未来已来，人工智能商业应用之旅
发布时间:2018-12-15 | 发布者： 东东工作室 | 浏览次数： 次人工智能在商业中的广泛应用程度仍然很低：根据我们和麻省理工学院的调查，20家公司中仅有1家已广泛地使用人工智能。尽管如此，每个行业都有在人工智能领域处于领先地位的企业。即使没有一家企业出色地应用人工智能的所有功能，但是很多企业正在使用人工智能创造巨大的商业价值。以下使用案例来自多个行业、涉及各种组织职能和流程，这些案例展示了人工智能的普遍性及其在正确运用下的高效性。
营销与销售中的应用
人工智能使企业有机会为客户提供个性化的服务、广告和互动。其中的收益是巨大的。通过引入高阶数字技术及运用专有数据来创造个性化体验的品牌可以提高6%至10%的收入——是不采用人工智能技术品牌的两到三倍。据BCG估计，仅在零售、医疗保健和金融服务领域，未来五年内将有8000亿美元的收入流向排名前15%的个性化公司。
许多成功的个性化最佳实践已在快速发展的零售业中出现。例如，一家全球零售商使用会员APP中的数据（包括位置、时间和购买频率），深入了解其客户的每周日常活动。通过将数百万的个人数据点与一般消费者趋势信息相结合，该零售商建立了一个实时营销系统，目前每周可为客户提供50万个定制产品。
在一些销售和营销组织中，人工智能并非体现在流程自动化方面，而是提高了组织绩效。例如，一家有多条产品线的保险公司依靠机器学习对客户进行细分，并结合客户需求与保险公司的目标，向公司的销售代理推荐“下一个最佳产品”。为了实现这个目标，保险公司建立了一个客户保险需求模型，覆盖生命周期不同的阶段。该模型依赖于复杂的算法，其中包含超过1000个静态和动态变量，涵盖人口统计、政策、代理人任期和销售历史数据。因此，保险公司可以将特定保单与具体客群下的个别客户相匹配。该系统有望增加30%的交叉销售。保险公司还可以使用机器学习，通过处理地域、竞争和代理人业绩数据来优化销售。
这类案例展示了人工智能在零售或金融销售服务等分散环境中的有效性，这些环境下人工智能受益于丰富的情境和具体的客户数据。合理构建的试点项目通常能够在四至六周内实现概念验证，并有助于确定整个项目全面上线所必要的数据架构和技能基础。
研究与开发中的应用
与营销和销售相比，研发是人工智能应用中一个不太成熟的领域。研发产生的数据比大型连锁零售要少得多，而且往往不能以数字化方式获取这些数据。此外，很多研发问题不仅复杂、技术性强，还受到严格的科学约束。即便如此，人工智能在这个领域仍具有极大的潜力。例如，在以研发为主要利润驱动因素的生物制药行业，人工智能可以帮助降低成本并缩短开发周期。
Citrine Informatics是一个旨在加速产品开发的人工智能平台，展示了应对有限数据这一挑战的方法。大多数已发表的研究都偏重于成功的实验，并考虑资助机构的潜在利益。Citrine通过与研究机构建立的大型关系网络收集未发表的数据，从而克服了这一限制。Citrine的联合创始人兼首席科学家Bryce Meredig表示：“负面数据几乎从未公布。但是，负面结果的原始数据对建立一个毫无偏差的数据库而言至关重要。”这种综合方法使公司能够将特定应用的研发时间缩减一半。
在工业品领域，领先的制造商通过人工智能、工程软件和操作数据（如：维修频率）的结合，来优化设计。人工智能在增材制造（也称为3D打印）的设计开发方面颇有助益，因为其算法驱动的流程不受工程惯例约束。
积极的数据收集应该成为研发流程中人工智能试点的关键元素。数据收集活动也许有必要与大学合作，将过去的记录数字化，甚至重新生成数据。由于从事研发需要专业的知识和技能，一键式的人工智能解决方案几乎不存在。相反，科学家必须依靠系统的试验来构建未来人工智能应用所需的数据清单。
运营中的应用
运营的实践和流程与人工智能自然契合。这些实践和流程常常拥有类似的操作程序和步骤，产生大量的数据和可测量的输出信息。许多被某个单一行业应用人工智能概念也会在另一行业中起作用。目前，包括预测性维护和非线性生产优化在内的被广泛应用的人工智能技术是基于全面分析生产环境各项要素，而非按顺序或孤立地进行分析。
一家炼油厂想要预测和避免一个重要的气化炉发生故障停机（该气化炉负责将精炼过程中的残余产物转化为用于发电的、有价值的合成气）。如果该气化炉意外故障停机会导致发电暂停一个月，必将造成巨大损失。尽管炼油厂已经积累了大量有关日常运作的数据，但是并未清楚地了解哪些具体因素会导致该气化炉的故障停机。传统的工程模型无法完全描述上千种可能导致故障的变量之间所存在的复杂的相互依赖关系。
炼油厂的工程师与数据科学家密切合作，使用人工智能来确定故障原因。通过机器学习算法导入六年的运行数据和维护信息，人工智能模型成功量化了所有关键因素（包括原料种类、产出质量和温度）对整体性能的影响，工程师们从而能够判断该气化炉是否可在计划维护的间隔时段内继续运行。
工程师们根据机器学习算法产生的洞察，设计了一个基于规则的透明系统，用于调整蒸汽和氧气等变量的关键运行设置，使设备能够在计划维护间隔时段内保持运行。该系统可以最大限度地减少机组意外停机的风险，并减少维护计划的短期变化，从而产生显著的经济效益。
预测性维护的解决方案对于人来说也同样适用。一家从美国联邦医疗保险收取固定费用的美国保险公司，希望利用人工智能来减少医保患者不必要的看诊。该保险公司将病史数据（例如药物不良反应）和病例管理记录提供给机器学习系统。该系统将客户进行智能分类，并为预防措施提供了实用的建议。例如现已证实，近期内丧偶的患者将来需要医疗干预和预防性护理的几率会很高。这些洞察使得支付方能够重新设计保险项目，从而每年节省6.5亿美元的潜在支出。
除了维护之外，一位冶炼厂还利用人工智能和非线性优化来提高铜的纯度，这是工程师们多年来都在尝试的事情。工程师们与数据科学家团队合作，将五年的历史数据录入到一个神经网络中。该系统建议改变生产，结果铜纯度提高了2%，冶炼厂的利润也随之增长了两倍。而这一工作仅耗时六周，且无需额外的资金或运营开支。
采购和供应链管理中的应用
在采购领域，结构化的数据和重复交易属于常见现象，因此人工智能具有巨大潜力，但在很大程度上还未实现应用。今天的机器能够击败世界顶级扑克玩家，还能进行证券交易，但是至少在公开场合，机器还未显示出其在企业采购中智胜供应商的能力。（企业可能会使用支持人工智能的采购系统，但不会告知供应商或其它任何人，从而保持其竞争优势。）为人所知的采购应用人工智能包括聊天机器人、半自动的合同设计和审查，以及根据新闻、天气、社交媒体和需求分析提出的采购建议。人工智能的增强应用甚至是自动化采购现在才开始出现。
供应链管理和物流则截然不同。这些流程可以直接使用历史数据，从而自然成为机器学习应用的目标。
后台职能中的应用
转载请标注：我爱技术网——未来已来，人工智能商业应用之旅