人工智能开始落到实处

　　新工具和数据财富促使首席信息官们转而采用神经网络和机器学习来获得真实结果。本文介绍了2017年度百佳首席信息官中的6位怎样让人工智能开始工作。

　　就像长篇科幻小说和暑期大片中所描述的那样，人工智能和机器学习迅速成为企业的主导力量，帮助各行各业的企业实现业务转型，改进客户体验，开拓新的收入机会。

　　2017年度100位最佳首席信息官中的很多人已经开始了试验人工智能和机器学习项目，以自己的方式建立预测模型和开放平台，向顾问进行咨询，ERP和CRM等核心企业系统越来越多的采用了人工智能新技术。在各个行业中，这一势头非常明显——国际数据公司预测，全球认知和人工智能系统收入2017年将攀升至125亿美元，比2016年增长了59.3%。展望未来，IDC预计，企业在认知和人工智能解决方案方面的投入将稳步增长，2020年前，复合年增长率（CAGR）达到54.4%，届时收入将达到460亿美元以上。

　　IDC认知和人工智能系统研究主任David Schubmehl指出，人工智能的确不是什么新东西，它至少已经存在几十年了，该技术之所以今年开始迅速发展，是因为相对廉价的使用基于云的计算和存储能力、几乎无限的数据财富，以及新工具，所有这些因素使得它更加大众化，而不只是被研究科学家用于开发复杂的算法。他说：“所有这些都为人工智能的茁壮成长创造了肥沃的土壤。”

　　事实上，Schubmehl说，人工智能和认知系统已经扎根于银行和金融行业，能够更好的检测欺诈行为，在零售行业中，用于个性化定制和推荐产品，在制造业中从事预测性维护等工作。同时，人工智能还应用于企业软件平台，为营销活动策划提供建议，实现软件更新和网络监控等自动后台功能，帮助IT们从耗时的日常维护工作中解脱出来，把精力放在增值工作上。他解释说：“人工智能实际上是自动化的自动化。它的真正思想是实现程序和应用的自编程，进行改进，不断学习，提出建议和预测。”

　　Schubmehl说，IT企业已经开始思考人工智能的应用，在业务线上寻找可能的应用情形和试点项目。他补充说，他们也应该评估他们目前合作的软件供应商，以确定这些厂商的产品路线图中含有人工智能和认知功能。

　　同时，Schubmehl提醒说，首席信息官们还应该以批判性的眼光来看待人工智能和认知功能。他说，随着企业的发展，数据质量成为一个大问题，隐私也是如此。例如，如果您根据糟糕的数据或者未加保护的信息，向客户提供预测或者建议，那么企业将不可避免地面临风险。

　　他解释说：“开展应用是应该的，但一定要知道对企业有哪些积极的影响，有哪些潜在的风险和责任。考虑是否需要数据质量或者数据整合计划，以便在开展人工智能项目之前进一步提高数据质量。所有这一切都不是凭空完成的。”

　　请深入阅读，了解2017年度100位最佳首席信息官中的6位是怎样通过投入人工智能和机器学习而实现企业转型的。

　　俄克拉何马大学加强学习和教育，提高学生在学率

　　提高学生在学率一直是大学棘手的难题——而这是评判大学的关键标准之一。未来几年新生在学率一定要达到92%，俄克拉何马大学决定加强人工智能的学习和教育，通过IBM的Watson，从幸福感和成就感两个方面来了解学生。

　　Loretta Yearly，首席信息官，俄克拉何马大学

　　传统上，大学依靠像SAT和ACT分数这样的参考标准和其他结构化数据类型，包括高中GPA和数学能力，来预测学生辍学的概率。然而，这些数据点并没有反映出全局情况，俄克拉何马大学不得不去探索更具创新性的方法——特别是，利用人工智能和机器学习来分析非结构化信息，例如，把学生入学论文纳入到学生在学率分析中。

　　与IBM合作，俄克拉何马大学的IT部门和数据科学团队通过Watson的情绪分析功能梳理了入学论文，进行深度分析，以找出导致学生有可能辍学的相关因素。他们的主要发现是：据俄克拉何马大学业务分析主任Glenn Hansen，入学论文中表达出悲伤情绪的学生在新生第一年后更有可能退学。

　　Hansen解释说：“我们使用Watson的开放API来研究论文中大量的非结构化数据，从中得到了学生的宝贵信息，如果我们逐篇的阅读这些文章，会很难做到这一点。分析过程所发挥的作用远远高于人类，能够把我们学生的数据汇集起来，帮助我们理解哪里会有特征数据产生。”

　　掌握了这方面的信息后，俄克拉何马大学现在能够提前发现——更重要的是，帮助那些可能出现问题的学生，而不是在学生不去上课或者辍学后才发现问题。他说，例如，大学已经开展了咨询服务，其中除了传统的选课指导，还有更多的生活指导，以及其他的实践方法。

　　大学把深度分析应用于实践行动中，而这是部署人工智能时面临的一大挑战。俄克拉何马大学技术发展副总裁助理Eddie Huetsch说：“知识固然重要，但如果没有可操作的程序与学生沟通，让他们觉得有所不同，那真的是什么也没有做成。分析只是一个起点。”

　　自从2016年初启动IBM Watson学生保留计划以来，俄克拉何马大学新生在学率2015秋季为86.1%，而一年后上升到了90.4%，该大学正在稳步向其最高在学率目标迈进。Hansen说：“其实一切都体现在算法的价值上。这对我们来说并不是一个新领域，但我们要使其全面开放，使用结构化和非结构化数据为在校学生提供更好的个性化体验。”

　　Wheels驾乘之趣

　　任何非常有诱惑的尖端技术，特别是像机器学习和人工智能这样有些过热的技术，总会有些负面的东西，让人们担心以后会影响业务。

　　Brian Chau，首席创新官，Wheels

　　而车队管理解决方案的领先供应商Wheels不是这样。该公司并没有在机器学习和人工智能方面开展试验性的项目，而是等待直到出现了一个战略性的商业应用，直接迎接挑战，利用新技术来启动邻近服务，帮助公司更好地管理和控制与个人车辆报销相关的成本。该公司的首席创新官Brian Chau解释说：“我们并不是放弃技术，然后专注于可能实现的工作，而是找到一个非常好的业务问题，去解决它。

　　对于Wheels，这一业务问题与很多客户面临的难题有关，即他们想有效地解决员工在工作中使用个人车辆的报销问题。Wheels的主要业务涉及管理公司车队，越来越多的客户（还有潜在的新市场领域）需要经常性的报销员工使用个人车辆的费用，但由于缺少对保险和维修的监管，这同时也带来了一定的风险。Wheels的首席信息官Tim O‘Hara说：“我们越深入了解报销情况，就越发认识到，这不仅仅是成本管理问题，我们觉得有机会发挥我们的作用。我们认为，除了帮助客户管理成本，我们还有很多用武之地，包括风险管理——不仅是针对司机，更重要的是公司的声誉。”

　　Tim O’Hara，首席信息官，Wheels

　　确定了业务应用后，Wheels建立了一个“伪臭鼬工厂”，去挖掘开发解决方案，包括使用机器学习和模式匹配算法来创建一个评级引擎，查询市场信息和专用车队成本指标，根据司机位置和其他相关因素，为他们确定合理的报销费率。O’Hara说，一般情况下，公司使用美国国税局的最大费率为员工使用个人车辆进行报销，这意味着公司可能多付费，没有真正的好方法来控制员工所提交的报销费用。

　　采用了去年推出的Wheels报销解决方案后，从司机里程记录中得出一种算法，确定是否正确的记录了业务里程，还是应进一步调查。此外，采用了模式匹配算法，根据邮政编码，为每名司机每一当地市场确定了公平的市场成本，并能反映出任何的市场变化。还有一个手机应用程序，利用电话的GPS和加速度计功能，帮助司机满足美国国税局的出差记录要求。

　　这两种基于人工智能的算法是使用R语言神经网络和Wheels私有数据源开发的，例如，来自美国各地30万名司机的加油记录，以及超过50万辆托管车辆的车辆维修历史记录等。还考虑了美国每个地区的保险市场利率。Brien Chau说，Wheels如果不使用机器学习和人工智能也可以拼凑出一个解决方案，但过程会非常复杂，结果和现在完全不一样。他解释说：“数据是如此的复杂……当司机调查当地市场时，我们一定要让他们看到报销是公平合理的。”

　　虽然基于人工智能的系统已经帮助一些客户大幅度降低了报销的业务成本，并为Wheels开辟了一条新的收入来源，但该公司仍然还在随着项目进展而不断学习。有一件事是肯定的——那就是找到能够应用技术解决实际业务问题的人才。

　　Chau说：“我们最稀缺的人才应能够很好的理解业务，知道什么最重要，把技术组合起来应用，完成项目。”

　　Merck在MANTIS的帮助下，深度分析驱动的业务实现飞跃

　　和许多公司一样，Merck公司也利用数据推动创新，增强竞争优势，开创崭新的未来。虽然不缺原始数据资源，但挑战在于怎样准确的找出合适的数据，利用数据让企业真正受益。

　　Michele D‘Alessandro，制造IT副总裁兼首席信息官，Merck

　　数十家，甚至数百家Merck公司的工厂、实验室、分销中心和规划系统不断地制造出大量的数据，而制药公司各部门的数据科学家们一项艰难的工作是获取自己所需的信息，进行深度分析，得出报告。据Merck公司制造IT副总裁兼首席信息官Michele D’Alessandro，高薪聘请的专家们60%的时间都花在收集用于分析的相关数据上，而不是把这些宝贵的时间用在实际数据研究和深度挖掘分析上。

　　D‘Alessandro解释说：“我们想能够在线访问信息，但现在还做不到，我们的前提是，我们有积累了多年的数据，但并不了解这些数据，所以我们不知道能从中得到什么。”

　　2015年年底，Merck打算开展制造分析智能（MANTIS）项目，以改变现状，该项目利用现代数据仓库技术，为制造商提供其运营的结构化和非结构化数据，使Merck逐渐成为由深度分析驱动的企业。MANTIS建立在Hadoop架构上，创建了各个业务点的历史和实时数据的“数据湖”，包括内部事务数据、外部供应商数据，以及文档和电子邮件等非结构化数据。D’Alessandro解释说，MANTIS在标准信息模型基础上提供了协调数据，以及非协调数据，即原始数据，这些信息模型包括客户订单、库存水平等，其关键的不同点是，它不断地获取以前未连接的异构数据，我们不必再耗费时间和精力去响应每一业务请求。

　　她说：“MANTIS明显增强了我们的分析能力，以前只有经过几个月的数据映射和接口处理后才能具备部分分析能力，而且只能应用于很少的业务数据。”她继续补充说，在企业应用程序商店中还有一系列基于用户角色的分析工具。

　　现在，Merck公司发现其分析项目相关的时间和成本减少了45%。今后，D‘Alessandro预计由于增加了机器学习和人工智能，结果会更好，进行更准确的预测深度分析——从优化公司药物生产效率，直至提高性能等各个方面。D’Alessandro说：“从竞争优势的角度来看，这就是MANTIS能真正发挥作用的原因所在。”

　　虽然这项技术让更多的人能够使用数据深度分析，但的确还有一些与文化和企业相关的障碍，使得用户群还不能从数据中获取更大的价值。她说，这类计划要想成功，培训、全公司的教育活动，以及正式的数据管理项目等都是必不可少的基础——特别是要引入让系统越来越智能的机器学习和人工智能等技术。她解释说：“人们应该把数据看成是一种资产，绝不是一次性的资产。人们需要接受指导，意识到数据与公司其他资产一样，都是永久资产。”

　　数字助理成为JPL科学家们的应答教练

　　地球以外存在生命吗？1985年至2017年期间，雷达的主要发展趋势是什么？光年旅行对材料特性和零部件有什么影响？

　　Tom Soderstrom，IT首席技术和创新官，JPL

　　喷气推进实验室（JPL）的科学家和工程师们花了无数的时间，以人工的方式去筛选拍字节的数据并进行研究，力图发现那些隐藏很深的数据点，以便指导未来的太空任务，或者帮助搜寻太空生命——这些似乎都是不可能的问题。同时，JPL员工投入了数千小时的时间去寻找各种材料，为的是能一直满足合规审计要求，准备会议报告——不得不从宏伟的研究中抽出时间来干这些工作。

　　Jim Rinaldi，首席信息官，JPL

　　JPL首席技术和创新官Tomas Soderstrom说：“人们总是试图找到答案，但数据是在不同的地方，也没有完全联网。需要很长的学习周期才能发现有哪些数据，哪些是相关的，一旦发现了数据，人们不会一直去访问这些数据——如此的繁琐有可能导致人们失去工作动力。”

　　随着人工智能和机器学习变得更容易使用，Soderstrom和团队在深度分析上进行训练，利用技术来帮助进行“大海捞针”式的搜索，再也不必手工搜索了。Soderstrom解释说，使用神经网络、机器学习，弹性搜索和图形数据库等新技术，JPL团队建立了ADRE（高级数字研究资源管理器）环境感知平台，作为自动数字助理，主动抓取JPL大量的结构化和非结构化文档，以及视频、图像、数据库和其他类型的数据。

　　Soderstrom解释说：“现在有2千万份非结构化的文本文件，预计未来几年数据量会增长1000倍，不可能以人工方式去搜索数据。”

　　去年发布的ADRE是由JPL的IT团队自己开发的，使用了Docker和GitHub Enterprise等敏捷方法和开源工具。Soderstrom说，同时还设计了一个API，可以部署在任何背景的系统中，支持各种用户界面，包括触摸屏和智能眼镜等。他补充说，JPL一直在不断努力，发展多种能力，包括最近利用语音技术让用户体验更为直观。

　　ADRE提供了发现数据的新方法，已经帮助JPL的关键部门找到相关材料，而这是其他方法很难做到的，还能够更严密的满足合规和安全标准要求，节省了费力的手工搜索时间。由于减少了人工操作，不再需要一些商业软件许可，还发挥了数据重用的优势，Soderstrom的团队预计今后两年将节约2百万美元成本。

　　他说：“大海捞针是真正的动力来源。ADRE就像是一个智能的研究助理，为您的工作着想，帮助您作出更好的决策。”

　　Simple Tire加强预测分析

　　人工智能和预测分析强有力的组合帮助Simple Tire重新评估和重新分配其营销开支。技术创新的另一个好处是把IT重新定位为业务部门的战略合作伙伴，而不是被动的命令接受者和执行者。

　　Das Chiranjoy，首席信息官，Simple Tire

　　据Simple Tire的首席信息官Das Chiranjoy，在认识到营销没有一种好方法来评估其各个渠道的交付之后，公司开始尝试人工智能商业智能框架这一想法。感觉到IT有机会促进业务发展，IT部门启动了试点项目，旨在探索先进的预测分析技术怎样帮助企业更好地分配营销费用，确定哪些渠道和活动是最有用的，预测哪些营销线索能够带来质量更高的营销。他解释说：“我们有数据——我们所做的只是对其进行适当的分析，然后我们可以告诉他们哪些渠道做得好，哪些不好。我的目标之一是把IT定位为业务的驱动力量，这是一个机会。”

　　采用IBM Watson和Alchemy进行了试验，并咨询了Gartner分析师，Chiranjoy对结果并不满意，因此，IT部门使用Azure机器学习和RapidMiner，开始自己建立预测模型。IT部门收集的数据有各种来源，包括CRM、ERP和销售点（POS）系统，以及一个电子商务数据库，这一数据库收集客户的采购方式、人口信息以及市场营销活动的反应。他还解释说，还有来自不同社交媒体渠道的非结构化数据，用于进一步解释消费者情绪及其对未来购买行为的影响。

　　该项目产生了深度分析结果，帮助营销部门确定哪些渠道能带来更好的线索。Chiranjoy说，该项目的两个阶段将利用预测模型来确定有可能再次开展业务的客户，支持业务部门为有可能流失的客户群创建和定制有针对性的措施，尽可能留住他们。他解释说：“针对数据进行持续不断的培训和监督学习，为持续的过程改进周期奠定了基础，从而进一步改善了我们的运营结果。”

　　Chiranjoy说，人工智能和机器学习改变了游戏规则，因为这些技术不同于以诊断报告为主的传统分析技术，它使得我们能够预测未来。他说：“以前，只有事情发生了，我们才去查看数据。现在，我们可以确定未来将发生什么——这些模型不仅告诉我们发生了什么，而且我们还能够知道今后应采取什么行动。”

　　RR Donnelley加速货运成本引擎

　　在竞争非常激励的物流行业中，快速准确的报价是赢得业务的关键。然而对于RR Donnelley，一个移动目标存在很多变化因素，因此，并不总是能绝对精确的及时掌握目标的信息。

　　Ken O‘Brien，执行副总裁兼首席信息官，RR Donnelley

　　RR Donnelley公司执行副总裁兼首席信息官Ken O’Brien说，传统上，销售部门通过梳理历史数据来进行报价，但人工操作过程费时费力，销售人员往往会处理所有可能的变化因素，而这会削弱他们在成本上的竞争力。他解释说：“油价、运输成本，甚至当地天气和某一地区的政治环境等都有可能导致货运费率发生变化。如果您不能很好地把握这些变化因素，那就必须对冲费率。我们希望能够很快地提供非常准确的费率，这样我们对交付给的客户东西就更有信心了。”

　　这种信心源自RR Donnelley采用机器学习和认知计算功能开发的一个新的货运费率引擎模型。历经一年的开发，该货运引擎于2016年10月推出，融合实时数据和历史数据来创建一个复杂的多变量模型，能够非常准确可靠的预测七天的货运费率。O‘Brien说，机器学习平台，结合R编程语言创建的多变量模型，随着时间的推移不断进行学习，不断提高，得到的费率引擎满足了RR Donnelley的速度和准确度要求。

　　他补充说，特别是，与以前的30分钟手动报价过程相比，该模型能够即时报价，已被证明其准确度是业界平均水平的7.5倍。他说：“能够及时给我们的客户报价是非常重要的优势，因为具备了这种预测能力，所以我们不用自己去定价。”

　　O’Brien说，虽然在这一过程中存在着常见的技术问题，但最大的挑战是在文化方面，使企业不再依赖经验和感觉来进行评估，转而采用数据驱动的过程。IT和业务线之间的紧密合作有助于确定预期，让企业充分信任和接受人工智能。

　　O‘Brien说：“最终是放弃老方法，让数据去工作。最大的挑战是首次一定要成功——一旦成功了，前途就会一片光明，所有人都会受益，利用工具集取得类似的胜利。”

　　Beth Stackpole是《计算机世界》的特约撰稿人，20多年来一直从事业务和技术报道工作。

　　原文网址：

　　http：//www.cio.com/article/3215131/artificial-intelligence/ai-gets-down-to-business.html

　　作者/Beth Stackpole 编译/Charles