人工智能開始落到實處

Beth+Stackpole+Charles

新工具和數據財富促使首席信息官們轉而采用神經網絡和機器學習來獲得真實結果。本文介紹了2017年度百佳首席信息官中的6位怎樣讓人工智能開始工作。

就像長篇科幻小說和暑期大片中所描述的那樣，人工智能和機器學習迅速成為企業的主導力量，幫助各行各業的企業實現業務轉型，改進客戶體驗，開拓新的收入機會。

2017年度100位最佳首席信息官中的很多人已經開始了試驗人工智能和機器學習項目，以自己的方式建立預測模型和開放平臺，向顧問進行咨詢，ERP和CRM等核心企業系統越來越多的采用了人工智能新技術。在各個行業中，這一勢頭非常明顯——國際數據公司預測，全球認知和人工智能系統收入2017年將攀升至125億美元，比2016年增長了59.3%。展望未來，IDC預計，企業在認知和人工智能解決方案方面的投入將穩步增長，2020年前，復合年增長率（CAGR）達到54.4%，屆時收入將達到460億美元以上。

IDC認知和人工智能系統研究主任David Schubmehl指出，人工智能的確不是什么新東西，它至少已經存在幾十年了，該技術之所以今年開始迅速發展，是因為相對廉價的使用基于云的計算和存儲能力、幾乎無限的數據財富，以及新工具，所有這些因素使得它更加大眾化，而不只是被研究科學家用于開發復雜的算法。他說：“所有這些都為人工智能的茁壯成長創造了肥沃的土壤?！?/p>

事實上，Schubmehl說，人工智能和認知系統已經扎根于銀行和金融行業，能夠更好的檢測欺詐行為，在零售行業中，用于個性化定制和推薦產品，在制造業中從事預測性維護等工作。同時，人工智能還應用于企業軟件平臺，為營銷活動策劃提供建議，實現軟件更新和網絡監控等自動后臺功能，幫助IT們從耗時的日常維護工作中解脫出來，把精力放在增值工作上。他解釋說：“人工智能實際上是自動化的自動化。它的真正思想是實現程序和應用的自編程，進行改進，不斷學習，提出建議和預測?！?/p>

Schubmehl說，IT企業已經開始思考人工智能的應用，在業務線上尋找可能的應用情形和試點項目。他補充說，他們也應該評估他們目前合作的軟件供應商，以確定這些廠商的產品路線圖中含有人工智能和認知功能。

同時，Schubmehl提醒說，首席信息官們還應該以批判性的眼光來看待人工智能和認知功能。他說，隨著企業的發展，數據質量成為一個大問題，隱私也是如此。例如，如果您根據糟糕的數據或者未加保護的信息，向客戶提供預測或者建議，那么企業將不可避免地面臨風險。

他解釋說：“開展應用是應該的，但一定要知道對企業有哪些積極的影響，有哪些潛在的風險和責任?？紤]是否需要數據質量或者數據整合計劃，以便在開展人工智能項目之前進一步提高數據質量。所有這一切都不是憑空完成的?！?/p>

請深入閱讀，了解2017年度100位最佳首席信息官中的6位是怎樣通過投入人工智能和機器學習而實現企業轉型的。

俄克拉何馬大學加強學習和教育，提高學生在學率

提高學生在學率一直是大學棘手的難題——而這是評判大學的關鍵標準之一。未來幾年新生在學率一定要達到92%，俄克拉何馬大學決定加強人工智能的學習和教育，通過IBM的Watson，從幸福感和成就感兩個方面來了解學生。

Loretta Yearly，首席信息官，俄克拉何馬大學

傳統上，大學依靠像SAT和ACT分數這樣的參考標準和其他結構化數據類型，包括高中GPA和數學能力，來預測學生輟學的概率。然而，這些數據點并沒有反映出全局情況，俄克拉何馬大學不得不去探索更具創新性的方法——特別是，利用人工智能和機器學習來分析非結構化信息，例如，把學生入學論文納入到學生在學率分析中。

與IBM合作，俄克拉何馬大學的IT部門和數據科學團隊通過Watson的情緒分析功能梳理了入學論文，進行深度分析，以找出導致學生有可能輟學的相關因素。他們的主要發現是：據俄克拉何馬大學業務分析主任Glenn Hansen，入學論文中表達出悲傷情緒的學生在新生第一年后更有可能退學。

Hansen解釋說：“我們使用Watson的開放API來研究論文中大量的非結構化數據，從中得到了學生的寶貴信息，如果我們逐篇的閱讀這些文章，會很難做到這一點。分析過程所發揮的作用遠遠高于人類，能夠把我們學生的數據匯集起來，幫助我們理解哪里會有特征數據產生?！?/p>

掌握了這方面的信息后，俄克拉何馬大學現在能夠提前發現——更重要的是，幫助那些可能出現問題的學生，而不是在學生不去上課或者輟學后才發現問題。他說，例如，大學已經開展了咨詢服務，其中除了傳統的選課指導，還有更多的生活指導，以及其他的實踐方法。

大學把深度分析應用于實踐行動中，而這是部署人工智能時面臨的一大挑戰。俄克拉何馬大學技術發展副總裁助理Eddie Huetsch說：“知識固然重要，但如果沒有可操作的程序與學生溝通，讓他們覺得有所不同，那真的是什么也沒有做成。分析只是一個起點?！?/p>

自從2016年初啟動IBM Watson學生保留計劃以來，俄克拉何馬大學新生在學率2015秋季為86.1%，而一年后上升到了90.4%，該大學正在穩步向其最高在學率目標邁進。Hansen說：“其實一切都體現在算法的價值上。這對我們來說并不是一個新領域，但我們要使其全面開放，使用結構化和非結構化數據為在校學生提供更好的個性化體驗?！?/p>

Wheels駕乘之趣

任何非常有誘惑的尖端技術，特別是像機器學習和人工智能這樣有些過熱的技術，總會有些負面的東西，讓人們擔心以后會影響業務。

Brian Chau，首席創新官，Wheels

而車隊管理解決方案的領先供應商Wheels不是這樣。該公司并沒有在機器學習和人工智能方面開展試驗性的項目，而是等待直到出現了一個戰略性的商業應用，直接迎接挑戰，利用新技術來啟動鄰近服務，幫助公司更好地管理和控制與個人車輛報銷相關的成本。該公司的首席創新官Brian Chau解釋說：“我們并不是放棄技術，然后專注于可能實現的工作，而是找到一個非常好的業務問題，去解決它。endprint

對于Wheels，這一業務問題與很多客戶面臨的難題有關，即他們想有效地解決員工在工作中使用個人車輛的報銷問題。Wheels的主要業務涉及管理公司車隊，越來越多的客戶（還有潛在的新市場領域）需要經常性的報銷員工使用個人車輛的費用，但由于缺少對保險和維修的監管，這同時也帶來了一定的風險。Wheels的首席信息官Tim O'Hara說：“我們越深入了解報銷情況，就越發認識到，這不僅僅是成本管理問題，我們覺得有機會發揮我們的作用。我們認為，除了幫助客戶管理成本，我們還有很多用武之地，包括風險管理——不僅是針對司機，更重要的是公司的聲譽?！?/p>

Tim O'Hara，首席信息官，Wheels

確定了業務應用后，Wheels建立了一個“偽臭鼬工廠”，去挖掘開發解決方案，包括使用機器學習和模式匹配算法來創建一個評級引擎，查詢市場信息和專用車隊成本指標，根據司機位置和其他相關因素，為他們確定合理的報銷費率。OHara說，一般情況下，公司使用美國國稅局的最大費率為員工使用個人車輛進行報銷，這意味著公司可能多付費，沒有真正的好方法來控制員工所提交的報銷費用。

采用了去年推出的Wheels報銷解決方案后，從司機里程記錄中得出一種算法，確定是否正確的記錄了業務里程，還是應進一步調查。此外，采用了模式匹配算法，根據郵政編碼，為每名司機每一當地市場確定了公平的市場成本，并能反映出任何的市場變化。還有一個手機應用程序，利用電話的GPS和加速度計功能，幫助司機滿足美國國稅局的出差記錄要求。

這兩種基于人工智能的算法是使用R語言神經網絡和Wheels私有數據源開發的，例如，來自美國各地30萬名司機的加油記錄，以及超過50萬輛托管車輛的車輛維修歷史記錄等。還考慮了美國每個地區的保險市場利率。Brien Chau說，Wheels如果不使用機器學習和人工智能也可以拼湊出一個解決方案，但過程會非常復雜，結果和現在完全不一樣。他解釋說：“數據是如此的復雜……當司機調查當地市場時，我們一定要讓他們看到報銷是公平合理的?！?/p>

雖然基于人工智能的系統已經幫助一些客戶大幅度降低了報銷的業務成本，并為Wheels開辟了一條新的收入來源，但該公司仍然還在隨著項目進展而不斷學習。有一件事是肯定的——那就是找到能夠應用技術解決實際業務問題的人才。

Chau說：“我們最稀缺的人才應能夠很好的理解業務，知道什么最重要，把技術組合起來應用，完成項目?！?/p>

Merck在MANTIS的幫助下，深度分析驅動的業務實現飛躍

和許多公司一樣，Merck公司也利用數據推動創新，增強競爭優勢，開創嶄新的未來。雖然不缺原始數據資源，但挑戰在于怎樣準確的找出合適的數據，利用數據讓企業真正受益。

Michele D'Alessandro，制造IT副總裁兼首席信息官，Merck

數十家，甚至數百家Merck公司的工廠、實驗室、分銷中心和規劃系統不斷地制造出大量的數據，而制藥公司各部門的數據科學家們一項艱難的工作是獲取自己所需的信息，進行深度分析，得出報告。據Merck公司制造IT副總裁兼首席信息官Michele D'Alessandro，高薪聘請的專家們60%的時間都花在收集用于分析的相關數據上，而不是把這些寶貴的時間用在實際數據研究和深度挖掘分析上。

D'Alessandro解釋說：“我們想能夠在線訪問信息，但現在還做不到，我們的前提是，我們有積累了多年的數據，但并不了解這些數據，所以我們不知道能從中得到什么?！?/p>

2015年年底，Merck打算開展制造分析智能（MANTIS）項目，以改變現狀，該項目利用現代數據倉庫技術，為制造商提供其運營的結構化和非結構化數據，使Merck逐漸成為由深度分析驅動的企業。MANTIS建立在Hadoop架構上，創建了各個業務點的歷史和實時數據的“數據湖”，包括內部事務數據、外部供應商數據，以及文檔和電子郵件等非結構化數據。D'Alessandro解釋說，MANTIS在標準信息模型基礎上提供了協調數據，以及非協調數據，即原始數據，這些信息模型包括客戶訂單、庫存水平等，其關鍵的不同點是，它不斷地獲取以前未連接的異構數據，我們不必再耗費時間和精力去響應每一業務請求。

她說：“MANTIS明顯增強了我們的分析能力，以前只有經過幾個月的數據映射和接口處理后才能具備部分分析能力，而且只能應用于很少的業務數據?！彼^續補充說，在企業應用程序商店中還有一系列基于用戶角色的分析工具。

現在，Merck公司發現其分析項目相關的時間和成本減少了45%。今后，D'Alessandro預計由于增加了機器學習和人工智能，結果會更好，進行更準確的預測深度分析——從優化公司藥物生產效率，直至提高性能等各個方面。D'Alessandro說：“從競爭優勢的角度來看，這就是MANTIS能真正發揮作用的原因所在。”

雖然這項技術讓更多的人能夠使用數據深度分析，但的確還有一些與文化和企業相關的障礙，使得用戶群還不能從數據中獲取更大的價值。她說，這類計劃要想成功，培訓、全公司的教育活動，以及正式的數據管理項目等都是必不可少的基礎——特別是要引入讓系統越來越智能的機器學習和人工智能等技術。她解釋說：“人們應該把數據看成是一種資產，絕不是一次性的資產。人們需要接受指導，意識到數據與公司其他資產一樣，都是永久資產?！?/p>

數字助理成為JPL科學家們的應答教練

地球以外存在生命嗎？1985年至2017年期間，雷達的主要發展趨勢是什么？光年旅行對材料特性和零部件有什么影響？

Tom Soderstrom，IT首席技術和創新官，JPL

噴氣推進實驗室（JPL）的科學家和工程師們花了無數的時間，以人工的方式去篩選拍字節的數據并進行研究，力圖發現那些隱藏很深的數據點，以便指導未來的太空任務，或者幫助搜尋太空生命——這些似乎都是不可能的問題。同時，JPL員工投入了數千小時的時間去尋找各種材料，為的是能一直滿足合規審計要求，準備會議報告——不得不從宏偉的研究中抽出時間來干這些工作。endprint

Jim Rinaldi，首席信息官，JPL

JPL首席技術和創新官Tomas Soderstrom說：“人們總是試圖找到答案，但數據是在不同的地方，也沒有完全聯網。需要很長的學習周期才能發現有哪些數據，哪些是相關的，一旦發現了數據，人們不會一直去訪問這些數據——如此的繁瑣有可能導致人們失去工作動力。”

隨著人工智能和機器學習變得更容易使用，Soderstrom和團隊在深度分析上進行訓練，利用技術來幫助進行“大海撈針”式的搜索，再也不必手工搜索了。Soderstrom解釋說，使用神經網絡、機器學習，彈性搜索和圖形數據庫等新技術，JPL團隊建立了ADRE（高級數字研究資源管理器）環境感知平臺，作為自動數字助理，主動抓取JPL大量的結構化和非結構化文檔，以及視頻、圖像、數據庫和其他類型的數據。

Soderstrom解釋說：“現在有2千萬份非結構化的文本文件，預計未來幾年數據量會增長1000倍，不可能以人工方式去搜索數據?！?/p>

去年發布的ADRE是由JPL的IT團隊自己開發的，使用了Docker和GitHub Enterprise等敏捷方法和開源工具。Soderstrom說，同時還設計了一個API，可以部署在任何背景的系統中，支持各種用戶界面，包括觸摸屏和智能眼鏡等。他補充說，JPL一直在不斷努力，發展多種能力，包括最近利用語音技術讓用戶體驗更為直觀。

ADRE提供了發現數據的新方法，已經幫助JPL的關鍵部門找到相關材料，而這是其他方法很難做到的，還能夠更嚴密的滿足合規和安全標準要求，節省了費力的手工搜索時間。由于減少了人工操作，不再需要一些商業軟件許可，還發揮了數據重用的優勢，Soderstrom的團隊預計今后兩年將節約2百萬美元成本。

他說：“大海撈針是真正的動力來源。ADRE就像是一個智能的研究助理，為您的工作著想，幫助您作出更好的決策。”

Simple Tire加強預測分析

人工智能和預測分析強有力的組合幫助Simple Tire重新評估和重新分配其營銷開支。技術創新的另一個好處是把IT重新定位為業務部門的戰略合作伙伴，而不是被動的命令接受者和執行者。

Das Chiranjoy，首席信息官，Simple Tire

據Simple Tire的首席信息官Das Chiranjoy，在認識到營銷沒有一種好方法來評估其各個渠道的交付之后，公司開始嘗試人工智能商業智能框架這一想法。感覺到IT有機會促進業務發展，IT部門啟動了試點項目，旨在探索先進的預測分析技術怎樣幫助企業更好地分配營銷費用，確定哪些渠道和活動是最有用的，預測哪些營銷線索能夠帶來質量更高的營銷。他解釋說：“我們有數據——我們所做的只是對其進行適當的分析，然后我們可以告訴他們哪些渠道做得好，哪些不好。我的目標之一是把IT定位為業務的驅動力量，這是一個機會?！?/p>

采用IBM Watson和Alchemy進行了試驗，并咨詢了Gartner分析師，Chiranjoy對結果并不滿意，因此，IT部門使用Azure機器學習和RapidMiner，開始自己建立預測模型。IT部門收集的數據有各種來源，包括CRM、ERP和銷售點（POS）系統，以及一個電子商務數據庫，這一數據庫收集客戶的采購方式、人口信息以及市場營銷活動的反應。他還解釋說，還有來自不同社交媒體渠道的非結構化數據，用于進一步解釋消費者情緒及其對未來購買行為的影響。

該項目產生了深度分析結果，幫助營銷部門確定哪些渠道能帶來更好的線索。Chiranjoy說，該項目的兩個階段將利用預測模型來確定有可能再次開展業務的客戶，支持業務部門為有可能流失的客戶群創建和定制有針對性的措施，盡可能留住他們。他解釋說：“針對數據進行持續不斷的培訓和監督學習，為持續的過程改進周期奠定了基礎，從而進一步改善了我們的運營結果?！?/p>

Chiranjoy說，人工智能和機器學習改變了游戲規則，因為這些技術不同于以診斷報告為主的傳統分析技術，它使得我們能夠預測未來。他說：“以前，只有事情發生了，我們才去查看數據?，F在，我們可以確定未來將發生什么——這些模型不僅告訴我們發生了什么，而且我們還能夠知道今后應采取什么行動?！?/p>

RR Donnelley加速貨運成本引擎

在競爭非常激勵的物流行業中，快速準確的報價是贏得業務的關鍵。然而對于RR Donnelley，一個移動目標存在很多變化因素，因此，并不總是能絕對精確的及時掌握目標的信息。

Ken O'Brien，執行副總裁兼首席信息官，RR Donnelley

RR Donnelley公司執行副總裁兼首席信息官Ken O'Brien說，傳統上，銷售部門通過梳理歷史數據來進行報價，但人工操作過程費時費力，銷售人員往往會處理所有可能的變化因素，而這會削弱他們在成本上的競爭力。他解釋說：“油價、運輸成本，甚至當地天氣和某一地區的政治環境等都有可能導致貨運費率發生變化。如果您不能很好地把握這些變化因素，那就必須對沖費率。我們希望能夠很快地提供非常準確的費率，這樣我們對交付給的客戶東西就更有信心了?！?/p>

這種信心源自RR Donnelley采用機器學習和認知計算功能開發的一個新的貨運費率引擎模型。歷經一年的開發，該貨運引擎于2016年10月推出，融合實時數據和歷史數據來創建一個復雜的多變量模型，能夠非常準確可靠的預測七天的貨運費率。O'Brien說，機器學習平臺，結合R編程語言創建的多變量模型，隨著時間的推移不斷進行學習，不斷提高，得到的費率引擎滿足了RR Donnelley的速度和準確度要求。

他補充說，特別是，與以前的30分鐘手動報價過程相比，該模型能夠即時報價，已被證明其準確度是業界平均水平的7.5倍。他說：“能夠及時給我們的客戶報價是非常重要的優勢，因為具備了這種預測能力，所以我們不用自己去定價。”

O'Brien說，雖然在這一過程中存在著常見的技術問題，但最大的挑戰是在文化方面，使企業不再依賴經驗和感覺來進行評估，轉而采用數據驅動的過程。IT和業務線之間的緊密合作有助于確定預期，讓企業充分信任和接受人工智能。

O'Brien說：“最終是放棄老方法，讓數據去工作。最大的挑戰是首次一定要成功——一旦成功了，前途就會一片光明，所有人都會受益，利用工具集取得類似的勝利?！眅ndprint