McLaughlin表示，萬事達卡的保護措施的核心是一個內存數據庫系統，自2016年以來，該系統使萬事達卡避免了約10億美元的欺詐損失。該軟件使用200多個屬性向量來設法預測和阻止欺詐。
這個核心處理系統（它與標記化、生物識別技術、深度學習和其它新奇方法相結合在一起）幫萬事達卡保住了聲譽，即促進了價值數十億美元的安全交易。
重要建議：就網絡安全而言，人類是最薄弱的環節。McLaughlin說：“儘可能地將人排除出去，這才是最重要的”，他補充說，機器學習、人工智能以及自然語言處理軟件都是萬事達卡工具包中的關鍵組件。
賽車公司利用機器學習分析來獲得和賽車有關的洞察
Mercedes－AMG Petronas Motorsport正在使用機器學習功能將賽車的性能可視化。
該公司的IT負責人Matt Harris表示，為了做出關鍵決策，公司在其一級方程式賽車上對多個數據通道進行收集，有時每秒多達10，000個數據點。
Mercedes－AMG Petronas使用Tibco軟件將可能產生影響的變量可視化，如天氣、輪胎溫度和燃料量對賽車的影響。該軟件還使工程師能夠仔細分析賽車齒輪的性能和磨損等細節。賽車手通常每圈要換檔100次，每次換檔時，該軟件會收集大約1，000個數據點。
Harris說：“當你將數據可視化時，你實際上可以讓變速箱更經久耐用，或者更重要的是，以更快的速度換擋。然後你會發現，如果你將變速箱設為某個模式，每圈的速度大約會快50毫秒。在資格賽中，哪怕是千分之一秒也足以分出勝負，所以50毫秒很重要。”
Harris說Mercedes－AMG Petronas正在構建機器學習算法來幫忙“做人類無法做到的事情，或者做代價高得令人卻步的工作”。Harris認為這些功能最終會成為使團隊具備競爭優勢的關鍵因素。
重要建議：為什麼要構建一些不屬於你核心競爭力的東西？在使用Tibco之前，Mercedes－AMG Petronas使用自行開發的可視化軟件，事實證明，這種軟件效率太低，時間越久越不易維護。有了Tibco，Mercedes－AMG Petronas可以專注於自身的實力：打造高性能賽車。Harris說：“讓人們發揮創造力，思考如何解決問題，而不是靠編寫軟件來解決問題，這才是最重要的。”
4、機器學習預測員工何時辭職
和大多數汽車維修公司一樣，Calibre Collison長期以來一直面臨著巨大的問題。機械師、油漆工和客服人員往往入職不久就辭職了，有時，在其600多個分店中每年的員工流失率高達40％。
Calibre發現，部分問題在於其維修車間有時沒有那麼多車輛供員工修理，這導致工資不固定。首席信息官Ashley Denison想知道：如果Calibre可以預測員工何時辭職並進行干預又會怎麼樣？
Caliber開始與技術顧問Sparkhound合作，後者創建的軟件可以從Calibre所使用的人力資源軟件Workday中提取員工數據，並與Microsoft PowerBI結合起來，從而創建一個定製的迴歸模型，這個模型可以預測員工是否會考慮離職。然後，Calibre（通過數字調查或個人聯繫方式）會向員工提供幫助，幫他們登記在冊。
例如，如果員工的工資在幾周後下降，Calibre的區域經理可以確保有更多的車輛可供他們修理。相反，如果員工的工作負擔看似過重，公司就可以將一些工作重新分配給他們的同事。那麼結果如何呢？由於人員流失率降低了，Calibre每年可節省的費用高達100萬美元。
重要建議：在人們過度炒作機器學習算法時，通過防範問題的做法來節省資金是使用機器學習算法的可行方法，Dennison說：“一旦員工入職，我們就可以輕鬆地留住他們。”
5、機器學習有助於預測性維護
機器學習是雷諾士國際有限公司（Lennox International）的數字戰略的核心組成部分，該公司使用Databricks提供的軟件Spark來分析商用供暖系統和空調系統的信息流，雷諾士的IT主管Sunil Bondalapati這樣說道。實時地監控機器的性能有助於公司預測機器何時出現故障，使雷諾士能夠提前四小時通知客戶（如房主和購物飲食街的管理者）。
Bondalapati說：“Databricks使我們能夠使用數據，並在設備即將發生故障時以90％的準確率作出預測”。他還補充說，雷諾士之前能猜到機器何時會出現故障並聯系經銷商。此類事件通常包括誤報，而這使各方都感到沮喪。我們過去一直在努力預測設備故障。”
在使用Databricks的過程中會遇到有很多分析工具，每個工具都用於解決單一用例，例如供應鏈或物聯網（IoT）。但Bondalapati表示，Databricks提供了一個統一的平臺，公司可以在該平臺上管理來自數百個數據庫的數百TB數據，並且它可以在Microsoft Azure上運行，因此雷諾士無需維護系統。
有了Databricks，Bondalapati的團隊和業務部門就可以共同為數據流建立模型。基於Spark的軟件可以為IT和業務人員轉換數據並提供洞察。Bondalapati說道：“Databricks提供的協作模式對我們來說至關重要。”
重要建議：Bondalapti表示，首席信息官必須讓這些新工具發揮看家本領，當風險巨大時，尤其要這麼做。例如，Bondalapati對包含100億條數據記錄的概念驗證進行了監督。Bondalapati說：“我們試探性地做這樣的事情，但結果卻令人大開眼界。”
閱讀更多 AI先鋒週刊 的文章
