領先一步：機器學習的10個成功案例

Clint Boulton Charles

多位IT領導們分享了他們是如何使用人工智能和機器學習來深入了解業務，創造新服務的寶貴經驗。

曾被認為是企業“天方夜譚”項目的人工智能（AI）和機器學習（ML）技術，現在成了主流。

越來越多的企業利用這種模仿人類思維行為的技術來爭取客戶，讓業務更好地運行。這種趨勢毫無疑問會促進該領域的蓬勃發展。據Forrester的最新研究，53%的全球數據和分析技術決策者正在實施或者擴展人工智能的應用，還有20%計劃在未來12個月內實施人工智能。

不管怎樣，通過人工智能、機器學習和機器人實現的自動化越來越多了。正在試驗和開發人工智能和機器學習技術以及一些獲得相關專利的首席信息官們向CIO.com介紹了他們的機器學習應用情形，并分享了一些實用建議。

“數字末日預言者”應用程序預測職位的不相關性

起初，人們擔心機器人將取代所有人的工作，而現在已經不那么擔憂了，人類很有可能會和機器一起工作。但是，埃森哲首席技術官兼首席創新官Paul Daugherty在今年年初的福布斯首席信息官峰會上指出，企業如果不能很好地對員工進行再培訓，那么其工作很有可能被自動化技術所取代。

埃森哲更是如此;這家咨詢公司自動化了大約2.3萬個職位，并重新部署了員工。Daugherty預測，擁有45萬名員工的埃森哲會進一步重新分配職位。

Daugherty說：“我們認為，我們應重新進行培訓。在這方面幾乎沒有做過什么工作?！?/p>

為幫助員工開展這項工作，埃森哲開發了一款應用程序，它使用機器學習來掃描簡歷，預測員工的工作多快就會與職位無關。

該應用程序會考慮員工的工作經歷，并為他們退出職位的可能性打分。例如，該應用程序注意到，由于人工智能或者其他一些自動化技術，員工的技能將在18個月后過時。

Daugherty說，該應用程序不但是數字末日預言者，而且還考慮到了員工的集體工作經驗，并建議員工應掌握哪些相關技能，以便更深入地參與到公司業務中。

主要建議：首席信息官應為企業人工智能戰略負責，并與業務部門的主要利益相關方合作，以確保達成共識和連續性。首席信息官還必須快速發現并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擴大。Daugherty說：“負責任的人工智能必須能融入到企業中。”

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公司，一場數字化轉型為采用機器學習的戰略新產品鋪平了道路：“Ascend Analytics On Demand”是一個自助服務分析平臺，使得該公司能夠建立預測模型以確定關鍵因素，例如，2.2億消費者中有多少人有資格得到他們所要求的信貸額度。

Experian公司的消費者信息服務總裁Alex Lintner介紹說，如果采用該工具，客戶可以在幾分鐘內對所有這些數據進行復雜的分析，而這項工作目前還需要幾個星期的時間。理想情況下，該工具將使消費者能夠在他們需要的時候獲得信貸資格。

據Gartner，人工智能技術在幾乎所有新軟件產品和服務中變得越來越普及，Ascend平臺便是在這種背景下產生的。

Experian全球首席信息官Barry Libenson負責該平臺的開發，開發中使用了Hadoop和其他分析工具，他介紹說：“客戶希望能夠實時看到大量的信息。讓我們去解決問題的日子已經一去不復返了。他們在自己需要的時候，可以用自己希望的方式實時獲得信息。”

主要建議：不能在老軟件上構建新的分析平臺，還希望平臺能夠很好地運行。為了支持Ascend，Experian公司采用了混合云方法，并投資于開源工具，包括容器、API引擎和微服務。Experian公司對構建和使用軟件的方式進行了標準化處理，這樣，這些應用程序和代碼可以被其全球員工和客戶重用。

信用卡公司利用機器學習對抗欺詐

與信用監控公司一樣，信用卡公司也一直在與欺詐分子作斗爭。

萬事達卡的技術和運營總監Ed McLaughlin介紹說，目前有很多專家譴責數字化是我們網絡隱私和安全的禍根，而機器學習和人工智能工具能夠讓服務比塑料信用卡片更加安全。

萬事達卡使用機器學習和人工智能多層工具，以幫助清除有惡意的消費者，并防止他們造成嚴重損害。McLaughlin說，其保護措施的核心是一個內存數據庫系統，從2016年以來，它幫助萬事達避免了大約10億美元的欺詐損失。該軟件使用200多個屬性向量來預測和阻止欺詐行為。

這一核心處理系統結合了標記化、生物特征識別技術、深度學習和其他新奇的方法，幫助萬事達卡維持了其實現價值數十億美元安全交易的聲譽。

主要建議：當涉及到網絡安全時，人類是最薄弱的環節。McLaughlin說，“最重要的是盡可能剔除人為因素”，并補充說，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箱中的關鍵組件。

賽車公司采用機器學習分析技術對汽車進行深度分析

Mercedes-AMG Petronas賽車公司使用機器學習技術幫助實現以可視化方式查看賽車性能。

公司的IT主管Matt Harris介紹說，該公司收集了其F1賽車多個渠道的數據，有時高達每秒1萬個數據點，目的是要做出關鍵決策。

Mercedes-AMG Petronas公司使用Tibco軟件來實現天氣、輪胎溫度和燃料量等變量對汽車影響的可視化。利用該軟件，工程師還能夠仔細分析汽車齒輪的性能和磨損等細節。賽車手通常每圈會換擋100次，每當賽車手換擋時，Tibco會收集大約1000個數據點。

Harris介紹說：“當把這些數據可視化后，實際上能幫助我們讓變速箱壽命更長，或者更重要的是，能更劇烈地換擋。然后，你會發現，如果把變速箱調到某一特定的模式，每圈大約能快50毫秒。在排位賽中，千分之一秒都能分出賽車勝負，所以50毫秒非常重要?！?/p>

Mercedes-AMG Petronas公司開發了機器學習算法來幫助“做人類做不到的事情，或者某些實現起來成本非常高的工作”。Harris相信這些能力最終會成為車隊競爭優勢的關鍵推動因素。

主要建議：為什么要構建一些不是自己核心競爭力的東西呢？在啟動Tibco之前，Mercedes-AMG Petronas公司使用了自己研發的可視化軟件，但隨著時間推移，該軟件被證明效率太低，難以進行維護。依靠Tibco，Mercedes-AMG Petronas公司可以轉而專注于自己的強項：制造高性能汽車。Harris說：“最重要的是讓人們有創造性，思考怎樣解決問題，而不是通過編寫軟件來對問題進行可視化?！?/p>

機器學習預測員工什么時候會離職

像大多數汽車修理公司一樣，Caliber Collison長期以來一直面臨著很大的問題。在其600多家門店中，機械師、油漆工和客戶支持員工往往很快地換工作，有時離職率每年高達40%。

公司發現，部分問題在于其門店有時沒有足夠的車供員工修理，導致工資差別較大。這讓首席信息官Ashley Denison感到困惑：如果Caliber公司能夠預測員工什么時候可能離職，并進行干預，結果會怎樣呢？

Caliber公司開始與技術咨詢公司Sparkhound合作，該公司開發了軟件，從Caliber的工作日人力資源軟件中提取出員工數據，并與微軟PowerBI軟件進行整合，建立一個定制的回歸模型，預測員工是否會考慮離職。然后，Caliber通過數字調查或者個人接觸，盡量讓員工留下來。

例如，如果一名員工的工資在幾周內一直下降，Caliber的地區經理會保證讓他們有更多的汽車去修理。相反，如果一名員工看起來太忙了，那么公司可以把一些工作重新分配給他的同事。結果？ Caliber每年節省了100萬美元，減小了離職率。

主要建議：在機器學習算法容易被夸大和過度銷售之際，最實用的是解決好問題從而節省資金。Dennison說：“員工入職后，現在留住他們容易多了。”

機器學習促進了預測性維護

Lennox公司的IT主管Sunil Bondalapati說，機器學習是Lennox國際公司數字化戰略的核心組成部分，在該戰略中，使用了Databricks的Spark軟件來分析商業供暖和空調系統的信息流。實時監控機器性能有助于公司預測機器什么時候會出故障，使Lennox能夠提前4小時通知從業主到商場經理等各類客戶。

Bondalapati說：“Databricks幫助我們獲得數據，并在設備即將發生故障時以90%的準確率進行預測”，他還補充說，“Lennox先前只能猜測機器什么時候會出現故障，并聯系經銷商。此類事件通常包括誤報，會讓所有各方都不滿意。我們過去很難預測設備故障。”

Databricks提供了多種分析工具，一種工具用于處理一種應用情形，例如供應鏈或者物聯網（IoT）。但是Bondalapati說，Databricks提供了一個統一的平臺，公司可以在這個平臺上管理來自數百個數據庫的數百TB的數據，它運行在Microsoft Azure上，因此，Lennox不用去維護系統。

與Databricks合作后，Bondalapati的IT部門和業務部門一起為數據流構建模型。基于Spark的軟件轉換數據，并為IT和業務人員提供深度分析。Bondalapati說：“Databricks提供的協作模型是我們運營成功的關鍵。”

主要建議：Bondalapti說，首席信息官必須讓一種新工具發揮作用，特別是利害攸關的時候。例如，Bondalapati負責了一個包括100億個數據記錄的概念驗證項目。Bondalapati說：“我們只是試探了一下，真的是讓我們大開眼界?！?/p>

商務旅行有算法

David Thompson在其職業生涯的早期曾擔任美國運通全球商務旅行的首席信息官兼首席技術官，他采用了機器人過程自動化（RPA）和機器學習技術，目的是幫助商務旅行服務提供商更方便地處理業務。

Thompson在4月份福布斯首席信息官峰會上的一個小組會議上發言，介紹了怎樣利用RPA實現取消機票和退款過程的自動化。Thompson還主持了機器學習算法的開發，通過搜索商務行業費用，幫助客戶找到更合適的機票和酒店住宿費，而這項工作以前是由幾名員工完成的。

這些員工被重新調配，為客戶提供更大的價值。Thompson表示，這項技術提升了顧客滿意度，創造了更多的收入。

Thompson之前在西聯匯款（Western Union）公司工作時曾使用機器學習工具來掃描欺詐行為，他說：“到目前為止，這對我們來說相當不錯?，F在員工們可以騰出更多的時間和顧客在一起了?！?/p>

主要建議：Thompson指出，很難進行關于自動化的討論，因為人們擔心會由此而失業。但是如果首席信息官們希望在企業中建立威信，那就必須頭腦清楚、果斷和誠實。Thompson說：“我把我自己的角色看成是業務技術的推動者——使用技術和流程來解決業務問題?！?/p>

人工智能成為產品和業務的推動者

在今年年初的麻省理工學院首席信息官斯隆研討會上，首席信息官Cynthia Stoddard接受CIO.com采訪時介紹說，Adobe系統公司正在利用機器學習來分析系統故障趨勢的幫助臺數據，在出現問題導致重大宕機事件之前主動解決問題。

如果系統看到可能要出現中斷事件，那么系統會在觸發故障之前主動消除或者緩解這些事件。

這一工具被稱為“HaaS”，也就是“修復即服務（healing-as-a-service）”，它能夠捕捉并修復任何事項，從與Adobe的ERP集成失敗直至旨在導入企業各種分析系統中有錯誤的數據源，等等。Stoddard說，HaaS把修復時間從人工的30分鐘減少到了1分鐘。她估計在過去的幾個月里，這為Adobe節省了330小時的修復時間。借助詳細說明問題的報告，Adobe工程師能夠創建永久性修復程序。

Stoddard說：“如果你知道必須修復一些東西，也知道怎樣去修復，那就可以將其自動化。這有很大的好處。”這項工作建立在Stoddard團隊于2017年創建的基于機器學習的診斷測試框架的基礎上。

Adobe的商業業務也采用了人工智能。2016年11月，該公司推出了Sensei，這是一種應用于產品上的人工智能技術層，用于創建和發布文檔，分析和跟蹤網絡和移動應用程序的性能。

主要建議：使用機器學習來識別模式是創建自我修復功能的關鍵。Stoddard說：“如果你知道怎樣修復，那就可以把自我修復功能放進去，而去掉人工因素。”

人工智能加強證券研究

Putnam投資公司是一家共同基金、機構投資策略和退休服務提供商，該公司首席信息官Sumedh Mehta在接受CIO.com采訪時介紹說，人工智能和機器學習對于幫助金融服務公司研究分析師擴大股票覆蓋面至關重要。

Mehta說，這些分析師與Putnam的數據科學家密切合作，撰寫了有助于從大量數據中獲取深度分析的論文。Putnam也在研究能推薦出最重要銷售前景的算法。

Mehta在評論人工智能和機器學習時說：“這是一種極具顛覆性和變革性的力量，在效率和效能上將推動所有業務的發展。”

Mehta把軟件工程師、數據科學家、分析專家和供應商整合在一起，創建了一個卓越數據科學中心，實際是為支持業務相關方的人工智能和機器學習工作打下基礎。他表示，他的“開明的”商業伙伴已經接受了這些方法以便更好地實現自動化。

主要建議：企業應該慢慢來，適當地設定期望，要明白最初的一些想法會帶來新的問題，而不是解決方案。Mehta說：“對于人工智能，不會有靈光乍現的一刻。你的算法不會突然產生你所不知道的深度分析。”

銀行更好地對客戶進行深度分析

像許多大型銀行一樣，美國銀行一直很難從其收集的大量客戶數據中獲得可操作的深度分析結果。美國銀行首席分析官Bill Hoffman正在努力改變這種狀況。在過去的幾個月中，他一直使用Salesforce.com的Einstein人工智能/機器學習技術來加強該銀行的小型企業、批發、商業財富和商業銀行部門的個性化工作。

例如，如果客戶在美國銀行的網站上搜索了有關抵押貸款的信息，那么客戶服務代理可以在該客戶下次訪問某家分行時跟進他。這也有助于美國銀行發現人類可能看不到的模式。例如，該軟件可以建議客戶代理在周四上午10點到12點之間給某一行業的潛在客戶打電話，因為在這段時間內他們更可能接電話。Einstein還可以在客戶代理的日程表中放入日程邀請，提醒他們下周四打電話給潛在客戶。

這些能力是許多金融服務機構希望得到的核心功能，全方位了解客戶，從而及時推薦相關的服務。Hoffman說：“我們正在從一個描述發生了什么或者正在發生什么的世界走向一個更為關注將要發生或者應該發生什么的世界。核心價值是領先一步，預測我們的客戶需求以及他們希望與我們互動的渠道。”

主要建議：在人工智能和機器學習上采取先測試然后學習的方法，要有耐心。但也要準備好推廣有效果的工作。Hoffman說：“總是以客戶為中心。問問自己：這對客戶有什么好處？”