德勤發布報告《2017德勤技術趨勢》，以“運（yùn）動中的企業”為主題，全（quán）麵分析未來（lái） 8 年影響商業領域的核心技術及其影響，還包（bāo）括企業應用和策略上的建議。報告特別提出（chū）了機器（qì）智能（MI）這個新概念，MI 包（bāo）含機器學習、深度學習、認（rèn）知分析，到 2019年全球（qiú）商業支出將（jiāng）達（dá） 313 億美元。 
 
　　今年德勤技術趨勢報（bào）告的（de）主題是“運動中（zhōng）的企業”（the kinetic enterprise），這一概念描述了（le）正在發展靈（líng）活性和願（yuàn）景的公司——如今（jīn），公司不僅要克服（fú）運（yùn）營上的（de）慣（guàn）性（xìng），還要在一個（gè）不斷發展並將持續變動的商業環境中茁壯成長。
  
　　要做到這一點很（hěn）難。雖然科技進步讓我們看到了潛力（lì），但隻有（yǒu）少數幾種技術可能最終讓（ràng）我們實現真正的價（jià）值。更多的實際上是炒作。隻有認真鑒別、主動出擊，才能將潛能轉（zhuǎn）化為（wéi）現實。
  
　　在這樣的理念推（tuī）動下，德勤推出了他們迄今第 8 份《德（dé）勤技術趨勢報告》。在這份最新報告中，五大宏觀領域——數字化、分析、雲、核心係統和基礎設施重構，以（yǐ）及 IT在企業中不斷變化的作用——保持不變，這些都是年複一年推動企（qǐ）業創新和（hé）轉型的力量。不過，盡管這五大力量無處不在，各個企業在采用方麵仍然（rán）存（cún）在很大差異（yì）。
  
　　今年報告新增的 3 個（gè）分領域：機器智能（Machine Intelligence，MI）、混合現實和區塊鏈（liàn）。其中，機器智能（néng）更是作為新增技術之首，在今年的報告中占據了很大的篇幅。根（gēn）據德勤預測，到 2019年，全球（qiú）商業在（zài）機器智能（MI）的支出將達到 313 億美元。
  
　　值得注意的是，德勤報（bào）告（gào）認為，人工（gōng）智能（AI）是機器（qì）智能（néng）（MI）的一部分，機器智能是一個更加廣泛（fàn），也是更加重要的領域。機器智能（néng）的（de）幾個主要分支包括：機器學習（ML）、深度學習（DL）、認知分析、機器人過程自動化（RPA）和 Bot。報告指（zhǐ）出，“總體來（lái）說，這些技術和其他工具共同（tóng）構成了機器智能（néng）（MI）”，我們可以將 MI 理解為算法的（de）能力，這（zhè）些算法能夠（gòu）增強員工績效、將日益複雜的工作自動化，並開發出模擬人類思維、參與人類工作的“認知代理”。
 
 
　　德勤指出以下三個因素（sù）推動（dòng）了 MI 的發展：
  
　　數據呈（chéng）指數（shù）級增長（zhǎng）：如今企業中充斥著數據，迫切需要工具來分析和處理信息。德勤報告指出，公司收集的數據量每12個月翻一番，到2020年將達到約 44 ZT。
  
　　更快的（de）分布式係統：與數據暴增一樣，計算能力和速度也在飛速提升，現在的物聯網、各種傳感器和嵌入式智能設備構（gòu）成了規模龐大的分布式網絡。
  
　　更智能的算法：報告指出“MI 算法穩步發展，在實現認（rèn）知計算模擬人類思維過程初衷的方（fāng）麵有了初步成果”，報告還預測在未來18到24個月的時間裏，MI 算法將得到廣泛（fàn）的使用，包括優化（huà）、規劃和調度；確定（dìng）概率；實現機器人過程自動化及其他任務（wù）。
  
　　總的來說，語音識別、自然（rán）語言處理和機器學習等 MI 技術將幫助企業自動執行傳統上由人類完成（chéng）的許多任務，從而提高（gāo）效率和（hé）生產力。諸如 Alphabet、亞馬遜和（hé）蘋果這樣的大型科技公司則（zé）打（dǎ）算向企業提供這些服（fú）務。反過來，風險投資公司也將其投資（zī）組合加到整個食物鏈的底層。
  
　　在德（dé）勤 2016 年全球（qiú） CIO 調查中，1200 名IT 高管（guǎn）被要求說出他們計劃在未來兩（liǎng）年投入大量資金的（de）新技（jì）術：其中（zhōng）有 64% 的人列舉了認知技術或（huò） MI。
 
　　德（dé）勤報告中還包括了對（duì）企業應用 MI 的一些建議（yì）。亞馬遜副總裁兼 CEO 技術顧問 Maria Renz 和亞馬遜 Alexa 總監 Toni Reid 在報告中寫道：“我們建議你分析客戶群，傾聽他們，了（le）解他們的核心需求以及如（rú）何讓他們（men）的（de）生活更容易……不要害怕代替客戶發明（míng）新的東西——客戶並不總是知道自己想要什麽。如（rú）果你（nǐ）在客戶體（tǐ）驗方（fāng）麵正（zhèng）確聚焦（jiāo），其餘的自然水到渠成。”
  
 
　　以下為報告節選：
 
 
　　1、機器智能——技術模擬人類認（rèn）知來創造價值
  
　　人工智能（néng）快速的進化已經帶來（lái）了大量獨特的東西，盡管它們（men）總是被（bèi）誤解（jiě）的。AI 的（de）能力，比如機（jī）器學習、深度學習（xí）、認知分析、機器人（rén）自動化（RPA）、bot等等。總體上，這些和其他的工具組成（chéng）了（le）機器智能：算（suàn）法的能力可（kě）以（yǐ）增強雇員的表現、將越來越複雜的工作自動化，並且開（kāi）發出能夠模擬人類思維和參與（yǔ）的“認知智（zhì）能體”，在高級的分析方法中（zhōng），機器智能代表了未來。
  
　　數據（DATA）作為一種關鍵商業資（zī）產的崛起一直是每個“技術趨勢”報告中的一個（gè）主題，從管理其爆（bào）炸式增長的數量和（hé）複雜性所需的基礎功能到越來越複雜的分析工（gōng）具技術，再到從（cóng）數據庫中挖掘業務洞察都是如此。
  
　　通過利用分（fèn）析來發掘（jué）在不斷增長的（de）數據存儲中隱藏的模（mó）式，洞察（chá）和機會，一（yī）些公司已經能夠開發新的用戶參與方式（shì）、增強員工的技能（néng）和（hé）智力、培育新產品和服（fú）務、探索新的商業模式。今天，越來越多的CIO正在積極奠定讓其組織（zhī）更具洞察能力所需的基礎。
 
　　人工（gōng）智能（AI）——能夠執行通常需要人來（lái）完成的任（rèn）務的人工智能（néng）（AI）技術—正在（zài）成為這些分析工作的重要組（zǔ）成部分。然而，AI 隻（zhī）是認知（zhī）計（jì）算領域中更大、更引人注目的一係列發展的一部分。比（bǐ）AI 更大的是機器智（zhì）能（MI），這是代表新的認知時代的一係列進步（bù）的總稱。我們在報告中提到了近年來（lái）取得快速發展的一些認知工具（jù）：機器學習，深度（dù）學（xué）習，高級認知分析，機器人自動化和 bot，僅舉幾例。
 
　　我們已經在各個領域看到開始出現機器智能的早期使用案例。例如，在美國，一家運行全美最（zuì）大（dà）的醫學研究計劃（huá）之一的醫院正在“訓練”其機（jī）器智能係（xì）統以分析存儲在醫院（yuàn）數據庫中的100億張遺傳（chuán）和基因圖（tú）像。在金融服務中，認知銷售（shòu）助理使用機器（qì）智能與有希望的銷售線索發起聯係，然後鎖定，跟進並維持這種聯係。這個認知助手（shǒu）可以解析自然語言，以了解客戶的對（duì）話問題，同時處（chù）理多（duō）達27,000個會話和幾十種語言。
 
　　在接下來的幾個月中，我們會看到類似的應用案例，因為會有更多的公司正在試圖利用機器的力量。在機器智能各個方麵的投入已經增加，預計2019年將達到近313億美元。機器（qì）智能也成為CIO的（de）優先考慮事項。德勤的2016年全球CIO調查中，1,200名IT高管提到了他們計劃在未來兩年內大幅投資（zī）的新興技術，其中 64％的人提到了認知技術。
 
　　2、數據：現在遠比從前多（duō）得多
 
　　我們今天提到（dào）的認知計算，實際上起源於20世紀50年代，它是（shì）一種有遠見的努力（lì）方向，希望讓技術模擬人類智能。雖然有些（xiē）原（yuán）始的AI技術（shù）在20世紀（jì）80年代已經開始商業（yè）化，但是直到21世紀，組成機器智能的 AI 和認知計算能（néng）力，才算（suàn）是真正的騰飛。

  
 
　　有三股強大力量（liàng）共同驅動著機器智能趨勢：
  
　　1、數據指數級的增（zēng）長
  
　　如今，我們創建和複製的數據，每12個月大（dà）小增加一倍（bèi）。實際上，到2020年，全球的數字預計將達到44澤字節（zettabytes）。我（wǒ）們還知道，隨著物聯網，暗分析（xī）（dark analytics）和其他數據來源的激增，數據將增長得更快。從商業角（jiǎo）度來看，這種爆炸性增長將轉化為比以往任何時候都（dōu）更有價值的數據源。除了使用傳統的分析技術，這些大量的結構化和非結（jié）構化數據，以及存在於深層網絡（luò）中的大量非結（jié）構化數據，對於機器智能的進（jìn）步至關重要。這些（xiē）係（xì）統消耗的數據越多，它們在發（fā）現關係，模式（shì）和潛在影（yǐng）響（xiǎng）這些問題上就會變得“更聰明（míng）”。有效（xiào）管（guǎn）理快速增長（zhǎng）的數據需要更高級（jí）方法，來掌控數據、存儲、保留、訪問、情景和管理（lǐ）。
  
　　從聯（lián）網設備生成的信號，到所有業務所有功能（néng）中的曆史轉換數（shù）據（jù）中隱藏的字符行級別的細節，處（chù）理數（shù）據資產（chǎn）正在成為建造機（jī）器智能的一個關鍵組成部分。
  
　　2、更快的分布式係統
  
　　隨著數據量越來越大，分析越來越複雜（zá），讓（ràng）數據對個體用戶可訪問的分布式（shì）網絡現在的能力已經得到指數地提升。今天，我們可以快速處理，搜索和控製幾年前無法實現的數據。當前一代的微處理器提供了的性能是1971年（nián）推出（chū）的第一個單芯片微處理（lǐ）器的400萬倍。
  
　　這種能力使得高級係統設（shè）計成為可能，例如支持多核和並行（háng）處理的那些。同樣，它支持高級數據存儲技術，支持對歸（guī）檔（dàng）數據的快速檢索和分析。正（zhèng）如我們看到的MapReduce、內存計算和硬件優化的MI技術，如穀歌的張量處理單元。技術正在進一步優化我（wǒ）們管理指數級數據的（de）能力，使之更有效。
 
　　除了（le）純粹的功率和速度的增加（jiā），分布式網絡的覆蓋範圍（wéi）也越來越大。它們現在可以與（yǔ）駐留在雲中的基礎架構，平台和應用程序無縫連接，並可以消化（huà）和分析存在於那裏的不斷增長的數據。它們還提供分析和驅動（dòng）來自“邊緣”功能（néng）（如（rú）物聯網，傳感器和嵌入式智能設備）的流（liú）數據所（suǒ）需的能力。
  
　　3、更智能的算法
 
　　近年來，隨著機器智能算法變得越（yuè）來越強大，實現認知計算的最（zuì）初目標——模擬人類思考過程，也獲得（dé）了穩步的進步（bù）。
 
　　隨（suí）著機器智能使用案例在（zài）接下來18至（zhì）24個月內不斷湧現，以下算法能力將可能在公共和私有部門中得到更廣（guǎng）泛的應用：
 
　　優（yōu）化，規劃和調度：在更成熟的認知算法中，優化自動化的、複雜的決策和在有限資源中進行權衡。類似地，規劃和（hé）調度算（suàn）法設計一係列動作以滿足處理目標的要求並觀察約束條件。
 
　　機器學習：計算機係統正在通過數據來發展提（tí）高自身的能力，這個過程總不需要遵（zūn）循直接的編程指（zhǐ）令。在其核心，機器學習自動地從數（shù）據中發現模型。一旦經過確認，模型（xíng）能被（bèi）用（yòng）於做（zuò）預測（cè）。
 
　　深（shēn）度學習（Deep Learning）：開發人員正在研究涉及人工神經網絡的機器學習算法，這是啟（qǐ）發自大腦的結（jié）構和功能。其中，互相連接的模塊運行數學模（mó）型（xíng），這些模型根據處理大量輸（shū）入得出的結果來（lái）進行不斷微（wēi）調。深度學習可以分為有監督學習和無監督學（xué）習（xí）。
 
　　概率推理（Probabilistic inference）：使用圖（tú）形（xíng）分析和貝葉斯網絡來識別（bié）隨機變量中的條件（jiàn）依賴性（xìng）的新的 AI 能力。
 
　　語義計算（Semantic computing）：這種認知類別包括計算機視覺（分析圖像的能力），語音識別（分析和解釋人類（lèi）語言的能力），以及各種為了理（lǐ）解自然語言表達的意圖和計算內容的語義的文本分析能力 。這些信息被用於數據（jù）分類，映射和檢索。
 
　　自然語言引擎（Natural language engines）：自然（rán）語（yǔ）言引擎以（yǐ）人類的方式理解書（shū）麵文本，但它可以用複雜的方式進行文本處理，例如自動識別文本中提到的所有人名和地（dì）址（zhǐ）；識（shí）別（bié）文本的主題；或者（zhě）以人類可以理解的方式提取出合同中（zhōng）的條款並製（zhì）成列（liè）表。自然語言引擎通常可以（yǐ）分為（wéi）兩類，一是針對人類語言的自然語言處理技術，二是針對創造自然語言輸出的（de）自然語言生成技術（shù）。
 
　　機器人過（guò）程自動化（RPA）：機器人軟件，或稱“bots”，可以（yǐ）通過（guò）模仿人類（lèi）與軟件應用程序交互的方式來執行例行的業務流程。企業開始結合采用 RPA 和認知技術（如語音識（shí）別，自然語言處理和機（jī）器學（xué）習）來自動化執行基於（yú）知覺或判斷的任（rèn）務，這些任務從前被認為是隻能由人類執行的。
 
　　機器（qì）智能如何創造價值？
 
　　對 CIO 而言，轉向（xiàng）機器智能需要一種（zhǒng）新的理解數據分析的方式。數據（jù）分析不僅僅是一種（zhǒng）創建靜態的報告的方式，還是一（yī）種利（lì）用更大型、更豐富的數據庫來（lái）自動執行任務並提高效率的方式。在機器智能中，CIO 可以考慮的（de）機會包括：
 
　　認（rèn）知洞察（chá）（Cognitive insights）：機器智能可以提供深入、可操作的洞察，不僅對已經發（fā）生的（de）事情，而且包括現在正（zhèng）在發生的事情和接下來（lái）可能（néng）發生的事情（qíng）。這可以幫（bāng）助企（qǐ）業製定程序來提高員工效率。例（lì）如，在全球的呼叫中心中，服（fú）務代表可以使用多功能的客戶（hù）支持程序來回（huí）答有關（guān）產品的問題（tí），接受訂單，調查定（dìng）價，以及解決客戶的其他問題。許多這樣的係（xì）統還需要工作人員在屏幕間來回跳轉以找到回答（dá）特定查詢所需（xū）要的信息。
 
　　認知（zhī）參與（Cognitive engagement）：機器智能價值樹的下一級（jí）是認知智能體（cognitive agents），即采用認知（zhī）技術與人類進（jìn）行交互（hù）的係統（tǒng）。目前，這項技術主要服務對（duì）象是消費者而非企業。例如，認知智能體可以相應人類（lèi）的（de）語（yǔ）音命令來降低恒溫器溫度或打開某個電視頻道。但是，有可（kě）以從這種認知參與中受益的企業業務，並且新的應用領域開始出現。認知智能體將能夠（gòu）接入複雜信息，執行諸如處（chù）理患者入院，為用戶推（tuī）薦產品或服務等任務。它們可能在客戶服（fú）務（wù）領域有更大的商（shāng）業潛力。
 
　　認知自動化（Cognitive automation）：第三個，可能也是最具顛覆性的機器智能機會，是利用機（jī）器學習，RPA，以及其他認知工具開發深度的專業領域知識（例如，按行業（yè）、職能或地區區分），然後自動化執行相關的任務。我們已經看到有（yǒu）機器智能的係（xì）統能夠自動化執行從前需要（yào）經過訓練（liàn）的人力進行的工（gōng）作。例如，有醫療公司應用深度學習技術進行醫（yī）學圖像的分析，在測試中，係統在（zài）判斷惡性腫瘤方麵比人類專家的能力高50%。
 
　　在教育領域，嵌入（rù）在在線學習程（chéng）序中機器智能可（kě）以通過跟蹤學習者解題時的（de）“心理步（bù）驟（zhòu）”來模擬一對一輔導，為學習者提供及時的指導、反饋和解釋。
 
　　協同機器人（Co-Bots），不是機器人（Robots）
 
　　麵（miàn）對成本壓力，長期低（dī）利率，競（jìng）爭的加劇，以及不斷變化的客戶和市場動態，全球（qiú）保（bǎo）險供應商美（měi）國國（guó）際集團公司（AIG）發（fā）起了戰略重組，以簡化其（qí）組織和提高運營效率。這個目標涉及處理不斷（duàn）加劇的技術債務（wù）問題，以及一個對運營穩定性產生挑戰的分布式IT部門。
 
　　根據AIG全球首席（xí）技術官Mike Brady的說法，通過將IT重組為一個（gè）向CEO報告的單一組織，AIG為（wéi）創建新的（de）企業技術模式奠（diàn）定了基礎。這一變革性計劃的第一步涉及到建立基（jī）礎（chǔ）能力，為（wéi）此團隊製定了一個三部分的方法：
 
　　維（wéi）穩：因為用戶幾乎每天都遇到嚴重的中斷，虛擬網絡每周就會癱瘓一（yī）次，所以整（zhěng）體網絡性能需要改進。
 
　　優化：該策略側重於自助服務（wù）配置，自動化和成本效益。
 
　　加速：為了快速前進，團隊實施（shī）了DevOps戰略，以創建持續集成/連續部署工具鏈和流程，以實時部署軟件。
 
　　AIG借助了機器學習來實現這些指令。該公司開發了一個先進的協作機器人程序，這個程序可以利用內置的算（suàn）法能力，機器學（xué）習和機器人過程自動化。這些虛擬工作（zuò）者被稱為“協同機器人” ，公司希望每（měi）個人都能（néng）將虛擬員工作為員工的延伸和助（zhù）理。
 
　　2015年10月，AIG部署了（le）“ARIES”，該公司的第一台機器學習（xí）虛擬工程師，以解決全球網絡問題（tí）事件。在90天的試驗（yàn）計劃（huá）期間，ARIES接受（shòu）了“策展（zhǎn）和監督”模式的培訓，在這種（zhǒng）模式下，機器（qì）與人類一起操作，並從人類的行為中學習。在這種方（fāng）法中，ARIES通過觀（guān）察和實驗來了解如何評估運行中斷的來源並確（què）定可能的原因和應（yīng）急（jí）響應。協同機（jī）器人在第91天時就已經準備全部的（de）部署。這不（bú）是（shì）因為這些機器本身工作效率高；事（shì）實上，AIG發現，人（rén）類平均需要8到10分鍾（zhōng）解（jiě）決（jué）一個典（diǎn）型的問題，而協同機器人用時平均8分鍾。這也就是說（shuō），機（jī）器人最大的好（hǎo）處是它的規模：機器人（rén）可以（yǐ）全天候（hòu）工作，不間斷或睡眠，它們可以（yǐ）迅速解決事件，排隊（duì）和積壓從不發生。
 
　　在ARIES參與工作的六個月內，這個自動（dòng）化係（xì）統識別和解決了超過60％的網絡運行中斷。在一年內，ARIES的機器智能，加上（shàng）監測AIG環境健康狀況的（de）傳感器的增加（jiā），使其有可能在問題影（yǐng）響業務之前，以編（biān）程方式解（jiě）決各種各樣的警報。虛擬工程師可以自動（dòng）識別（bié）不健康的設備，執行（háng）診斷測試以確定原因，並登錄以實施修複或將問題（tí）上報到技術人（rén）員並提出“建議”。另外，協同機器人涉及到網絡問題，如果（guǒ）數據模式顯示一個設備在一個月內造成50起事件，IT團隊就知道此設（shè）備（bèi）需要更換。這些問題在過去一（yī）年中將嚴重性等級1和2的問題數量減少了50％。他們還提高了技術人員的工作滿意度。技術人員（yuán）現在可（kě）以專注於更具挑戰性，更有趣的任務，而不必執行普通和重複性的任務，而且可以從協同機器人（rén）的（de）建議展開自己下一步的工作。
 
　　另外還有四個由（yóu）管理（lǐ）人員操作的（de）協（xié）同機器人，協助負責治理、工作、培訓和（hé）學習，甚至績效管理，已經成功上崗了。
 
　　隨（suí）著IT中的協（xié）同軟件程序（xù）的成功，AIG正在探索在業務操作中使用機器學習的機會。 “我們希望企業使用機器（qì）學習，而不是占（zhàn）用更多的資源，”布（bù）雷迪說（shuō）。 “我們需要利用大數據和（hé）機（jī）器學習作為新的（de）資源，而不是將其視為新的成本。”內部試驗正在開發，以確定協同機器人是（shì）否可以審查損害索賠，並立即授權（quán）付款檢查，以便客戶不需要延（yán）遲（chí）治療。其（qí）他機會有可能出現在增（zēng）強型認知的自助服務，增強（qiáng）代理（lǐ）輔助渠道，甚（shèn）至可能（néng）使（shǐ）用認知代理（lǐ）作為他們自己的麵向客戶的窗口。
 
　　“協同機器人的方法需要磨（mó）合，”布雷迪補充說， “如果一個（gè）問題真的很複雜，你不希（xī）望團隊內部打架（jià）。這就是設計思維的有用之處。自從我們（men）在一年前開始啟用機器人係統，我們已經解決了145,000次事故，令人（rén）難以置信的好。將其轉（zhuǎn）移到（dào）業務流程，最終達到認知客（kè）戶交互是一條必經之路。
 
　　服務患（huàn）者
 
　　隨著醫療保健轉向基於結果的模式，患者正在尋求健康保險公司提供與許多零售商和銀行相同水平的高度個性化（huà）的客（kè）戶服務。為了滿足這一期望，作為美國最大的健康福利公司之一，Anthem正在探索（suǒ）如何利用認知計算的力量來簡化（huà）和增強與客戶的聯係，並使客（kè）戶服務更有效，更靈敏，更直觀。 Anthem的最（zuì）終目標是改變公司與保（bǎo）險用戶在整個受（shòu）保周期內的交流方式，而不僅僅是在被保人申請（qǐng）索賠時（shí）。
 
　　Anthem的（de）戰略涉及機器智能的三個（gè）維度：洞察，自（zì）動化（huà）和參與（yǔ）。在第（dì）一階（jiē）段，公司正在對（duì）索賠裁定流程應用認知洞察，以（yǐ）便為索賠審查人員更好（hǎo）地了（le）解每（měi）個案例。Anthem的臨床分析及人口健康管理副總裁Ashok Chennuru表示，“我們正在整合內部付款人數據索賠，成員資格，提供者人口統計數據與外部數據，包括社會經濟（jì），臨床/ EMR，生活方式和其（qí）他數據，以建立健（jiàn）康計劃成員的縱向視圖。“
 
　　目前（qián），審查者（zhě）從文檔審查、患者曆史發（fā）現和取證收集開始，來確（què）定下一步驟。但是通過認知洞察，新（xīn）係統正（zhèng）在不斷地審查背景中（zhōng）的可用記錄，從一開始就提供全麵的圖像，包括補充信息，例如患者的重複（fù）住院以通知可能的護理（lǐ）計（jì）劃或（huò）有針對（duì）性的幹預，以及應用智能來解決（jué）索賠的任何潛在問題。在索賠代（dài）表收到案件時，他（tā）有評（píng）估所（suǒ）需的全麵信息。
 
　　在下一階段，Anthem將開始為索賠處理增加認（rèn）知自動化，從而騰出時間讓審核員去幫助需要更複（fù）雜幫助的患者。 “通過（guò）部署預測性和規範性分析和機器學習算法，我們將能夠以更具（jù）成本（běn）效益的方式處理結構化和非結構化數據，”Chennuru說。首先，係統將識別需要解決的任何潛（qián）在問題，並推薦（jiàn）具體的行動方案。隨著係統的成熟，如果它的分析基於所有信號（hào）和輸入達到一定的確定性值，它可以自己（jǐ）開始解決某些問題。如果確定（dìng）性水平低於該值，則審核員仍將手動審核和解決（jué）索賠。由於係統（tǒng）的持續學習能力監控審核員如何成功地解決問題，係統會將特定問題與適當的行動方（fāng）案相關聯，以不斷提（tí）高其自（zì）動（dòng）化分辨率的準確（què）性和效率。
 
　　在第三階段，隨著Anthem更（gèng）深入認知參與，公司將（jiāng）更廣泛地利用其神經網絡和深度學習，與醫（yī）療（liáo）保健提供（gòng）者一對一地參與（yǔ），為患（huàn）者推薦個性化護（hù）理（lǐ）計劃。在從簡（jiǎn）單的反應到索賠轉變為主動參與客戶的護理，Anthem將能夠審查病人的病史，並（bìng）聯係醫療機構，提供護理計劃的建議（yì）。
 
　　Anthem的半監督（dū）機器學習能力教會幾桶如何分解問題，組（zǔ）織它們，並確定最佳響應。在測試期間，觀察者將比較係統行為和性能與傳統的人為驅動方法來衡量（liàng）係統的效率和準確性。
 
　　該公司目前正在收集和處理數據，培訓係統，並（bìng）簡化其解決（jué）方（fāng）案架構和技術，並且由於理賠管理認知洞察而獲得了全（quán）麵的積極成果。自動化（huà）裁決係統的原型計劃於2017年推出，然後會在幾（jǐ）個月後啟動（dòng）一個最低可行產品版本（MVP）。
 
　　Anthem已經建立了廣泛的認知能力，有多個（gè）團隊通過案例學習的方式來實現結果，評估有價值的證明，並優（yōu）化團隊如何準備數據（jù），調整（zhěng）算法和提供程序可用性。 “最終，”Chennuru說，“我們將能夠在（zài）諸如價值分析，人口健康管理，質量管理等許多領域中利用（yòng）該平台，並洞察醫療服務和醫療（liáo）成本之間的（de）差距。”Anthem希望使盡可能多的企業認知服務，能夠訓（xùn）練其模型，優化其計劃，並發展其認知智能，以幫助公司更好地為會員服務。
 
　　如何在企（qǐ）業中運用機器智能（MI）？
 
　　很少有（yǒu）機構能夠宣布在數據上和數據相關方麵取得了勝利（lì）。即使數據是大部分是結構話的，並被限（xiàn）製在公司限製在內部信息中，管理和分析（xī）也（yě）是極具挑戰性的。今天，複（fù）雜的算法和分析技術使我們能夠解決複雜的情況，我們（men）可以從被動描述發生了什麽過渡到主（zhǔ）動（dòng）自動化業務響應。然而，即使（shǐ）具有快（kuài）速發展的（de）能力，一些組織仍然在數據上苦苦掙紮。
 
　　好消息是，機器智能提供了新的方法和技術，可以幫助我們最終克服一些長期的數據難題：
 
　　策略數據：MI技術可以以很大程（chéng）度上自動化的方式應用於數據分類和本體以（yǐ）定義，合理化和（hé）維護主數據。MI可以分析每一塊數據，其中關係，並創建與數（shù）據的質量相近的派生導出。同樣，它可以潛在地提供用於補救出現的內容或（huò）上下文問題的手段。
 
　　有限和有目的：專注於獲得商業問題的洞察（chá），如果解決，就能提供更加有意義的價值。讓問題陳述的範圍決定所需的數據輸入、適當的MI技術以及周圍的架構和數據管理需求。通過解決這些問題中的一些，您可（kě）以獲得更大的認可，以將MI應用於（yú）更複雜的問題。
 
　　夏爾巴人（rén）的歡迎（Sherpas welcome）：MI正在享受自（zì）己的啟蒙（méng）時代，學術界（jiè），初創企業和成（chéng）熟的供應商都在爭相提高能力和添（tiān）加新技術（shù）。考慮與供應商的合（hé）作，將是對你的努力的聯（lián）合投資、與能夠提供無限訪問寶貴專業知識的（de）學者和思想領（lǐng）袖合作也是如此。
 
　　產業化分析：數據已（yǐ）成為關鍵的（de）戰（zhàn）略性企業資產。但（dàn）是，進行有目（mù）的的投入的、全麵承諾培養、策劃、並在整個（gè）企業中（zhōng）利用此（cǐ）資產的企（qǐ）業數量還是很（hěn）少。工業化分析指的是（shì），為所有維度的數（shù）據企業包括機（jī）器智能，推動方法、平台、工具和人才的（de）一致性和可重複性的。在策略上，這可能會帶來數據攝（shè）取，集成，歸檔，訪問，授權，加密和管理的服務。
 
　　亞馬遜副總裁及 Alexa 總（zǒng）監技術分享
 
　　（撰文／瑪麗亞·雷（léi）茲，副總裁兼CEO技術顧問；Toni Reid，AMAZON ALEXA 總監）隨（suí）著2017年人工智能曆史上最令人興奮時刻的到來，亞馬遜團隊現在（zài）有能力想得更大更遠並探索新（xīn）的領域。
 
　　在亞（yà）馬遜，我們相信語音將會，並在許多方麵已經從根本上改善了人們與技術交互的方式。雖（suī）然我們距離能夠以人類的方式做事情還有很長的路要走，但我們正處於AI和語音技術（shù）的轉折點。
 
　　Amazon Echo的原始靈感是（shì）星際迷航計算機。我們想在雲上創建一個完全由語音控製的（de）計算機（jī） - 你可以問問題，請求它（tā）做事情（qíng），為你做（zuò）事，為（wéi）你找到一些東西。很容易的以自然（rán）的方式（shì）交（jiāo）談。現在（zài）還不能完全做到，但這是我們的願景。
 
　　Alexa的主要（yào）功能之一是Echo背後的語音和大腦，它是一個基於雲的服務，在自然（rán）語言理解以及提高準確（què）性方（fāng）麵總（zǒng）是變得更聰明。因為她的大腦在（zài）雲（yún）中，她（tā）每天每小時不斷地學習和添（tiān）加更多的功能，這隻會使代（dài）表客戶創新（xīn）和添加（jiā）功能（néng）變得更容易。
 
　　自2014年11月推（tuī）出Echo以來，我們（men）為Alexa增加了7000多項（xiàng）技能。她的足跡遍布Echo係列設備，現在（zài）嵌（qiàn）入其他亞馬（mǎ）遜硬件（Fire TV和（hé）Fire平板電腦）和第三方設備，如Nucleus對講係統，Lenovo Smart Assistant揚聲器和LG Smart InstaView冰箱，並將Alexa嵌入到福特和大眾汽車公司的汽車中（zhōng）。
 
　　在她（tā）涉及的領域和她在搜索材料中的準（zhǔn）確性方麵，Alexa能有效（xiào）地理解用戶（hù）。 即使如此，語音技術仍然麵臨著持續（xù）的挑戰。 當我們最初開始（shǐ）時（shí），這項技術（shù）甚（shèn）至不存在 - 我們不得不發明它。 我們很幸運可以借助AWS雲的力量，我們有令人難以（yǐ）置信的智慧（huì）的語音專家團隊（duì），包括有才華的語音（yīn）學（xué）家，來努力解決（jué）這些問題。
 
　　我們認為 AI 對客戶的好處和機會可以說是無限的。現在，Alexa 主要是在 Echo 上（shàng）運行，但將來它可以通過無數的係統和應用程（chéng）序實現（xiàn）擴展。我們通過使用 vAlexa Skill Kit（ASK），Smart Home Skill API 和 Alexa Voice Service API為開發人員提供一係列免費、自助的公共 API，從（cóng）而使實施過程變得更加（jiā）簡單。
 
　　最終，我們在機器智能，神經網絡和語音識別領域（yù）的發展將能為我們的客戶提（tí）供更多新功能。
 
　　在網絡安全層麵，人工智（zhì）能同時（shí）帶來了回報和挑戰。所謂回報，是指借（jiè）助機器自動化的高速高效來保證（zhèng）風險控製（zhì）某（mǒu）些方麵的自（zì）動化，以快速有效地識別、警戒、觸（chù）發（或者相反地——消除）潛（qián）在的威脅。人工智能對網絡係統的杠杆作用可（kě）以幫助進行數（shù）據分析，並在這些工具識別風險（xiǎn）後自動采取特別措（cuò）施。
 
　　具有預知作用的風險和網絡模（mó）型將數據挖掘的範圍進一步延伸到了廣大的未知領域，例如（rú）暗網，並識別了可能遇到的（de）新威脅。這進一步加強了人工（gōng）智能在這一領域的有效性。
 
　　企業還可以借助人（rén）工智能來推進（jìn）項目，製定策略，以及規劃產品。舉例來說，通（tōng）過人工智能的深（shēn）度學習能力（lì），銷售團隊（duì）可以（yǐ）憑借社交媒體、公共（gòng）記錄或（huò）其他網絡資源上已經存在的信息，構建起比較詳細的客戶資料。
 
　　不過，人工智能的客戶側寫能力也存在潛在缺點：上（shàng）述過程可能會帶（dài）來網絡安全隱患（huàn）。人工智能可能會做（zuò）出一（yī）些引發新風險（xiǎn）的推斷，尤其是當（dāng）這些推斷本身就存在錯誤的時候。通過建立關聯，人工智能也可能會產生一些（xiē）引發隱私問題的原始數據。歸根結（jié）底，企業應該仔細考量這些（xiē）基於（yú）推理和關聯的原始數據。
 
　　確實，隨著人工智（zhì）能在高效和（hé）節約成本方麵的能力逐漸顯現，許多人開始討論（lùn）更廣泛的倫理和道德問題。目前（qián）人類采用的人工智（zhì）能會對（duì）社會、經濟和個體組織獲取（qǔ）機會方麵產生怎樣的影響？你的企業如（rú）何（hé）麵對主動出擊的（de）人工（gōng）智（zhì）能所直接（jiē）引發的品牌和信譽危機。還有（yǒu），你的公司能否在已經被描述為“後（hòu）工作經濟”的（de）時代長期生存？
 
　　最後，關於風險的討論也應該包括許多人工智能技（jì）術（shù）采用“暗箱操作（zuò）”的現實。眼下，清楚地解（jiě）釋出某些決（jué）策和（hé）推薦是如何（hé）做出的，還不太可能。雖然有呼（hū）籲希望能進行算法的透明化，以最終推動審查和（hé）理解（jiě）假設（shè）、觀察模式和解釋結論如何產生的新途徑，但（dàn）這（zhè）些途徑目前現在還不存在。在（zài）此之前，嚐試確定（dìng）哪部分的透（tòu）明度不足可能會是一（yī）個問題（法律（lǜ）上、名譽上和學術上），因此需要相應地調整計劃。
 
　　當我們駛入（rù）這些未知水域，CIO、CEO和其他領導者們應該出於對股東利益的考慮（lǜ），仔細權衡這些名（míng）譽、安全、財務以及其他可能會在未來產生的各方麵的風險。