让企业获益的AI 成功案例

　　人工智能（AI）和机器学习（ML）目前可能处于发展规律周期的高位，但这并不意味着企业没有从部署利用这些技术的过程中获得切实的收益。

　　本文介绍人工智能和机器学习怎样改进内部业务流程并为企业带来回报的三个实例。

　　促进销售和营销

　　Beacon Street Services 希望其公司所有的数据都有一个“ 单一的真实来源”，以保证应用程序的一致性和准确性。该公司是 Stansberry 控股的服务机构，专门通过购买和订阅来独家制作金融出版物。

　　Beacon Street Services 使用基于云的数据仓库服务： Snowflake，收集和存储了大量数据，希望利用这些数据帮助其销售和营销团队改进以前的销售订阅策略和流程。

　　Beacon Street Services 的工程副总裁David Kline 说：“我们的营销和销售团队发现了通过应用数据科学方法改进销售流程的机会。通过这种方法，我们希望能够更好地确定采购标准，帮助营销团队更有效地开展工作。”

　　从2019 年开始， 该公司将Snowflake 中的历史用户数据加载到DataRobot 部署的企业人工智能平台中，使用数十种最新的数据科学算法，能够快速自动地构建一系列模型。通过这些模型，确定了采购标准，以帮助营销团队更有针对性、更有效地开展活动。

　　Kline 说，该公司现在继续从数据仓库向人工智能平台提供大量数据。

　　新流程的结果是， Beacon Street Services 的销售额增长了10%，年销售额有望额外增加1500 万美元，这直接归功于人工智能平台。 Kline 说，自从组建这一平台以来，该公司在收入增长和成本降低方面的投资回报率达到了30 至35 倍。

　　Kline 说：“例如，对于一个单独的项目，我们必须手动检查以前的交易记录，以确定自动续订后的退单风险，并创建一个风险评估模型。利用人工智能实现了自动化，而且主动处理即将到来的交易也让我们受益匪浅。”

　　除了使用人工智能提高准确性和优化营销工作外， DataRobot 平台还节省了大量的时间。以前， 开发一个模型需要长达六周的时间，而且不能保证选择了最优算法。有了人工智能平台，开发和部署更合适算法的模型所需的时间缩短到一星期。

　　另一个好处是，公司的 IT 部门分析数据的时间减少了，而将更多的时间放在了对业务有潜在价值的项目上。

　　对文档进行分类以提高安全性

　　Company Nurse 公司为服务对象提供新冠病毒健康筛查、工伤报告和护士分诊服务，正在多个方面利用人工智能。

　　其中一个项目涉及改进文件分类过程。 Company Nurse 在2020 年在Concentric 公司部署了一个名为语义智能（Semantic Intelligence）的平台，为客户和最终用户保护员工的薪酬数据。

　　该系统自动发现 Company Nurse 的关键非结构化数据，从而使该公司有机会缓解数据蔓延压力和减少威胁面。

　　作为其客户服务的一部分，Company Nurse 完成了工伤赔偿事故报告，为受伤员工提供适当的护理建议，并管理转诊服务提供者。该公司首席技术官Henry Svendblad 介绍说， 报告和表格中的信息包括大量非结构化数据。

　　通过使用由Concentri提供的人工智能系统， Company Nurse 保护了文档中的私人信息，而且员工不需要手动浏览数据。该平台使用深度学习对数据进行分类、发现业务关键因素并降低了风险，从而自动保护了非结构化数据的安全。

　　Semantec Intelligence 使用针对每一类数据的基准安全措施来计算每个文档与基准的“风险距离”。风险距离能够发现不适当的信息共享、危险的存储位置和不正确的分类事件等。

　　Svendblad 说， 该平台部署后不久，Company Nurse 就能够识别不需要维护的重复文件，并找到了增强访问权限的机会。该公司还发现，由于过度共享和访问权限不严，在一个开放共享应用程序上留下了大量私人受伤报告。

　　Svendblad 说：“ 这些文件出现任何泄露都会对 Company Nurse 造成毁灭性的打击。由于人工智能为我们自动分类这些文档，我们已经关闭了文件被过度共享的几个小‘盲点’。防止一次泄露事件对我们来说价值数万美元。解决方案的成本非常值得投资回报，即使不是‘硬件’投资回报。”

　　除了文档分类过程外， Company Nurse 还将人工智能软件产品应用于销售机会评分、数据分析、零日安全威胁识别和语音文本转录等方面。

　　Svendblad 说， 很难估计该公司在人工智能技术方面的投资，因为这些工具内置在其使用的各种软件产品中。但该公司实际收获了许多好处，包括提高了安全性，员工们能够工作生活两不误，并提高了客服中心的服务质量。

　　向自主石油钻探迈出第一步

　　石油和天然气公司在提高钻井作业效率上正面临着越来越大的压力。德文能源（Devon Energy）便是这样一家公司，它正处于利用人工智能和机器学习进行实时决策的早期阶段，这将实现每一口油井的闭环自动化管理，以及钻机的自动工作，有助于增强现场的整体运营能力、效率和安全性。

　　德文能源公司最近与WPX 能源公司（WPX Energy 开展合作。该公司从 2020 年开始推进人工智能/ 机器学习）合并，目前正在使用一种名为Hivecell 的产品，为西德克萨斯和北达科他油田的钻井现场提供边缘计算服务。由同名公司提供的Hivecell 是一种“边缘即服务”产品，能够在数据源附近进行计算和分析。

　　数据是由一家服务公司提供的设备中的传感器产生的，德文能源在水力压裂过程使用了这些设备。数据从传感器传输到服务公司的系统， 然后通过TCP/IP 协议从这些系统发送到Hivecell。

　　德文能源正处于利用 Hivecell 在远程钻井进行机器学习的第一阶段。拥有这一功能将使德文能源能够避免将所有数据发送到云端进行处理，而后者成本高昂且速度缓慢。Hivecell 与Confluent 的事件流平台结合使用，该平台管理来自Apache Kafka 的原始钻井现场数据。

　　德文能源的高级数据科学顾问Dingzhou Cao 说，“我们一直在寻找提高钻井作业效率的方法，我们希望通过机器学习实现人工操作的自动化。”该项目的第一阶段包括收集水力压裂实时数据，这是一种油井增产技术，通过加压液体来压裂基岩地层，使天然气和石油能够更自由地流动。

　　Cao 说：“我们正在建立模型，从实时数据中自动检测出水力压裂事件。我们希望能够有预见性，一直在寻找提高效率和改进流程的方法。”

　　Cao 说，目前石油和天然气公司通常依赖云计算服务来近实时地处理和分析来自远程位置的数据，但在此过程中存在互联网连接不稳定等问题。

　　Cao 说：“想想一辆自动驾驶的汽车，在云中处理它的数据。在车辆做出反应时，每一毫秒都很重要，目的是保证乘客和周围人员的安全。因此，将数据从汽车端发送到云端所需的时间非常关键，如果不是真正实时的，可能会导致安全事故。”

　　闭环优化也是如此，例如，钻井现场的自动钻机。 Cao 说：“我们需要能够实时做出反应，不能因为不稳定的互联网连接而冒数据丢失的风险。”

　　德文能源正在为真正实时、分析驱动的决策奠定基础，并最终对钻井现场进行闭环控制。这最终将使该公司能够使用基于边缘的流处理功能对钻井作业进行实时闭环控制。钻井现场机器学习模型产生的数据流和分析预处理数据也将被复制到云中用于其他目的。

　　Cao 说：“鉴于Hivecell 在现场运行，我们不必担心延迟和互联网不稳定的问题。”他说，这个平台将使德文能源能够轻松地在钻井现场部署、管理和扩展机器学习模型。

　　德文能源希望在2021 年完成第一阶段，然后进入第二阶段。在第二阶段，它将根据最关键的业务需求确定分析模型。

　　尽管Cao 没有提供具体的成本信息，但他表示，与使用基于云的选择相比，这种实现方式更加经济高效。他说：“ 利用Hivecell， 我们能够处理堆栈上的数据，而不需要为类似的流处理引擎支付软件许可费。”

　　实施后，Cao 说：“ 我们将实时数据在最需要的时候交到最需要的人那里。我们的工程师能够通过手机或者计算机访问实时数据。虽然我们仍处于第一阶段，只是专注于采集这些数据，但随着我们在未来阶段的发展，分析模型将用于帮助钻井现场的决策。”

　　本文作者Bob Violino 目前在纽约， 是Insider Pro、 C o m p u t e r w o r l d 、C I O、 CSO、InfoWorld 和Network World 的特约撰稿人。

　　原文网址 https://www.infoworld. c o m / a r t i c l e / 3 6 1 5 4 4 9 / 3 - enterprise-ai-success-stories. html