人工智能/機器學習成企業高管首選

Robin Austin 陳琳華

在我們生活中的每一個角落、每一扇門背后，甚至是每一扇窗戶都被嵌入了機器學習的人工智能所顛覆。在每種可能的新興產品中，人工智能/機器學習解決方案的升級和廣泛的全球可用性使得它們成為了大多數全球企業高管的重要考慮因素。許多零售和醫療保健管理人員都是人工智能/機器學習的早期采用者。

人工智能/機器學習（AI/ML）的早期采用者

作為早期采用者，只有對人工智能/機器學習認知過程有著更深理解能力的企業高管才能全心全意地在整個企業中部署人工智能/機器學習。其余大多數企業高管正在對人工智能/機器學習進行評估，衡量風險與回報。德勤、麥肯錫、普華永道（PWC）、Forrester和IDC等全球的頂級數據分析公司都在為這些高管服務，幫助他們評估人工智能/機器學習和可能的部署。調查顯示，在人工智能/機器學習開發的早期階段，高管們都會急于在整個企業中部署它們。

最近，隨著高管們開始轉而有計劃地在有可能取得成功的部門展開試點部署，人工智能/機器學習的采用速度有所放緩。但是隨著人工智能/機器學習產品和服務的開發，業界預測至少73%的企業高管將采用某種形式的人工智能/機器學習，他們的部署目的不是為了縮減人員，而是為了更有效地對人員進行重新定位，以最為經濟有效的方式彌補能力上的短板。再培訓不僅可以保持員工的忠誠度，促進公司的成長，而且還可以以較低的成本填補一些需求迫切的職位。

企業高管希望通過人工智能/機器學習將員工從以下工作中解放出來，同時提升服務質量：（1）客戶服務與支持;（2）銷售流程自動化和推薦;（3）威脅情報和預防;（4）欺詐分析和調查;（5）自動預防性維護。此外，還有一些高管希望通過將人工智能/機器學習系統用于交互式建議和推薦當中，以實現智能處理自動化。

零售業希望增加銷售額并防范欺詐行為

據IDC、PWC、德勤和麥肯錫等全球知名分析公司預測，2019年在線銷售額預計將比2018年增加44%，增長到358億美元，全球零售業將在2019年投資約59億美元用于人工智能/機器學習。銀行計劃在2019年投資56億美元。零售業將把人工智能/機器學習系統重點用于客戶服務、銷售、威脅防護和防欺詐。同時他們還希望通過更快的實時服務和支持響應時間來提高客戶滿意度。零售業的高管們希望通過增加人工智能/機器學習專家來提高人工智能/機器學習購物推薦的準確性，從而提高銷售額。通過持續的人工智能/機器學習實時客戶培訓，受過良好教育的買家會成為忠誠的客戶，并能夠促進銷售額的增長。目前這一理念已經得到了業界專家的一致認可。

零售業高管的人工智能/機器學習“投資雷達”可以預防欺詐和阻止威脅。在線銷售額預計到2020年將超過5910億美元，到2023年將超過7354億美元，屆時欺詐損失可能會占收入的10%至85%，具體比例要取決于是否發生勒索軟件攻擊。盡管網絡安全得到了強化，但是這一比例是完全無法預測的，因為盡管企業增加了在線保護的投資，但是沒有人會知道效果到底如何。

每個客戶都會為盜竊和欺詐行為買單，因為所有損失最終都會以某種方式傳遞到客戶身上。企業高管是否應該像Facebook那樣訂閱他們自己的專用社區，這樣不僅會增加客戶互動和銷售額，還可以幫助警察打擊欺詐行為。通過用人工智能/機器學習欺詐預防系統標記社區內的威脅行為，可以啟動基于策略的適當行動。通過人工智能/機器學習，零售企業還可以有效地減少因退款或拒收而導致錯失銷售機遇的情況，并以超過當前客戶交付期望值的方式提高客戶滿意度。自動化的客戶服務和支持代理（通常是聊天機器人）正在所有擁有在線業務的零售企業中被迅速采用。

對人工智能/機器學習語音識別系統的競爭將從移動和固定電話領域進入家庭領域。個性化的常見問題解答和答案，更為簡便的操作和更為體貼的服務將會贏得更多的訂單。提供產品描述、用途建議和必要警告的音頻自動化將使得自動化偏好設置更為便捷。購物可以通過語音識別來完成。如果亞馬遜的Alexa可以根據人類指令訂購披薩，那么它們就可以通過人工智能/機器學習自動化指令訂購披薩。這種自由性和靈活性也會帶來一些問題。如今已經出現了針對Alexa和Siri的攻擊，攻擊者能夠讓Alexa和Siri打開銀行賬戶并暢通無阻地進行大額購物。

人工智能/機器學習可幫助挽救更多生命

醫療管理人員正在迅速接受對人工智能/機器學習的投資，預計到2025年投資額將達到361億美元。據分析師報告顯示，今年（2019年）超過1/3的醫療服務提供商的高管們正在投資人工智能/機器學習。目前的數據分析表明，可以利用人工智能/機器學習管理許多艱巨的任務。例如，通過自助服務終端，在病人辦理就診登記時收集病史可以節約成本。自助終端不僅速度更快，而且獲得患者個人數據的方式更加合規。從事醫療保健的專業人員希望患者自己輸入其個人數據，這樣可以防止輸入錯誤或不準確。醫療管理人員認為這樣做還會降低治理風險。為了保證準確性，這些數據還會被實時驗證，與以前的數據登記記錄進行對比（在可用的情況下）。

與其他數據源進行集成也已經在討論之中，例如與執法數據庫進行整合，以加強執法部門對犯罪分子的追蹤和逮捕。雖然在某些情況下，隱私的重要性超過了便利性，進而導致一些討論受阻，但病人可以選擇醫療機構，選擇接受治療或不接受治療，就像在線選擇進入網站或拒絕一樣。

我們的想法是物聯網設備的切換和采用將與人工智能/機器學習結合在一起。個人數據可通過可穿戴設備，例如通過植入手臂的“芯片”或卡片上的磁條獲得，這對患者和醫療機構都有著巨大的好處。除了儲存在患者所攜設備內的醫療數據之外，它們還可以對一些健康指標進行實時癥狀監測。人工智能/機器學習系統能夠實時收集的生命體征，如體溫、血壓、心率和呼吸，并可在超過醫療閾值時向實時監控中心發出警報。

醫務人員或人工智能/機器學習系統可以通過全球移動通信系統（GSM）和全球定位系統（GPS）借助語音確認患者是否需要幫助。畢竟，我們已經有類似的OnStar、Life Alert和ADT安全監控平臺。當然，患者必須同意通過GSM和GPS系統進行監控，并通過設置允許將病史、實時生命體征、癥狀和位置提供給這些系統。選項設置便于患者提供許可權限和接受服務，從而實現挽救生命。

面部和語音識別可用于物聯網設備

物聯網設備和自助服務終端都可以使用語音指令。只需要掃描一下社保卡和駕照，患者登記程序就可以收集患者的病史，同時執行HIPPA和隱私政策以及授權簽名和保險查驗。先前的許可數據（如果有的話）也可以根據需要用于驗證和更新。讀卡器可用于掃描來自磁卡條的數據。

當然，通過物聯網可穿戴設備，數據可以通過門禁監控系統傳輸到系統中。只需走過設置有人工智能/機器學習醫療設備的檢測門或掃描區域，無論是作為患者還是訪客進入設施，數據記錄都會被自動傳輸至醫療設施系統中。當需要幫助時，只有需要更新的數據才會在下次到訪時被上傳。

為了防止在患者未到場的情況下個人數據被顯示，面部和語音識別系統可以用來增強安全性并提供實時準確性。在事故發生后，救護車的照片會通過人工智能/機器學習門傳送給患者。檢測門監控系統可通過患者具有人工智能/機器學習功能的物聯網可穿戴設備獲取患者個人信息、病史和生命體征。緊急醫療技術人員（EMT）也可通過其攜帶的其他人工智能/機器學習設備在患者去醫院的途中獲取患者的生命體征、癥狀和其他數據。隨后，醫院監控系統可以優先安排醫生、護士、醫療技術人員并為患者安排病房。緊急醫療技術人員還可以根據相關的測試和程序進行深度護理，在以前這些工作是無法想像的。

許多害怕會因此喪失匿名性的人認為這類系統會破壞個人自由，侵犯隱私。作為回應，我想問“如果你無法正常活動，生活只能依靠網絡，那么你會在乎，甚至會考慮誰能夠訪問你的數據嗎？”對于我來說，我會非常高興有人能夠分秒必爭地拯救我的生命。有意思的是，我們應當如何以適當的角度實現即時性和現實性，以便在患者不同意時仍然能夠采取適當的措施。

數據隱私會導致合規成本增加只是一種錯覺，并且干擾了必要的護理。那些企圖惡意增加我們成本的不法分子會傷害到那些正常需要數據為我們造福的人。打個比方，你真的認為如果有人一心想要闖入你家，你能夠把他們拒之門外嗎？在某種意義上，人工智能/機器學習至少為此提供了一種解決方案。

目前我們已經非常相信這些設備提供給我們的生命體征等信息。此外，人工智能/機器學習系統還可以通過給自助服務終端發送指令的方式收集相關數據。雖然人工智能/機器學習尚未發展成為一個完全可值得信賴的診斷和治療平臺，但是IBM的Watson已經證明它們可以提供一些精確的腫瘤診療方案供醫生選擇，并且獲得了很高的成功率。Watson for Oncology使用自然語言處理和機器學習來提供治療建議，目前該系統已經作為一種訓練有素的認知計算系統被美國紐約斯隆-凱特琳癌癥中心（MSK）所采納。IBM Watson吸收了來自醫學文獻、治療指南、醫療記錄、成像和實驗室及病理報告的結構化和非結構化數據，同時還可利用MSK醫療人員的專業知識來制訂治療建議。

針對零售和醫療保健行業的人工智能/機器學習系統已經被早期采用企業的高管們廣泛接受，并且正在迅速擴展，因為已證實的成功結果是共享的。隨著人工智能/機器學習系統的準確性和熟練程度的提高，幾乎所有行業都會受到它們的影響。未來，企業將會重新培訓和保留人員以彌補短板，以便更為高效地保持彈性和關聯性。盡管人工智能/機器學習可能會消除一些職位，但是從長遠看人工智能/機器學習可使人員獲得額外的教育機會和更高的薪酬職位，讓所有人都從中受益。

我們需要讓自己接受不斷的教育，并及時了解自己可以為企業帶來的價值。同時為了在未來的經濟環境中找到指引和解決方案，從而體現自己的價值，我們還應該引導企業的領導層參與這些再培訓。從現在開始，我們要為自己的職業生涯制訂一個規劃，其中包括對人工智能/機器學習的運用。

本文作者Robin Austin從事技術工作已有35年時間并且有著17年從事網絡安全工作的經驗，長期關注一些進化性、顛覆性和營利性的解決方案。

原文網址

https：//www.cio.com/article/3411057/why-ai-ml-is-top-of-mind-with-corporate-executives.html