论文部分内容阅读
多位IT领导们分享了他们是如何使用人工智能和机器学习来深入了解业务，创造新服务的宝贵经验。
曾被认为是企业“天方夜谭”项目的人工智能（AI）和机器学习（ML）技术，现在成了主流。
越来越多的企业利用这种模仿人类思维行为的技术来争取客户，让业务更好地运行。这种趋势毫无疑问会促进该领域的蓬勃发展。据Forrester的最新研究，53%的全球数据和分析技术决策者正在实施或者扩展人工智能的应用，还有20%计划在未来12个月内实施人工智能。
不管怎样，通过人工智能、机器学习和机器人实现的自动化越来越多了。正在试验和开发人工智能和机器学习技术以及一些获得相关专利的首席信息官们向CIO.com介绍了他们的机器学习应用情形，并分享了一些实用建议。
“数字末日预言者”应用程序预测职位的不相关性
起初，人们担心机器人将取代所有人的工作，而现在已经不那么担忧了，人类很有可能会和机器一起工作。但是，埃森哲首席技术官兼首席创新官Paul Daugherty在今年年初的福布斯首席信息官峰会上指出，企业如果不能很好地对员工进行再培训，那么其工作很有可能被自动化技术所取代。
埃森哲更是如此;这家咨询公司自动化了大约2.3万个职位，并重新部署了员工。Daugherty预测，拥有45万名员工的埃森哲会进一步重新分配职位。
Daugherty说：“我们认为，我们应重新进行培训。在这方面几乎没有做过什么工作。”
为帮助员工开展这项工作，埃森哲开发了一款应用程序，它使用机器学习来扫描简历，预测员工的工作多快就会与职位无关。
该应用程序会考虑员工的工作经历，并为他们退出职位的可能性打分。例如，该应用程序注意到，由于人工智能或者其他一些自动化技术，员工的技能将在18个月后过时。
Daugherty说，该应用程序不但是数字末日预言者，而且还考虑到了员工的集体工作经验，并建议员工应掌握哪些相关技能，以便更深入地参与到公司业务中。
主要建议：首席信息官应为企业人工智能战略负责，并与业务部门的主要利益相关方合作，以确保达成共识和连续性。首席信息官还必须快速发现并消除人工智能算法中的偏差，这些偏差会随着解决方案的扩展而扩大。Daugherty说：“负责任的人工智能必须能融入到企业中。”
信用报告公司构建机器学习分析引擎
在信用卡报告巨头Experian公司，一场数字化转型为采用机器学习的战略新产品铺平了道路：“Ascend Analytics On Demand”是一个自助服务分析平台，使得该公司能够建立预测模型以确定关键因素，例如，2.2亿消费者中有多少人有资格得到他们所要求的信贷额度。
Experian公司的消费者信息服务总裁Alex Lintner介绍说，如果采用该工具，客户可以在几分钟内对所有这些数据进行复杂的分析，而这项工作目前还需要几个星期的时间。理想情况下，该工具将使消费者能够在他们需要的时候获得信贷资格。
据Gartner，人工智能技术在几乎所有新软件产品和服务中变得越来越普及，Ascend平台便是在这种背景下产生的。
Experian全球首席信息官Barry Libenson负责该平台的开发，开发中使用了Hadoop和其他分析工具，他介绍说：“客户希望能够实时看到大量的信息。让我们去解决问题的日子已经一去不复返了。他们在自己需要的时候，可以用自己希望的方式实时获得信息。”
主要建议：不能在老软件上构建新的分析平台，还希望平台能够很好地运行。为了支持Ascend，Experian公司采用了混合云方法，并投资于开源工具，包括容器、API引擎和微服务。Experian公司对构建和使用软件的方式进行了标准化处理，这样，这些应用程序和代码可以被其全球员工和客户重用。
信用卡公司利用机器学习对抗欺诈
与信用监控公司一样，信用卡公司也一直在与欺诈分子作斗争。
萬事达卡的技术和运营总监Ed McLaughlin介绍说，目前有很多专家谴责数字化是我们网络隐私和安全的祸根，而机器学习和人工智能工具能够让服务比塑料信用卡片更加安全。
万事达卡使用机器学习和人工智能多层工具，以帮助清除有恶意的消费者，并防止他们造成严重损害。McLaughlin说，其保护措施的核心是一个内存数据库系统，从2016年以来，它帮助万事达避免了大约10亿美元的欺诈损失。该软件使用200多个属性向量来预测和阻止欺诈行为。
这一核心处理系统结合了标记化、生物特征识别技术、深度学习和其他新奇的方法，帮助万事达卡维持了其实现价值数十亿美元安全交易的声誉。
主要建议：当涉及到网络安全时，人类是最薄弱的环节。McLaughlin说，“最重要的是尽可能剔除人为因素”，并补充说，机器学习、人工智能以及自然语言处理软件都是万事达卡工具箱中的关键组件。
赛车公司采用机器学习分析技术对汽车进行深度分析
Mercedes-AMG Petronas赛车公司使用机器学习技术帮助实现以可视化方式查看赛车性能。
公司的IT主管Matt Harris介绍说，该公司收集了其F1赛车多个渠道的数据，有时高达每秒1万个数据点，目的是要做出关键决策。
Mercedes-AMG Petronas公司使用Tibco软件来实现天气、轮胎温度和燃料量等变量对汽车影响的可视化。利用该软件，工程师还能够仔细分析汽车齿轮的性能和磨损等细节。赛车手通常每圈会换挡100次，每当赛车手换挡时，Tibco会收集大约1000个数据点。
Harris介绍说：“当把这些数据可视化后，实际上能帮助我们让变速箱寿命更长，或者更重要的是，能更剧烈地换挡。然后，你会发现，如果把变速箱调到某一特定的模式，每圈大约能快50毫秒。在排位赛中，千分之一秒都能分出赛车胜负，所以50毫秒非常重要。” Mercedes-AMG Petronas公司开发了机器学习算法来帮助“做人类做不到的事情，或者某些实现起来成本非常高的工作”。Harris相信这些能力最终會成为车队竞争优势的关键推动因素。
主要建议：为什么要构建一些不是自己核心竞争力的东西呢？在启动Tibco之前，Mercedes-AMG Petronas公司使用了自己研发的可视化软件，但随着时间推移，该软件被证明效率太低，难以进行维护。依靠Tibco，Mercedes-AMG Petronas公司可以转而专注于自己的强项：制造高性能汽车。Harris说：“最重要的是让人们有创造性，思考怎样解决问题，而不是通过编写软件来对问题进行可视化。”
机器学习预测员工什么时候会离职
像大多数汽车修理公司一样，Caliber Collison长期以来一直面临着很大的问题。在其600多家门店中，机械师、油漆工和客户支持员工往往很快地换工作，有时离职率每年高达40%。
公司发现，部分问题在于其门店有时没有足够的车供员工修理，导致工资差别较大。这让首席信息官Ashley Denison感到困惑：如果Caliber公司能够预测员工什么时候可能离职，并进行干预，结果会怎样呢？
Caliber公司开始与技术咨询公司Sparkhound合作，该公司开发了软件，从Caliber的工作日人力资源软件中提取出员工数据，并与微软PowerBI软件进行整合，建立一个定制的回归模型，预测员工是否会考虑离职。然后，Caliber通过数字调查或者个人接触，尽量让员工留下来。
例如，如果一名员工的工资在几周内一直下降，Caliber的地区经理会保证让他们有更多的汽车去修理。相反，如果一名员工看起来太忙了，那么公司可以把一些工作重新分配给他的同事。结果？ Caliber每年节省了100万美元，减小了离职率。
主要建议：在机器学习算法容易被夸大和过度销售之际，最实用的是解决好问题从而节省资金。Dennison说：“员工入职后，现在留住他们容易多了。”
机器学习促进了预测性维护
Lennox公司的IT主管Sunil Bondalapati说，机器学习是Lennox国际公司数字化战略的核心组成部分，在该战略中，使用了Databricks的Spark软件来分析商业供暖和空调系统的信息流。实时监控机器性能有助于公司预测机器什么时候会出故障，使Lennox能够提前4小时通知从业主到商场经理等各类客户。
Bondalapati说：“Databricks帮助我们获得数据，并在设备即将发生故障时以90%的准确率进行预测”，他还补充说，“Lennox先前只能猜测机器什么时候会出现故障，并联系经销商。此类事件通常包括误报，会让所有各方都不满意。我们过去很难预测设备故障。”
Databricks提供了多种分析工具，一种工具用于处理一种应用情形，例如供应链或者物联网（IoT）。但是Bondalapati说，Databricks提供了一个统一的平台，公司可以在这个平台上管理来自数百个数据库的数百TB的数据，它运行在Microsoft Azure上，因此，Lennox不用去维护系统。
与Databricks合作后，Bondalapati的IT部门和业务部门一起为数据流构建模型。基于Spark的软件转换数据，并为IT和业务人员提供深度分析。Bondalapati说：“Databricks提供的协作模型是我们运营成功的关键。”
主要建议：Bondalapti说，首席信息官必须让一种新工具发挥作用，特别是利害攸关的时候。例如，Bondalapati负责了一个包括100亿个数据记录的概念验证项目。Bondalapati说：“我们只是试探了一下，真的是让我们大开眼界。”
商务旅行有算法
David Thompson在其职业生涯的早期曾担任美国运通全球商务旅行的首席信息官兼首席技术官，他采用了机器人过程自动化（RPA）和机器学习技术，目的是帮助商务旅行服务提供商更方便地处理业务。
Thompson在4月份福布斯首席信息官峰会上的一个小组会议上发言，介绍了怎样利用RPA实现取消机票和退款过程的自动化。Thompson还主持了机器学习算法的开发，通过搜索商务行业费用，帮助客户找到更合适的机票和酒店住宿费，而这项工作以前是由几名员工完成的。
这些员工被重新调配，为客户提供更大的价值。Thompson表示，这项技术提升了顾客满意度，创造了更多的收入。
Thompson之前在西联汇款（Western Union）公司工作时曾使用机器学习工具来扫描欺诈行为，他说：“到目前为止，这对我们来说相当不错。现在员工们可以腾出更多的时间和顾客在一起了。”
主要建议：Thompson指出，很难进行关于自动化的讨论，因为人们担心会由此而失业。但是如果首席信息官们希望在企业中建立威信，那就必须头脑清楚、果断和诚实。Thompson说：“我把我自己的角色看成是业务技术的推动者——使用技术和流程来解决业务问题。”
人工智能成为产品和业务的推动者
在今年年初的麻省理工学院首席信息官斯隆研讨会上，首席信息官Cynthia Stoddard接受CIO.com采访时介绍说，Adobe系统公司正在利用机器学习来分析系统故障趋势的帮助台数据，在出现问题导致重大宕机事件之前主动解决问题。
如果系统看到可能要出现中断事件，那么系统会在触发故障之前主动消除或者缓解这些事件。
这一工具被称为“HaaS”，也就是“修复即服务（healing-as-a-service）”，它能够捕捉并修复任何事项，从与Adobe的ERP集成失败直至旨在导入企业各种分析系统中有错误的数据源，等等。Stoddard说，HaaS把修复时间从人工的30分钟减少到了1分钟。她估计在过去的几个月里，这为Adobe节省了330小时的修复时间。借助详细说明问题的报告，Adobe工程师能够创建永久性修复程序。 Stoddard说：“如果你知道必须修复一些东西，也知道怎样去修复，那就可以将其自動化。这有很大的好处。”这项工作建立在Stoddard团队于2017年创建的基于机器学习的诊断测试框架的基础上。
Adobe的商业业务也采用了人工智能。2016年11月，该公司推出了Sensei，这是一种应用于产品上的人工智能技术层，用于创建和发布文档，分析和跟踪网络和移动应用程序的性能。
主要建议：使用机器学习来识别模式是创建自我修复功能的关键。Stoddard说：“如果你知道怎样修复，那就可以把自我修复功能放进去，而去掉人工因素。”
人工智能加强证券研究
Putnam投资公司是一家共同基金、机构投资策略和退休服务提供商，该公司首席信息官Sumedh Mehta在接受CIO.com采访时介绍说，人工智能和机器学习对于帮助金融服务公司研究分析师扩大股票覆盖面至关重要。
Mehta说，这些分析师与Putnam的数据科学家密切合作，撰写了有助于从大量数据中获取深度分析的论文。Putnam也在研究能推荐出最重要销售前景的算法。
Mehta在评论人工智能和机器学习时说：“这是一种极具颠覆性和变革性的力量，在效率和效能上将推动所有业务的发展。”
Mehta把软件工程师、数据科学家、分析专家和供应商整合在一起，创建了一个卓越数据科学中心，实际是为支持业务相关方的人工智能和机器学习工作打下基础。他表示，他的“开明的”商业伙伴已经接受了这些方法以便更好地实现自动化。
主要建议：企业应该慢慢来，适当地设定期望，要明白最初的一些想法会带来新的问题，而不是解决方案。Mehta说：“对于人工智能，不会有灵光乍现的一刻。你的算法不会突然产生你所不知道的深度分析。”
银行更好地对客户进行深度分析
像许多大型银行一样，美国银行一直很难从其收集的大量客户数据中获得可操作的深度分析结果。美国银行首席分析官Bill Hoffman正在努力改变这种状况。在过去的几个月中，他一直使用Salesforce.com的Einstein人工智能/机器学习技术来加强该银行的小型企业、批发、商业财富和商业银行部门的个性化工作。
例如，如果客户在美国银行的网站上搜索了有关抵押贷款的信息，那么客户服务代理可以在该客户下次访问某家分行时跟进他。这也有助于美国银行发现人类可能看不到的模式。例如，该软件可以建议客户代理在周四上午10点到12点之间给某一行业的潜在客户打电话，因为在这段时间内他们更可能接电话。Einstein还可以在客户代理的日程表中放入日程邀请，提醒他们下周四打电话给潜在客户。
这些能力是许多金融服务机构希望得到的核心功能，全方位了解客户，从而及时推荐相关的服务。Hoffman说：“我们正在从一个描述发生了什么或者正在发生什么的世界走向一个更为关注将要发生或者应该发生什么的世界。核心价值是领先一步，预测我们的客户需求以及他们希望与我们互动的渠道。”
主要建议：在人工智能和机器学习上采取先测试然后学习的方法，要有耐心。但也要准备好推广有效果的工作。Hoffman说：“总是以客户为中心。问问自己：这对客户有什么好处？”
曾被认为是企业“天方夜谭”项目的人工智能（AI）和机器学习（ML）技术，现在成了主流。
越来越多的企业利用这种模仿人类思维行为的技术来争取客户，让业务更好地运行。这种趋势毫无疑问会促进该领域的蓬勃发展。据Forrester的最新研究，53%的全球数据和分析技术决策者正在实施或者扩展人工智能的应用，还有20%计划在未来12个月内实施人工智能。
不管怎样，通过人工智能、机器学习和机器人实现的自动化越来越多了。正在试验和开发人工智能和机器学习技术以及一些获得相关专利的首席信息官们向CIO.com介绍了他们的机器学习应用情形，并分享了一些实用建议。
“数字末日预言者”应用程序预测职位的不相关性
起初，人们担心机器人将取代所有人的工作，而现在已经不那么担忧了，人类很有可能会和机器一起工作。但是，埃森哲首席技术官兼首席创新官Paul Daugherty在今年年初的福布斯首席信息官峰会上指出，企业如果不能很好地对员工进行再培训，那么其工作很有可能被自动化技术所取代。
埃森哲更是如此;这家咨询公司自动化了大约2.3万个职位，并重新部署了员工。Daugherty预测，拥有45万名员工的埃森哲会进一步重新分配职位。
Daugherty说：“我们认为，我们应重新进行培训。在这方面几乎没有做过什么工作。”
为帮助员工开展这项工作，埃森哲开发了一款应用程序，它使用机器学习来扫描简历，预测员工的工作多快就会与职位无关。
该应用程序会考虑员工的工作经历，并为他们退出职位的可能性打分。例如，该应用程序注意到，由于人工智能或者其他一些自动化技术，员工的技能将在18个月后过时。
Daugherty说，该应用程序不但是数字末日预言者，而且还考虑到了员工的集体工作经验，并建议员工应掌握哪些相关技能，以便更深入地参与到公司业务中。
主要建议：首席信息官应为企业人工智能战略负责，并与业务部门的主要利益相关方合作，以确保达成共识和连续性。首席信息官还必须快速发现并消除人工智能算法中的偏差，这些偏差会随着解决方案的扩展而扩大。Daugherty说：“负责任的人工智能必须能融入到企业中。”
信用报告公司构建机器学习分析引擎
在信用卡报告巨头Experian公司，一场数字化转型为采用机器学习的战略新产品铺平了道路：“Ascend Analytics On Demand”是一个自助服务分析平台，使得该公司能够建立预测模型以确定关键因素，例如，2.2亿消费者中有多少人有资格得到他们所要求的信贷额度。
Experian公司的消费者信息服务总裁Alex Lintner介绍说，如果采用该工具，客户可以在几分钟内对所有这些数据进行复杂的分析，而这项工作目前还需要几个星期的时间。理想情况下，该工具将使消费者能够在他们需要的时候获得信贷资格。
据Gartner，人工智能技术在几乎所有新软件产品和服务中变得越来越普及，Ascend平台便是在这种背景下产生的。
Experian全球首席信息官Barry Libenson负责该平台的开发，开发中使用了Hadoop和其他分析工具，他介绍说：“客户希望能够实时看到大量的信息。让我们去解决问题的日子已经一去不复返了。他们在自己需要的时候，可以用自己希望的方式实时获得信息。”
主要建议：不能在老软件上构建新的分析平台，还希望平台能够很好地运行。为了支持Ascend，Experian公司采用了混合云方法，并投资于开源工具，包括容器、API引擎和微服务。Experian公司对构建和使用软件的方式进行了标准化处理，这样，这些应用程序和代码可以被其全球员工和客户重用。
信用卡公司利用机器学习对抗欺诈
与信用监控公司一样，信用卡公司也一直在与欺诈分子作斗争。
萬事达卡的技术和运营总监Ed McLaughlin介绍说，目前有很多专家谴责数字化是我们网络隐私和安全的祸根，而机器学习和人工智能工具能够让服务比塑料信用卡片更加安全。
万事达卡使用机器学习和人工智能多层工具，以帮助清除有恶意的消费者，并防止他们造成严重损害。McLaughlin说，其保护措施的核心是一个内存数据库系统，从2016年以来，它帮助万事达避免了大约10亿美元的欺诈损失。该软件使用200多个属性向量来预测和阻止欺诈行为。
这一核心处理系统结合了标记化、生物特征识别技术、深度学习和其他新奇的方法，帮助万事达卡维持了其实现价值数十亿美元安全交易的声誉。
主要建议：当涉及到网络安全时，人类是最薄弱的环节。McLaughlin说，“最重要的是尽可能剔除人为因素”，并补充说，机器学习、人工智能以及自然语言处理软件都是万事达卡工具箱中的关键组件。
赛车公司采用机器学习分析技术对汽车进行深度分析
Mercedes-AMG Petronas赛车公司使用机器学习技术帮助实现以可视化方式查看赛车性能。
公司的IT主管Matt Harris介绍说，该公司收集了其F1赛车多个渠道的数据，有时高达每秒1万个数据点，目的是要做出关键决策。
Mercedes-AMG Petronas公司使用Tibco软件来实现天气、轮胎温度和燃料量等变量对汽车影响的可视化。利用该软件，工程师还能够仔细分析汽车齿轮的性能和磨损等细节。赛车手通常每圈会换挡100次，每当赛车手换挡时，Tibco会收集大约1000个数据点。
Harris介绍说：“当把这些数据可视化后，实际上能帮助我们让变速箱寿命更长，或者更重要的是，能更剧烈地换挡。然后，你会发现，如果把变速箱调到某一特定的模式，每圈大约能快50毫秒。在排位赛中，千分之一秒都能分出赛车胜负，所以50毫秒非常重要。” Mercedes-AMG Petronas公司开发了机器学习算法来帮助“做人类做不到的事情，或者某些实现起来成本非常高的工作”。Harris相信这些能力最终會成为车队竞争优势的关键推动因素。
主要建议：为什么要构建一些不是自己核心竞争力的东西呢？在启动Tibco之前，Mercedes-AMG Petronas公司使用了自己研发的可视化软件，但随着时间推移，该软件被证明效率太低，难以进行维护。依靠Tibco，Mercedes-AMG Petronas公司可以转而专注于自己的强项：制造高性能汽车。Harris说：“最重要的是让人们有创造性，思考怎样解决问题，而不是通过编写软件来对问题进行可视化。”
机器学习预测员工什么时候会离职
像大多数汽车修理公司一样，Caliber Collison长期以来一直面临着很大的问题。在其600多家门店中，机械师、油漆工和客户支持员工往往很快地换工作，有时离职率每年高达40%。
公司发现，部分问题在于其门店有时没有足够的车供员工修理，导致工资差别较大。这让首席信息官Ashley Denison感到困惑：如果Caliber公司能够预测员工什么时候可能离职，并进行干预，结果会怎样呢？
Caliber公司开始与技术咨询公司Sparkhound合作，该公司开发了软件，从Caliber的工作日人力资源软件中提取出员工数据，并与微软PowerBI软件进行整合，建立一个定制的回归模型，预测员工是否会考虑离职。然后，Caliber通过数字调查或者个人接触，尽量让员工留下来。
例如，如果一名员工的工资在几周内一直下降，Caliber的地区经理会保证让他们有更多的汽车去修理。相反，如果一名员工看起来太忙了，那么公司可以把一些工作重新分配给他的同事。结果？ Caliber每年节省了100万美元，减小了离职率。
主要建议：在机器学习算法容易被夸大和过度销售之际，最实用的是解决好问题从而节省资金。Dennison说：“员工入职后，现在留住他们容易多了。”
机器学习促进了预测性维护
Lennox公司的IT主管Sunil Bondalapati说，机器学习是Lennox国际公司数字化战略的核心组成部分，在该战略中，使用了Databricks的Spark软件来分析商业供暖和空调系统的信息流。实时监控机器性能有助于公司预测机器什么时候会出故障，使Lennox能够提前4小时通知从业主到商场经理等各类客户。
Bondalapati说：“Databricks帮助我们获得数据，并在设备即将发生故障时以90%的准确率进行预测”，他还补充说，“Lennox先前只能猜测机器什么时候会出现故障，并联系经销商。此类事件通常包括误报，会让所有各方都不满意。我们过去很难预测设备故障。”
Databricks提供了多种分析工具，一种工具用于处理一种应用情形，例如供应链或者物联网（IoT）。但是Bondalapati说，Databricks提供了一个统一的平台，公司可以在这个平台上管理来自数百个数据库的数百TB的数据，它运行在Microsoft Azure上，因此，Lennox不用去维护系统。
与Databricks合作后，Bondalapati的IT部门和业务部门一起为数据流构建模型。基于Spark的软件转换数据，并为IT和业务人员提供深度分析。Bondalapati说：“Databricks提供的协作模型是我们运营成功的关键。”
主要建议：Bondalapti说，首席信息官必须让一种新工具发挥作用，特别是利害攸关的时候。例如，Bondalapati负责了一个包括100亿个数据记录的概念验证项目。Bondalapati说：“我们只是试探了一下，真的是让我们大开眼界。”
商务旅行有算法
David Thompson在其职业生涯的早期曾担任美国运通全球商务旅行的首席信息官兼首席技术官，他采用了机器人过程自动化（RPA）和机器学习技术，目的是帮助商务旅行服务提供商更方便地处理业务。
Thompson在4月份福布斯首席信息官峰会上的一个小组会议上发言，介绍了怎样利用RPA实现取消机票和退款过程的自动化。Thompson还主持了机器学习算法的开发，通过搜索商务行业费用，帮助客户找到更合适的机票和酒店住宿费，而这项工作以前是由几名员工完成的。
这些员工被重新调配，为客户提供更大的价值。Thompson表示，这项技术提升了顾客满意度，创造了更多的收入。
Thompson之前在西联汇款（Western Union）公司工作时曾使用机器学习工具来扫描欺诈行为，他说：“到目前为止，这对我们来说相当不错。现在员工们可以腾出更多的时间和顾客在一起了。”
主要建议：Thompson指出，很难进行关于自动化的讨论，因为人们担心会由此而失业。但是如果首席信息官们希望在企业中建立威信，那就必须头脑清楚、果断和诚实。Thompson说：“我把我自己的角色看成是业务技术的推动者——使用技术和流程来解决业务问题。”
人工智能成为产品和业务的推动者
在今年年初的麻省理工学院首席信息官斯隆研讨会上，首席信息官Cynthia Stoddard接受CIO.com采访时介绍说，Adobe系统公司正在利用机器学习来分析系统故障趋势的帮助台数据，在出现问题导致重大宕机事件之前主动解决问题。
如果系统看到可能要出现中断事件，那么系统会在触发故障之前主动消除或者缓解这些事件。
这一工具被称为“HaaS”，也就是“修复即服务（healing-as-a-service）”，它能够捕捉并修复任何事项，从与Adobe的ERP集成失败直至旨在导入企业各种分析系统中有错误的数据源，等等。Stoddard说，HaaS把修复时间从人工的30分钟减少到了1分钟。她估计在过去的几个月里，这为Adobe节省了330小时的修复时间。借助详细说明问题的报告，Adobe工程师能够创建永久性修复程序。 Stoddard说：“如果你知道必须修复一些东西，也知道怎样去修复，那就可以将其自動化。这有很大的好处。”这项工作建立在Stoddard团队于2017年创建的基于机器学习的诊断测试框架的基础上。
Adobe的商业业务也采用了人工智能。2016年11月，该公司推出了Sensei，这是一种应用于产品上的人工智能技术层，用于创建和发布文档，分析和跟踪网络和移动应用程序的性能。
主要建议：使用机器学习来识别模式是创建自我修复功能的关键。Stoddard说：“如果你知道怎样修复，那就可以把自我修复功能放进去，而去掉人工因素。”
人工智能加强证券研究
Putnam投资公司是一家共同基金、机构投资策略和退休服务提供商，该公司首席信息官Sumedh Mehta在接受CIO.com采访时介绍说，人工智能和机器学习对于帮助金融服务公司研究分析师扩大股票覆盖面至关重要。
Mehta说，这些分析师与Putnam的数据科学家密切合作，撰写了有助于从大量数据中获取深度分析的论文。Putnam也在研究能推荐出最重要销售前景的算法。
Mehta在评论人工智能和机器学习时说：“这是一种极具颠覆性和变革性的力量，在效率和效能上将推动所有业务的发展。”
Mehta把软件工程师、数据科学家、分析专家和供应商整合在一起，创建了一个卓越数据科学中心，实际是为支持业务相关方的人工智能和机器学习工作打下基础。他表示，他的“开明的”商业伙伴已经接受了这些方法以便更好地实现自动化。
主要建议：企业应该慢慢来，适当地设定期望，要明白最初的一些想法会带来新的问题，而不是解决方案。Mehta说：“对于人工智能，不会有灵光乍现的一刻。你的算法不会突然产生你所不知道的深度分析。”
银行更好地对客户进行深度分析
像许多大型银行一样，美国银行一直很难从其收集的大量客户数据中获得可操作的深度分析结果。美国银行首席分析官Bill Hoffman正在努力改变这种状况。在过去的几个月中，他一直使用Salesforce.com的Einstein人工智能/机器学习技术来加强该银行的小型企业、批发、商业财富和商业银行部门的个性化工作。
例如，如果客户在美国银行的网站上搜索了有关抵押贷款的信息，那么客户服务代理可以在该客户下次访问某家分行时跟进他。这也有助于美国银行发现人类可能看不到的模式。例如，该软件可以建议客户代理在周四上午10点到12点之间给某一行业的潜在客户打电话，因为在这段时间内他们更可能接电话。Einstein还可以在客户代理的日程表中放入日程邀请，提醒他们下周四打电话给潜在客户。
这些能力是许多金融服务机构希望得到的核心功能，全方位了解客户，从而及时推荐相关的服务。Hoffman说：“我们正在从一个描述发生了什么或者正在发生什么的世界走向一个更为关注将要发生或者应该发生什么的世界。核心价值是领先一步，预测我们的客户需求以及他们希望与我们互动的渠道。”
主要建议：在人工智能和机器学习上采取先测试然后学习的方法，要有耐心。但也要准备好推广有效果的工作。Hoffman说：“总是以客户为中心。问问自己：这对客户有什么好处？”