德勤最近發(fā)布了一篇報告，為機器智能時代的企業(yè)應用與策略提供了建議。德勤認為人工智能的快速演進已經讓其具備了無數種能力，數據作為關鍵業(yè)務資產的出現，從管理大規(guī)模和復雜性任務所需的基礎能力，到越來越成熟、用來從數據庫中挖掘業(yè)務洞見的分析工具技術。執(zhí)行通常需要人類來完成的任務的人工智能技術，正成為這些分析工作的重要組成部分。然而，人工智能只是認知計算領域引人注目的一系列發(fā)展中的一部分，更大的主題是機器智能（MI）。隨著越來越多的公司正在應用機器力量，機器智能在各個領域的支出已經增加，預計在2019年將達到313億美元左右。
數據之大前所未有
數字世界產生的數據每12個月量就會翻倍，預計到2020年它將達到44皆字節(jié)（zettabyte）。隨著來自物聯網，暗物質分析和其他來源的新信號激增，數據將增長得更快。從商業(yè)角度來看，這種爆炸式增長將轉化為比以往任何時候都更有潛在價值的數據源。除了使用傳統(tǒng)分析技術揭開新洞見的潛力之外，這些結構化數據以及大量駐留在深度網絡中的非結構化數據，對機器智能的進步至關重要。這些系統(tǒng)消耗的數據越多，通過發(fā)現關系，模式和潛在暗示，它們就能變得“更聰明”。
要想有效管理快速增長的數據量，就必須用高級方法來掌握數據。從連接設備生成的信號到所有業(yè)務和功能系統(tǒng)歷史交易數據背后的線路電平細節(jié)，處理數據資產成為機器智能目標的關鍵組成部分。
隨著數據量和分析復雜度的增加，能讓個人用戶可以訪問數據的分布式網絡已然更加強大。如今，我們可以快速地處理、搜索和操縱大量數據，這在幾年前是不可能的。微處理器的這種強大性能使得先進系統(tǒng)，比如支持多核和并行處理的設計成為可能。同樣，它也使得我們能夠設計出先進數據存儲技術，用來支持快速檢索和存檔數據分析。從MapReduce、內存計算、機器學習技術如谷歌的張量處理單元的硬件集成中，我們可以看到技術正在發(fā)展，優(yōu)化我們有效處理指數級數據的能力。
除了純粹性能和速度方面的提高，分布式網絡的應用范圍也越來越廣。它們現在可以與云基礎設施、云平臺和云應用程序進行無縫對接，并能夠消化和分析不斷增長的云數據體量。它們也提供對來自網絡的“邊緣”功能，比如物聯網、傳感器和嵌入式智能設備的流數據進行分析與驅動所需的能力。
近年來，日益強大的機器學習算法正朝著實現認知計算的原始目標——模擬人類思維過程的方向穩(wěn)步推進。
機器智能創(chuàng)造價值
應用機器智能將需要一種新的數據分析思考方式，它不僅僅是一種創(chuàng)建靜態(tài)報告的手段，也是一種利用更大、更多樣的數據語料庫來自動執(zhí)行任務和提高效率的方法。
機器智能可以提供深度的、可操作的可視性，不僅是針對已發(fā)生的事情，還有正在發(fā)生和即將發(fā)生的事情。這可以幫助企業(yè)領導人進行預先決策以幫助工作者提高其工作表現。例如在全球各地的呼叫中心，服務代表使用多功能的客戶支持程序來進行產品答疑、訂單處理、賬單問題調查及其他客戶服務。在很多這樣的系統(tǒng)中，工作者一般必須在屏幕之間來回跳躍以訪問所需回復特定查詢的信息。
機器智能價值樹的下一個層次是認知代理，即采用認知技術來與人進行交互的系統(tǒng)。目前，這種技術更多應用于消費者服務而非企業(yè)服務。它們響應語音命令來降低恒溫器溫度或打開電視頻道。然而也開始出現了一個新的應用領域，有一些商業(yè)任務和流程可受益于這種認知參與。它們或許能提供復雜的信息，執(zhí)行一些數字任務，比如病人入院或推薦產品和服務。它們可能會在客戶服務方面提供更大的商業(yè)潛力，也即認知代理可能通過處理賬單或賬戶交互、應付技術支持方面的問題以及回答員工人力資源相關的問題來取代一些人類代理。
機器學習、RPA和其他認知工具深入發(fā)展特定領域的專業(yè)知識，例如產業(yè)、功能等方面，然后自動化相關任務。例如，一家醫(yī)療保健初創(chuàng)公司正在應用深度學習技術分析放射學圖像，在測試中，該系統(tǒng)在判斷惡性腫瘤方面已達到人類放射專家50%的準確度。
權衡商業(yè)和倫理價值
在網絡安全的背景影響下，機器智能同時面臨著機遇和風險。
在機遇方面，利用機器人過程自動化的速度和效率來進行自動化風險管理的某些方面可以使得更加積極有效地識別、環(huán)圍和破除潛在威脅成為可能。利用機器智能來支持網絡系統(tǒng)可能有助于擴展數據分析和處理，以有意的方式對這些工具識別的風險采取自動化行動。
機器智能在這一領域的功效可以通過預測風險和網絡模型進一步增強，將其數據挖掘網進一步擴展到很大程度上并未開發(fā)的領域，如深度網絡，并應對可能遇到的非傳統(tǒng)威脅。企業(yè)還可以利用機器智能來推動渠道活動、戰(zhàn)略和產品設計。
但是機器智能的客戶分析能力有一個潛在的缺點：這些相同的應用程序可能會造成網絡漏洞。機器智能的推斷可能引入新的風險，特別是當推斷有缺陷時。通過創(chuàng)建相關性，機器智能還可以生成呈現隱私問題的衍生數據。事實上，隨著自動化發(fā)揮出作為效率和成本節(jié)約的驅動力的全部潛能之后，許多人正在討論更廣泛的倫理和道德問題。
最后，風險討論應該解決許多機器智能技術的“黑盒子”現實。雖然算法透明度在持續(xù)提升，但當進入這些未知領域，我們應該謹慎地平衡商業(yè)價值的驅動力與未來幾年內可能大量來自聲譽、安全、金融和其他方面的潛在風險。
