人工智能(AI)和機器學習(ML)曾經被認為是企業的“空頭支票“之類的項目，如今已經成為應用主流。
越來越多的企業正在利用這種模仿人類思維行為的技術來吸引客戶，并加強業務運營。
在調研機構Gartner公司的調查中，106名IT和業務專業人士中，59%的受訪者表示迄今為止已部署了人工智能技術，并且平均擁有4個人工智能/機器學習項目。這些受訪者還表示，他們預計未來一年內將再增加6個項目，未來3年內將再增加15個項目。Gartner公司分析師Whit Andrews說，到2022年，這些組織預計平均部署35個人工智能/機器學習項目，他表示這些計劃項目的數量令他感到驚訝。
Andrews說，通過客戶服務和內部決策的虛擬助理改善客戶體驗和任務自動化是最受歡迎的項目之一。
調研機構IDC公司對2473家組織進行的一項更大調查發現，只是增加項目本身并不能形成更廣泛的人工智能戰略，只有25%的組織制定了企業范圍的人工智能戰略。
IDC公司的調查發現，由于缺乏熟練的員工和不切實際的期望，多達25%的受訪者表示其人工智能戰略失敗率高達50%。但這并不能阻止組織繼續嘗試。在這里，正在試驗、構建、實施人工智能和機器學習技術的首席信息官們分享了他們的機器學習用例和一些實用的建議。
1. 保險公司利用聊天機器人改善客戶體驗(CX)
互助保險巨頭Guardian公司首席信息官Dean del Vecchio表示，該公司正在測試人工智能，以改善客戶體驗(CX)，并提高員工生產力。
該公司一個客戶體驗(CX)試點項目包括使用由IPsoft制作的虛擬助理Amelia來幫助自動化入職流程，并回答福利問題，從而使客戶體驗(CX)工作人員能夠專注于更復雜的案例。受到Guardian公司的商業邏輯教育，Amelia回答了諸如“重大疾病意味著什么?”等問題以及Guardian公司數百萬客戶可能提出的其他問題。
Guardian公司在內部測試了IBM Watson如何幫助其更好地了解客戶如何與業務進行交互。作為試驗的一部分，IBM公司的這種認知計算軟件讀取并優先處理Guardian公司每天收到的數百萬封郵件，這一掃描可以在幾分鐘內完成，將員工從人工閱讀和優先處理郵件的時間中解放出來。
關鍵建議：應在更大的業務范圍內考慮機器學習項目。在Guardian公司，支持人工智能/機器學習的流程自動化只是其更廣泛的數字化轉型的一小部分，Del Vecchio正在改進客戶體驗(CX)，從而簡化運營。這包括遷移到AWS云平臺、采用敏捷開發，以及構建API市場。
2. Zulily公司采用人工智能推薦服裝
人們可能會說，如果沒有機器學習，服裝零售商Zulily公司就沒有可行的業務，該公司使用機器學習向消費者提供個性化的商品。
Zulily公司首席信息官Luke Friang說，該軟件依靠許多信號來決定是通過推送通知還是通過電子郵件向顧客發送優惠信息，這些信號包括購買歷史記錄、瀏覽選擇的時間、移動應用程序的點擊和滑動，以及社交媒體行為。他說，“隨著我們更好地了解消費者，可以更好地傾聽他的聲音。”
雖然Zulily公司構建自定義算法，但它依賴于許多開源技術，例如Hadoop、TensorFlow、H20，以完善其機器學習堆棧。
關鍵建議：人工智能項目受益于健全的云計算架構。例如，Zulily公司的個性化努力依賴于亞馬遜網絡服務和谷歌云平臺之間的關鍵組合，在這兩個平臺中，谷歌云平臺提供了一些建議，當被選中時，可以將消費者吸引到由AWS公司支持的Zulily電子商務平臺。Friang表示，這種聯系強調了谷歌云和AWS如何推動競爭，從長遠來看將有利于首席信息官。
3.JiLL：企業人工智能助理
從表面上看，人們不會認為人工智能有對商業房地產提供商有多大用處。但在今年6月，仲量聯行(JLL)公司與谷歌公司合作開發了JiLL，這是一款語音助理，允許辦公室員工設置會議、聯系同事、查詢火車時刻表、通過語音或文本填寫服務請求。
例如，根據JLL公司首席數字產品官Vinay Goel的說法，Jill可以處理諸如“JiLL，幫助我的團隊預訂每周會議”，或“JiLL，今天下午在三樓給我找一個空閑的辦公桌。”
他在一份聲明中表示，JiLL考慮了仲量聯行公司關于建筑物、用戶交互、物理空間交易的數據集，這些數據集在谷歌云平臺以及Kubernetes容器中處理。他說，“隨著時間的推移，我們希望JiLL成為幫助員工提高日常生產力的數百種技能的重要平臺。”
關鍵建議：對于尋求轉向服務的組織而言，虛擬助理可能是值得的投資。仲量聯行公司的JiLL是利用技術提供增值服務戰略的一部分，理想情況下是為了吸引更多的公司客戶。仲量聯行計劃增加更多的技能并向第三方功能開放平臺，這是旨在提高采用率的市場策略的一部分。這項倡議表明，多年來虛擬助理已轉向垂直市場。
4.機器學習將動態定價與便利性結合起來
便利店連鎖店Wawa公司計劃使用機器學習根據競爭因素動態改變價格。首席信息官John Collier表示，這可以大大促進Wawa公司為忠誠度計劃客戶提供個性化服務。
Collier補充道，“我們希望采用數據和算法，因此我們不會設定價格，而是制定規則。其訣竅在于平衡用戶體驗的改善和提供體驗的成本。”
關鍵建議：Collier表示，希望能夠實現動態定價，但存在一個問題：新興技術與其遺留系統的接口不會很好。因此，現代化對任何人工智能戰略都至關重要。Wawa公司正在改造其遺留系統，作為數字化轉型的一部分。他說，“我們在數據戰略上投入了大量資金。”
5.信貸報告公司構建機器學習分析引擎
信貸報告行業巨頭Experian公司表示，數字化轉型為利用機器學習核心能力的新戰略產品鋪平了道路：Ascend Analytics On Demand，這是一種自助式分析平臺，使企業能夠構建預測模型，以確定關鍵因素，如2.2億名消費者中是否有人有資格獲得他們要求的信貸額度。
Experian公司的消費者信息服務總裁Alex Lintner表示，與目前花費數周的時間相比，客戶可以在幾分鐘內對這些數據進行復雜的分析。在理想情況下，該工具將使消費者能夠在需要時獲得信貸資格。
調研機構Gartner公司表示，隨著人工智能技術在幾乎所有新軟件產品和服務中的普及，Ascend Analytics On Demand應運而生。
Experian Global公司首席信息官Barry Libenson說：“客戶希望能夠在任何時候以任何方式來實時查看大量信息。”他負責監督使用Hadoop和其他分析工具的平臺構建。
關鍵建議：用戶無法在傳統的軟件上構建新的分析平臺，并期望它們運行良好。為了支持Ascend Analytics On Demand，Experian公司采用了混合云方法，并投資于開源工具，包括容器、API引擎、微服務。Experian公司還對其構建和使用軟件的方式實現標準化，其應用程序和代碼可以被其全球員工和客戶應用。
6.信用卡公司采用機器學習應對欺詐行為
與信貸監控公司一樣，信用卡公司也不得不與欺詐者打交道。
MasterCard公司技術和運營總裁Ed McLaughlin表示，當許多專家將數字視為隱私和安全的禍根時，機器學習和人工智能工具可以使信用卡服務更安全。
MasterCard公司使用機器學習和人工智能技術來消除惡意用戶。McLaughlin表示，其保護措施的核心是一個內存數據庫，該數據庫自2016年使用以來為MasterCard公司避免了10億美元的損失。該軟件使用200多個屬性來預測和阻止欺詐。
該核心系統與標記化技術、生物特征識別、深度學習和其他新方法相結合，幫助MasterCard公司保持其促進價值數十億美元的安全交易的聲譽。
關鍵建議：在網絡安全方面，人類是最薄弱的環節。McLaughlin說：“最重要的是盡可能地讓工作人員脫離這個循環。機器學習、人工智能、自然語言處理軟件都是Mastercard工具包中的關鍵組件。”
7.賽車公司利用機器學習分析汽車洞察力
Mercedes-AMG Petronas Motorsport公司使用機器學習功能來幫助可視化賽車性能。
該公司IT團隊負責人Matt Harris說，該公司收集了一級方程式賽車的多個數據通道，有時每秒多達10000個數據點，以做出關鍵決策。
Mercedes-AMG Petronas使用Tibco軟件可視化其影響變量，如天氣、輪胎溫度、燃油量對其汽車的影響。該軟件還使工程師能夠分析汽車齒輪的性能和磨損等細節。駕駛員通常每圈換檔100次，每次駕駛員換檔時，Tibco都會收集大約1,000個數據點。
Harris說，“當你看到這些數據時，實際上可以使變速箱的使用時間更長，或者更重要的是，使變速箱的變化更為劇烈。然后就會發現，如果將變速箱放在一個特定的模式下，每圈大約快50毫秒。在排位賽中，賽車可以快出千分之一秒，所以50毫秒對其獲勝很重要。”
Harris說，“Mercedes-AMG Petronas正在構建機器學習算法，以幫助做人類做不到的事情，或者這是一種昂貴的工作方式。”Harris認為這些能力最終將成為團隊競爭優勢的關鍵推動因素。
關鍵建議：為什么要構建一些不是企業核心競爭力的東西?在采用Tibco之前，Mercedes-AMG Petronas使用自行開發的可視化軟件，這種軟件經證明效率太低，無法維持。通過依靠Tibco，Mercedes-AMG Petronas可以專注于其專業實力：打造高性能汽車。哈里斯說：“最重要的是讓人們有創造力，思考解決問題，而不是編寫軟件來解決問題。”
8.采用機器學習預測員工什么時候離職
像大多數汽車維修公司一樣，Calibre Collision公司長期以來一直存在員工頻繁流動的問題，因為該公司機械師、油漆工和客戶支持人員不斷離職，有時600多家工廠的年人員周轉率高達40%。
Calibre公司發現，部分問題在于其維修工廠有時沒有足夠的汽車供工作人員修理，導致工資不穩定。這讓該公司首席信息官AshleyDenison感到疑惑：如果能夠預測員工何時會離職并進行干預呢?
Calibre公司開始與技術顧問Sparkhound公司合作，后者創建的軟件可以從Caliber公司的Workday人力資源軟件中提取員工數據，并將其與Microsoft Power BI混合，創建一個定制的回歸模型，預測員工是否可能會考慮離職。然后，Calibre公司通過數字調查或個人聯系方式聯系員工進行干預。
例如，如果員工的工資在幾周內下降，Calibre公司區域經理可以確保他們獲得更多的汽車進行維修。相反，如果員工看起來工作負擔過重，該公司可以將一些工作重新分配給他的同事。其結果是，Calibre公司每年可節省多達100萬美元。
關鍵建議：采用機器學習算法避免問題以節省資金是一種實用的方法。
9.人工智能作為產品和業務的推動者
在2018年麻省理工學院首席信息官斯隆研討會上，Adobe Systems首席信息官Cynthia Stoddard表示，該公司正在利用機器學習分析幫助臺記錄的系統故障趨勢，然后在問題導致重大停機之前積極解決問題。
如果該系統發現可能發生中斷的事件，可以主動在引發故障之前消除或減輕這些故障。
該工具稱為HAAS，用于“修復即服務”，可以捕獲并修復從Adobe公司的ERP集成失敗到針對該公司各種分析系統的錯誤數據源。Stoddard說，HAAS將人工手動執行的30分鐘的修復時間減少到1分鐘。她估計在過去的幾個月中已經節省了330小時的修復時間。使用詳細說明問題的報告，Adobe公司工程師可以創建永久性修復程序。
Stoddard說，“如果知道必須修復一些東西，而且知道如何解決它，那么可以實現自動化。這是一個巨大的好處。”這項工作建立在Stoddard團隊于2017年創建的基于機器學習的診斷測試框架之上。
關鍵建議：使用機器學習識別模式是創建自我修復功能的關鍵。Stoddard說，“如果知道如何修復，可以在其中放置一個自我修復的組件，就省去了工作人員的工作。”
