機器學習證明了它在商業上的價值

Bob+Violino+charles

邊緣上的人工智能：機器學習將成為主流，早期采用者得到了商業利益。

機器學習熱得不能再熱了。機器學習作為一種人工智能，使得計算機能夠學習執行任務，進行預測，而不需要詳細的編程，這一技術在眾多的流行技術中非常火，但對于大多數企業而言仍然是有些遙遠的概念。由于技術進步和新出現的體系架構，機器學習可能很快成為主流。

咨詢公司德勤預計明年機器學習的使用和采用會大幅度增加。這在很大程度上是因為技術越來越普遍了。該公司的最新研究顯示，全球有超過3億部智能手機，或者說2017年銷售的五分之一以上的智能手機將具有機器學習功能。

德勤的技術、媒體和電信業務主管Stuart Johnston說：“以中央處理單元、圖形處理單元或者專用現場可編程門陣列形式出現的新芯片技術能夠以合適的價格、尺寸和功耗提供滿足智能電話應用的神經網絡處理功能。”

Johnston說：“機器學習軟件增加了這些硬件后，將支持本地程序設計模仿人類大腦的某些結構和功能，能夠應用于諸如室內導航、圖像分類、增強現實、語音識別和語言翻譯等領域。從日常用戶的角度來看，這意味著復雜的任務會更容易，更加個性化，更快速，隱私性也更好。”

各行業的公司已經在使用或者試驗機器學習技術。下面來看看三家公司怎樣利用機器學習獲得巨大的商業效果。

把希望“釘”在數據豐富的圖像上

社交媒體網站Pinterest（拼趣）在2014年開始涉獵機器學習技術，開始時主要投入到計算機視覺技術上，并建立了一個工程師小組，工作重點是重塑人們發現圖像的方式。

不到一年后，該公司推出了“視覺搜索”，這是一種不需要文本查詢來搜索信息的新工具。Pinterest的數據科學主管Mohammad Shahangian說：“第一次，視覺搜索讓人們擁有了獲得結果的一種新方法——即使他們找不到合適的詞匯來描述他們要尋找什么。”

視覺搜索應用了深度學習技術——這是一種版本的機器學習技術，它采用了深度神經網絡，通過視覺搜索，Pinterest自動地探測任意一副圖像中的物體、顏色和模式，并推斷出相關的物體。Shahangian說，Pinterest每月除了20億次的文字搜索外，還有超過2億次的視覺搜索。

2016年夏天，視覺搜索演變為Pinterest推出的物體探測，它實時查找‘釘圖（pin圖）中的所有物體，并提供相關的結果。

Shahangian說：“今天，視覺搜索已經成為我們最常用的功能之一，每月會有數億次的視覺搜索，數十億的物體被檢測出來。現在，我們在視覺發現基礎設施上引入了三種新產品。”

Pinterest擁有互聯網上最大的數據豐富的圖像庫之一。Shahangian說：“我們使用機器學習技術不斷地對750億個動態物體進行排名和衡量，從可購買的‘釘圖到視頻，并在最合適的時候為適當的人顯示正確的‘釘圖。我們的核心焦點是幫助人們發現引人注目的內容，例如要購買的產品、要制作的食譜、去嘗試的項目等，機器學習幫助我們為人們提供更個性化的體驗。”

Shahangian說，Pinterest在擴展其國際用戶群時，發現無論人們住在哪里、說什么語言、興趣是什么，為他們提供個性化的服務是最重要的。他說：“使用機器學習模型，我們在過去一年中將美國以外國家的本地‘圖釘（pin）數量提高了250%。現在，每月訪問Pinterest的1.5億人都會看到與他們的國家和語言最相關的‘圖釘。”

此外，機器學習可以預測網站上促銷‘圖釘的相關性及其表現，采用企業的促銷理念來幫助改善用戶體驗。

Shahangian說：“我們最近在建議候選渠道中增加了深度學習，進一步提高了有關‘圖釘的相關度。Pinterest工程師已經開發了一種可擴展的系統，隨著我們產品和人們興趣而不斷發展，所以我們能夠呈現出最相關的建議。通過應用這種新的深度學習模型，早期測試顯示，相關‘圖釘的交易全球增長了5%。”

Shahangian說：“Pinterest正在不斷地開發最新的機器學習技術，以便構建視覺發現引擎，包括推進物體探測的發展，給世界各地的人們提供不斷增長的數據庫以及全世界數據豐富的圖像。”

構建高維模型

另一家使用機器學習技術的公司是軟件提供商Adobe Systems，據Adobe Research副總裁Anandan Padmanabhan的說法，他們多年來一直使用監督和非監督機器學習以及統計模型來幫助其業務的運行。

隨著Adobe的業務向基于云的訂閱服務的過渡，兩個基本推動因素導致公司內需要大規模的機器學習：在線渠道成為獲取客戶的主要來源，以及促進產品接觸和留住數百萬客戶的需求。此外，通過機器學習，采集到的關于客戶與某些產品接觸的數據信息更詳細了。

Padmanabhan說：“Adobe通過產品使用、營銷和客戶支持來采集事件級別的縱向數據，以構建各種類型的預測模型。”這些模型包括付費轉換和保留模型、客戶保留模型、自動特征提取和細分、加售和交叉銷售模型，以及最優分配和基于細分的預測模型等。

公司用于其機器學習工作的工具包括Python Scikit-learn、Spark ML、SAS和專有的內部方法。

Padmanabhan說，機器學習方法幫助公司建立了個人層面的高維模型。他說：“以前，Adobe利用統計工具開發更多的聚合模型，完全忽視了個人層面的不同特性。”

對Adobe來講，機器學習的主要優點是更好地了解付費媒體的邊際影響，從而能夠更好的分配各種銷售渠道的媒體接觸點；以及能夠理解個人客戶傾向和生命周期的各個階段，這些都有助于推動營銷活動。

該公司還通過更好地了解各個產品的使用方式以及對營銷活動的反應，提高了客戶參與度，從而帶來更多的定制產品，客戶支持體驗也更好。這反過來也有助于留住客戶。

此外，Adobe的企業銷售和區域規劃也有了改進，這提高了銷售效率；開發了一種連續性的方法來定義和分析整個企業關鍵績效指標，這使得公司能夠在共同的體系架構中評估所有的活動。

鑒于目前為止非常成功，該公司正在繼續尋找其他的選擇以充分發揮機器學習的優勢。Padmanabhan說：“Adobe有強烈的意愿利用機器學習去管理客戶體驗的方方面面。”

為客戶管理風險

金融風險管理服務提供商LexisNexis風險解決方案（LNRS）公司采用機器學習來幫助客戶防止身份被盜、洗錢、福利詐騙、醫療保健欺詐、壞賬和其他風險。

LNRS的技術架構和產品副總裁Flavio Villanustre說，LNRS幾年前開始使用機器學習從非常大的異構數據池中提取信息并進行分析，創建圖表并預測事件。

該公司主要使用基于HPCC系統自己開發的機器學習工具，該系統是用于大數據處理和分析的開源、大規模并行處理計算平臺。

Villanustre說：“在處理復雜模型并需要擴展以應用于規模非常大和多樣化的數據集時，這一平臺給我們帶來了優勢。”在HPCC平臺之上，LNRS以域專用語言的形式設計了自己的域專用抽象語言，例如復雜的記錄鏈接工具——“可擴展自動鏈接技術”，以及將圖像分析與機器學習能力相結合的“知識工程語言”。

Villanustre說，在機器學習之前，通過算法進行建模時，要求人們了解特定的問題域，從現有數據中提取事實，并編寫大的“啟發式”程序，使用條件規則對輸入數據不同的可能結果進行建模。他說：“這些早期的系統需要專家篩選數據以理解現實，并通過計算機可以理解的條件語句來描述它。這是非常乏味、辛苦的工作，最好留給計算機去做。”

Villanustre說，機器學習改變了這一切，讓計算機提取這些事實，并通過基于統計方程的模型來表示現實。他說：“這極大地節省了域專家的時間，使他們能夠使用人類采用其他方法很難處理的數據集。所得到的計算機程序更簡潔，更易于實施，更高效。”

LNRS使用機器學習來描述企業和個人的整個網絡，以識別詐騙團伙。它還使用該技術來評估和預測信用和保險風險，識別醫療保健相關交易中的欺詐，并幫助抓到犯罪分子。

Villanustre說：“機器學習是我們所做的一切的核心。”該公司正在研究最新的技術更替。他說，深度信念網絡——由多層潛在變量以及層之間的聯結組成的生成圖形模型，還有深度學習最近有一些進展，是有希望的應用領域。

Villanustre說：“對于我們來說，非常重要的是，確認這些新方法符合我們所在各個國家的法律法規，這樣才可以讓個人和社會最大限度地受益于使用這些新方法。”

機器學習成為主流

德勤的Johnston說，機器學習的應用可以是多樣化的，涉及到各行業，包括零售、汽車、金融服務和醫療保健等。

Johnston說，在某些情況下，這將有助于改變公司與客戶的互動方式。例如，在零售業中，機器學習能夠完全重塑零售客戶體驗。使用面部識別技術作為客戶識別工具，這方面的能力在不斷提高，很多公司以新方式來應用這類工具，例如，亞馬遜的Amazon Go商店以及其Alexa平臺。

Johnston說：“Amazon Go通過使用計算機視覺、傳感器融合以及深度學習或者機器學習避免了結賬，我預計很多購物中心和零售商今年會開始嘗試類似的選擇。”

智能手機等普通設備將具備機器學習功能，這一事實意味著該技術將不再局限于理論或者高端應用。

Johnston說：“具備機器學習功能的新興智能手機技術的例子包括通過壓力傳感器確定用戶心情和情緒的程序、使用健康數據進行健康和生活預測的程序，以及探測周圍物體的程序。”

Johnston說，不僅智能手機，無人機、平板電腦、汽車、虛擬現實和增強現實設備、醫療工具以及一系列物聯網設備都將會采用機器學習，使用這些產品的行業都將具備機器學習能力。