以下為完整版報告：

 

　　人工智能的快速演進已經讓其具備了無數(shù)種不同——甚至經常被誤解——的能力，例如機器學習，深度學習，認知分析，機器人過程自動化（RPA）和機器人程序等等?？偟膩碚f，這些工具了構成機器智能：它可以提高員工績效的算法能力，自動化日益復雜的工作量，并發(fā)展模擬人類思維和參與交互的「認知智能體」。機器智能代表著高級分析之旅的下一章。

 

　　數(shù)據(jù)作為關鍵業(yè)務資產的出現(xiàn)，在每個技術趨勢報告中都是繞不過去的主題，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(shù)據(jù)庫中挖掘業(yè)務洞見的分析工具技術。通過利用分析來闡明在不斷增長的數(shù)據(jù)庫中隱藏的模式、洞見和機會，很多公司已經開發(fā)出了與客戶交互的新方法、增強員工的技能和智力、培育新產品、服務和工作以及探索新的商業(yè)模式。今天，越來越多的 CIO 正在為它們打下基礎，讓洞見成為組織驅動力。

 

　　執(zhí)行通常需要人類來完成的任務的人工智能（AI）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），一個代表新認知時代所有進步的總稱。在這里，我們討論的是一些近年來發(fā)展迅速的認知工具，僅舉幾例，如機器學習，深度學習，高級認知分析，機器過程自動化和機器人。

 

　　我們已經見證過在各個領域出現(xiàn)的機器智能早期使用案例。例如，一家運行著美國最大醫(yī)學研究計劃之一的領先醫(yī)院，正在「訓練」其機器智能系統(tǒng)分析存儲在數(shù)據(jù)庫中的 100 億個表型和遺傳圖像。在金融服務領域，認知銷售代理使用機器智能主動聯(lián)系潛在的客戶，然后獲取資格進行隨訪，維護這一商機。這個認知助手可以解析自然語言，理解客戶對話問題，同時處理多達 27,000 個會話，支持語言多達幾十種。

 

　　隨著越來越多的公司正在應用機器力量，在接下來的幾個月中，我們有望看到更多類似的案例。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。[1] 它也成為 CIO 的優(yōu)先考慮事項。德勤「2016 年全球 CIO 調查」要求 1200 名 IT 高管指出他們計劃在未來兩年內大幅投資的新興技術。包括認知技術，其中機器智能占到 64％。[2]

 

　　一、數(shù)據(jù)，前所未有

 

　　我們今天認為，在 20 世紀 50 年代發(fā)展的認知計算很有遠見，它能夠使技術模擬人類智能。雖然有些原始的人工智能技術在 20 世紀 80 年代具有商業(yè)可用性，但是直到 21 世紀，人工智能——以及包括新興機器智能趨勢在內的認知計算能力，才真正地起飛。[3]

 

 

　　指數(shù)級數(shù)據(jù)增長：數(shù)字世界——即我們每年創(chuàng)造和復制的數(shù)據(jù)——每 12 個月就會翻倍。事實上，預計到 2020 年它將達到 44 皆字節(jié)（zettabyte）。我們還知道，隨著來自物聯(lián)網(wǎng)，暗物質分析和其他來源的新信號激增，數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)以及大量駐留在深度網(wǎng)絡中的非結構化數(shù)據(jù)，對機器智能的進步至關重要。這些系統(tǒng)消耗的數(shù)據(jù)越多，通過發(fā)現(xiàn)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(shù)據(jù)量，就必需用高級方法來掌握數(shù)據(jù)，存儲，保留，訪問，上下文和管理。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(shù)據(jù)背后的線路電平（line-level）細節(jié)，處理數(shù)據(jù)資產成為機器智能目標的關鍵組成部分。

 

　　運行速度更快的分布式系統(tǒng)：隨著數(shù)據(jù)量和分析復雜度的增加，能讓個人用戶可以訪問數(shù)據(jù)的分布式網(wǎng)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(shù)據(jù)，這在幾年前是不可能的。當代微處理器的性能是 1971 年出的第一款單芯片微處理器性能的 400 萬倍 [6]。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(shù)據(jù)存儲技術，用來支持快速檢索和存檔數(shù)據(jù)分析。從 MapReduce、內存計算、機器學習技術（比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(shù)級數(shù)據(jù)的能力。

 

　　除了純粹性能和速度方面的提高，分布式網(wǎng)絡的應用范圍也越來越廣。它們現(xiàn)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(shù)據(jù)體量。它們也提供對來自網(wǎng)絡「邊緣（edge）」功能，比如物聯(lián)網(wǎng)、傳感器和嵌入式智能設備的流數(shù)據(jù)進行分析和驅動所需的能力。

 

　　更智能的算法：近年來，日益強大的機器學習算法正朝著實現(xiàn)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。

 

　　由于機器智能使用實例將于未來 18 到 24 個月內出現(xiàn) [7]，以下這些算法性能可能會在公共及私營單位得到更廣泛的應用：

 

 

　　優(yōu)化、規(guī)劃、調度：在更成熟的認知算法中，優(yōu)化實現(xiàn)了有限資源權衡和復雜決策的自動化。同樣，規(guī)劃和調度算法設計了一系列動作來滿足目標處理和約束觀察的需求。

 

　　機器學習：通過接觸數(shù)據(jù)而無需遵循明確編程指令，計算機系統(tǒng)正在增強改善性能的能力。機器學習的核心是自動發(fā)現(xiàn)數(shù)據(jù)中的模式。模式一旦確定便可用來做預測。

 

 

　　深度學習：開發(fā)人員正致力于涉及人工神經網(wǎng)絡的機器學習算法，其靈感來源于大腦結構和功能。互聯(lián)模塊運行的數(shù)學模型是基于大量輸入數(shù)據(jù)的處理結果進行連續(xù)調整。深度學習可以是監(jiān)督型（需要人為干預來訓練基礎模型的演化）或無監(jiān)督型（基于自我評價來自主改善模型）。

 

　　概率推理：人工智能的新性能是使用圖形分析和貝葉斯網(wǎng)絡來確定隨機變量的條件依賴性。

 

　　語義計算：此認知范疇包括計算機視覺（分析圖像的能力）、語音識別（分析和解釋人類語言的能力）和各種文本分析能力，用以理解自然表達中的意圖和計算內容的語義等。然后使用這些信息來支持數(shù)據(jù)的分類、映射和檢索。

 

　　自然語言引擎：自然語言引擎可以理解人類的手寫文本，還能以許多復雜的方式來操縱那些文本，比如自動識別文檔中提到的所有人和地點；識別一個文檔的主題；或從一堆人類可讀的合同文本中提取出條件和術語并制成表格。兩個常見的自然語言引擎是：側重于消費人類語言的自然語言處理技術和側重于創(chuàng)建自然語言輸出的自然語言生成技術。

 

　　機器人程序自動化（Robotic process automation/RPA）：軟件機器人，或者說「bot」，可以通過模仿人類與軟件應用程序的互動方式來執(zhí)行日常業(yè)務流程。企業(yè)開始采用 RPA 配合認知技術（比如語音識別、自然語言處理、機器學習）來自動執(zhí)行感性的和理性的、曾經是人類專屬的任務。[8]

 

　　二、機器智能如何創(chuàng)造價值

 

　　對于 CIO 來說，應用機器智能將需要一種新的數(shù)據(jù)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(shù)據(jù)語料庫來自動執(zhí)行任務和提高效率的方法。

 

　　在機器智能方面，以下是可供 CIO 參考的一系列機會：

 

 

　　認知見解（Cognitive insights）：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(xiàn)。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、帳單問題調查及其它客戶服務。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。

 

　　認知參與（Cognitive engagement）：機器智能價值樹的下一個層次是認知代理（cognitive agents），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(xiàn)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(shù)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帳單或帳戶交互、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。[9]

 

　　認知自動化（Cognitive automation）：在第三個——可能是最具破壞性的一個——機器智能的機會中，機器學習、RPA 和其它認知工具深入發(fā)展特定領域的專業(yè)知識（例如產業(yè)、功能或地區(qū)方面）然后自動化相關任務。我們已經看到設計有自帶機器智能的設備用來自動化那些傳統(tǒng)上由訓練有素的工人所進行的工作。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。在其測試中，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。[10]

 

　　在教育領域，嵌入于線上學習計劃中的機器智能性能模仿了一對一輔導的優(yōu)點，即通過跟蹤學習者在問題處理任務期間的「心理步驟」來診斷他對知識的錯誤理解。然后它們向學習者提供及時的指導、反饋和解釋。[11]

 

　　三、來自先行者的經驗教訓

 

　　協(xié)作機器人（CO-BOT），而不只是機器人（ROBOT）

 

　　面對長期的低利率、競爭的加劇以及不斷變化的客戶和市場的動態(tài)所導致的成本壓力，全球保險商美國國際集團（American International Group Inc./AIG）啟動了戰(zhàn)略重組來簡化其組織和提高運營效率。其中一部分內容涉及了對日益增加的技術債務以及一個努力維持運營穩(wěn)定的分布式 IT 部門的處理。

 

　　據(jù) AIG 全球首席技術官 Mike Brady 稱，通過將 IT 部門重組成一個向 CEO 匯報的單一組織，AIG 奠定了創(chuàng)造新企業(yè)技術范式的基礎。這一轉型的第一步涉及基本能力的建立，為此該團隊制定了一個分成三部分的方法：

 

 

　　穩(wěn)定（Stabilize）：整體網(wǎng)絡性能需要改進，因為用戶幾乎每天都會經歷十分嚴重的中斷，而且虛擬網(wǎng)絡性能每周都會下降一次。

 

　　優(yōu)化（Optimize）：此策略專注于自助服務、自動化和成本效率。

 

　　加速（Accelerate）：為使處理進度迅速向前推進，該團隊實施了一個 DevOps 戰(zhàn)略來創(chuàng)建一個連續(xù)集成/連續(xù)部署工具鏈和流程流了來實時地部署軟件。

 

　　AIG 尋求機器學習的幫助以實現(xiàn)這些方向。該公司開發(fā)了一個先進的協(xié)作機器人程序，它可以利用內置的算法能力、機器學習和機器人流程自動化。這些虛擬的工人被稱為「co-bot」——表達了公司希望所有員工將虛擬員工作為人類員工的一種擴展和助手的期望。

 

　　2015 年 10 月，AIG 部署了「ARIES」——該公司的第一個機器學習虛擬工程師——來解決全球的網(wǎng)絡事件。在一個 90 天的試點項目中，ARIES 被訓練為沿著一種「管理和監(jiān)督（curate and supervise）」模式進行操作，并向其人類同事們學習。在這種方法中，ARIES 通過觀察和實驗來學習如何評估中斷源以及如何確定可能的原因和反應。該 co-bot 已準備好在第 91 天時實現(xiàn)全面部署。這并不是說這些機器有多快——事實上，AIG 已經發(fā)現(xiàn)人類平均需要 8 至 10 分鐘來解決一個典型的問題，而 co-bot 則平均需要 8 分鐘。這要歸功于其規(guī)模：co-bot 可以不休息、不睡覺地進行連續(xù)工作，而且解決問題極為迅速，不會造成任務積壓。

 

　　在部署 ARIES 的 6 個月內，自動化識別并處理了超過 60% 的中斷。一年之內，ARIES 的機器智能加上它對環(huán)境健康監(jiān)測傳感器的擴充使用，使它在愈加嚴重的網(wǎng)絡問題擴大化之前以編程方式對其進行了修復。虛擬工程師可以自動識別不良設備、進行診斷測試以確定原因，并登錄以實現(xiàn)恢復性修理或升級為「咨詢」技術員。此外，該 co-bot 將網(wǎng)絡問題關聯(lián)了起來，因此，例如數(shù)據(jù)模式顯示某設備在一個月內造成了 50 個事故，那么 IT 團隊就知道它需要更換了。在過去的一年間，這些工作減少了 50 % 的嚴重等級為 1 和 2 的問題。它們還增加了技術員的工作滿意度。由于不用再執(zhí)行普通而繁復的任務，技術人員現(xiàn)在可以專注于更具挑戰(zhàn)性的、有趣的任務，并從 co-bot 的診斷建議中受益。

 

　　還有額外四個 co-bot 各與一名經理共同經營公司，負責管理、工作、培訓和學習方面的內容，甚至包括績效管理，該舉措已取得一系列的成功。

 

　　沿著 co-bot 在 IT 部門所取得的成功路徑，AIG 正在挖掘機會將機器學習應用于業(yè)務操作中?！肝覀兿Ｍ髽I(yè)使用機器學習，而不是需要更多的資源，」Brady 說?！肝覀冃枰么髷?shù)據(jù)和機器學習作為新的資源，而不是把它們當成新的成本?！箖炔吭囼炚谶M行中，以確定 co-bot 是否可以審查傷害索賠并立即授權支付支票，這樣客戶就不需要延遲處理了。其它機會可能會出現(xiàn)在認知增強的自助服務領域、代理增強輔助渠道，甚至是使用認知代理作為自己面向客戶的渠道。

 

　　「co-bot 方式仍需改進，」Brady 說。「如果它真的很復雜，就會與團隊操作的便捷性相矛盾。這就是設計思維的源泉。自從一年前我們開始做這件事以來，已經解決了 14.5 萬起事故。它做得非常好；只是還需將它推進到業(yè)務流程直至客戶認知互動方向。[12]

 

　　病人這邊請

 

　　隨著醫(yī)療保健走向了成果導向的模式，患者正在尋找健康保險公司來提供與零售商和銀行同等水平的高度個性化客戶服務。為了滿足這一期望，美國最大的健康福利公司之一 Anthem 正在探索如何利用認知計算能力來流程化和增強其與客戶的接觸，并使客戶支持服務更加高效、響應敏捷和直觀。Anthem 的最終目標是在整個政策周期內改變公司與其下屬健康計劃公司成員的交互方式，而不是僅僅在索賠發(fā)生時。

 

 

　　在第一階段，該公司通過將認知洞見應用于索賠審判過程，使索賠審查人員對每一種情況都有了更深入的了解。根據(jù) Anthem 副總裁（供應商/臨床分析和人群健康管理方面）Ashok Chennuru 的說法，「我們正在整合內部索賠數(shù)據(jù)、會員資格、供應商統(tǒng)計和外部數(shù)據(jù)——包括社會經濟學、臨床/電子病歷（EMR）、生活方式等方面的數(shù)據(jù)，以建立一個健康計劃公司成員的縱向視圖?！筟13]

 

　　目前，評審人員從文檔審查、病患歷史調查和取證收集這些過程著手以確定接下來的步驟。有了認知見解，新系統(tǒng)正在不間斷地審查后臺的現(xiàn)有記錄，從而向審查人員提供記錄全貌（包括某病人的重復住院情況這種補充信息）來向他們提供可能的醫(yī)療計劃或有針對性的干預，以及應用智能來標記出索賠相關的任何潛在問題。一旦索賠代表收到案件，她就有了進行全面評估所必需的信息。[14]

 

　　在其下一階段，Anthem 將開始把認知自動化加入到理賠處理過程，為裁判騰出時間來關注那些需要添加支持水平的患者?！竿ㄟ^部署可預測的和規(guī)定好的分析以及機器學習算法，我們能夠處理以一個更具成本效益的方式處理結構化和非結構化的數(shù)據(jù)，」Chennuru 說。首先，該系統(tǒng)將識別出任何叩待解決和需要具體行動過程建議的潛在問題。隨著系統(tǒng)的成熟，如果它的分析達到一定的確定性閾值，它自己便可以基于所有的信號和輸入開始解決某些問題。如果確定性水平低于該閾值，那么裁判將手動查看并解決索賠問題。由于系統(tǒng)的持續(xù)學習能力可以隨著時間推移對裁判成功解決問題的過程進行監(jiān)控，該系統(tǒng)將把適當?shù)男袆优c具體問題相關聯(lián)，從而不斷提高其自動分辨精度和效率。

 

　　在第三階段，隨著 Anthem 對認知參與的深入實踐，該公司將更廣泛地利用其神經網(wǎng)絡和深度學習，來一對一地為醫(yī)療保健供應商推薦個性化的病患護理計劃。在從單純的索賠處理任務到積極參與進客戶關懷的轉變中，Anthem 將能夠審查病人的病史并向供應商提供未來護理計劃的建議。

 

　　Anthem 半監(jiān)督機器學習能力基準教導系統(tǒng)如何打破問題、組織它們并確定最佳反應。在測試期間，觀察者會將系統(tǒng)行為與性能和傳統(tǒng)的人為驅動方法進行比較，以衡量系統(tǒng)的效率和準確性。

 

　　該公司目前正在收集和處理數(shù)據(jù)、訓練系統(tǒng)以及流程化其解決方案架構和技術，且由于索賠管理認知洞見的幫助，全部成果都很樂觀。自動裁決系統(tǒng)的原型計劃將于 2017 年推出，隨后幾個月會有一個最低可行的產品版本問世。

 

　　在多團隊合作——映射用例以實現(xiàn)結果、評估價值證明并優(yōu)化團隊在數(shù)據(jù)準備、算法調整和程序可用性供應方面的方法——的幫助下，Anthem 建立了廣泛的認知能力?！缸罱K，」Chennuru 說，「我們將能夠在許多領域利用該平臺，比如基于價值的分析、人口健康管理和質量管理，以及在彌合保健和醫(yī)療成本差距方面發(fā)展洞見?！笰nthem 希望實現(xiàn)盡可能多的企業(yè)認知活動，從而訓練其模型、優(yōu)化其程序并發(fā)展其認知智能來幫助公司更好地為會員服務。

 

　　亞馬遜的做法

 

　　報告這里插入了亞馬遜副總裁兼 CEO 的技術顧問 Maria Renz 和 Alexa 主管 Toni Reid 介紹亞馬遜 Alexa 和 Echo 上的開發(fā)經驗：

 

　　隨著 2017 年人類和機器智能歷史上最激動人心的時刻的到來，亞馬遜團隊正大開腦洞繪制新藍圖。在亞馬遜，語音已經在許多方面從根本上改善了人與技術的交互方式。雖然做到像人一般還很遙遠，但我們已站在人工智能和語音技術的諸多元素的起點上。語音將復雜問題簡化為最自然方便的用戶界面，每天克服著令人難以置信的困難。

 

　　Amazon Echo 的原始靈感來自星際迷航計算機。我們想創(chuàng)建一個完全由語音控制的云計算機，你可以自然交流的方式向它提問，發(fā)出指示，然后它為你做事。盡管我們目前還沒實現(xiàn)這一目標，但那是我們的愿景。

 

　　Echo 背后的語音和大腦 Alexa 的主要功能之一是：它提供一個在特征與自然語言理解以及精度提高方面可以越變越聰明的云服務。由于具有云處理器，Alexa 每天每小時不斷地學習、添加功能，使得關于客戶的創(chuàng)新和特征添加變得更容易。

 

 

　　自 2014 年 11 月推出 Echo 以來，我們?yōu)?Alexa 添加了超過 7000 多項技能（skill）。Alexa 出現(xiàn)在了所有的 Echo 系列產品中，現(xiàn)在其他亞馬遜硬件（Fire TV 和 Fire 平板電腦）和第三方設備（如 Nucleus 對講系統(tǒng)，聯(lián)想智能揚聲器助手和 LG Smart InstaView 冰箱）也嵌入了 Alexa。Alexa 還被嵌入到福特和大眾汽車公司的汽車中。

 

　　就其覆蓋的淺表區(qū)域以及搜索材料的準確性而言，Alexa 可以很好地理解用戶。即使如此，語音技術也面臨著持續(xù)的挑戰(zhàn)。當我們開始工作時，這項技術甚至不存在——我們不得不發(fā)明它。我們很幸運有 AWS 云作為支持力量，有一個極其聰明的語音專家團隊，其中包括才華橫溢的語音科學家正努力解決這些問題。

 

　　我們看到人工智能的機遇以及對客戶的利益幾乎是無限的?，F(xiàn)在，Alexa 主要通過 Echo 硬件運行，但在將來其處理器將通過無數(shù)的系統(tǒng)和應用程序不斷擴展。我們通過使用 Alexa 技能工具包（ASK）、Smart Home Skill API 和 Alexa Voice Service API 為開發(fā)人員提供一系列免費、自助的公共 API，從而使實施過程變得更加簡單。

 

　　最終，我們在機器智能、神經網(wǎng)絡和語音識別增強領域的發(fā)展應該以更加有意義的方式為客戶提供有用的新功能。

 

　　在亞馬遜，我們每開始研發(fā)任一新產品或服務，都會把新聞草稿備好，想象在產品發(fā)布時核心用戶會從中受益。我們專注于建立良好的體驗，并解決后面的技術難題。

 

　　考慮到這一點，我們建議關注客戶群，傾聽他們，了解他們的核心需求，找到使用戶的生活變得更輕松的方式。從用戶出發(fā)，根據(jù)反饋開發(fā)產品或服務。也就是說，不要害怕開發(fā)先于用戶——用戶并不總是清楚自己要什么。如果你正確地聚焦于用戶體驗，其余的自然會水到渠成。

 

　　四、對網(wǎng)絡世界的影響

 

　　在網(wǎng)絡安全的背景影響下，機器智能（MI）同時面臨著機遇和風險。

 

 

　　機遇方面，利用機器人過程自動化的速度和效率來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（ring-fence）和破除（或替代性地擦除）潛在威脅成為可能。利用機器智能來支持網(wǎng)絡系統(tǒng)可能有助于擴展數(shù)據(jù)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(wǎng)絡模型進一步增強，將其數(shù)據(jù)挖掘網(wǎng)進一步擴展到很大程度上并未開發(fā)的領域，如深度網(wǎng)絡，并應對可能遇到的非傳統(tǒng)威脅。

 

　　公司還可以利用機器智能來推動渠道活動、戰(zhàn)略和產品設計。例如，使用深度學習等功能，銷售團隊可以根據(jù)社交媒體網(wǎng)站、公共記錄和其他在線資源中提供的信息構建相當詳細的用戶畫像。這些信息可以幫助銷售代表確定有希望的潛在客戶以及個別客戶可能需要的特定產品和服務。

 

　　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(wǎng)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(xiàn)隱私問題的衍生數(shù)據(jù)。最終，公司應該基于推論和相關性來審查衍生數(shù)據(jù)。

 

　　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。人類目前進行的自動化變革對社會、經濟和個體組織接受機會的方式有什么影響？你的公司將如何管理可能與激進的自動化計劃相鋪相成的品牌和聲譽危機？同樣，你的組織能否在被稱為「后工作經濟」（「the post-work economy」）的時期長期保持發(fā)展？

 

　　最后，風險討論應該解決許多機器智能技術的「黑盒子」現(xiàn)實。在這一點上，可能無法清楚地解釋如何或為什么作出某些決定和建議。雖然算法透明度在持續(xù)提升，并可能最終推動開發(fā)出用于審計、理解假設、觀察模式和解釋結論是否合理的手段的新方法，盡管這些方法目前還不存在。直到他們做了，才努力確定缺乏透明度可能成為一個（法律、聲譽或制度）問題，并對你的計劃作出相應調整。

 

　　當我們進入這些未知領域，首席信息官、首席執(zhí)行官和其他領導者應該謹慎地平衡股東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。

 

　　五、如何開始？

 

　　很少有機構有資格宣稱自己戰(zhàn)勝了數(shù)據(jù)。即使數(shù)據(jù)在很大程度上被結構化，并且是僅限于公司的內部信息，管理和分析數(shù)據(jù)同樣充滿挑戰(zhàn)。今天，復雜算法和分析技術使我們能夠解決復雜的腳本；我們已從被動描述發(fā)生了什么進步到主動地自動化業(yè)務響應。然而，即使具備飛速提升的能力，一些機構仍會在數(shù)據(jù)的海洋里舉步維艱。

 

　　好消息是，機器智能提供了新的方法和技術，幫助我們最終克服了一些長期存在的數(shù)據(jù)挑戰(zhàn)：

 

 

　　人工智能的概念或許吸引眼球，但是，機器學習的概念比它更加龐大，后者描述了認知計算領域中的總體進步，這些進步能夠幫助所有公司機構從回顧性數(shù)據(jù)分析的昔日世界邁入系統(tǒng)推論和預測的世界。讓機器自動處理任務，進行分析判斷并將之付諸行動，這代表著認知新紀元的開端。