人工智能（AI）及其最重要的子集--机器学习和深度学习，正在对许多不同行业造成深刻的破坏。营销专家利用人工智能向客户提供个性化的信息，汽车公司打造智能汽车技术，医生采用人工智能解决方案进行诊断。
在我们知道之前，人工智能解决方案已经成为数字经济的基石。而这项技术对公司的影响在未来将变得更加巨大。根据IDC的数据，到2021年，全球在人工智能上的支出将达到576亿美元，看到来自银行、医疗保健和零售等行业的主要投资。
机器学习正在迅速改变企业技术。它标志着企业在过去十年中开始的数字转型之旅的下一章。今天，正是企业创新实验室为塑造应用ML的未来做出了贡献。
企业成功采用ML解决方案需要不同的团队走到一起，将技术能力与现实世界的业务问题结合起来。为了充分利用这项技术为你的企业服务，你需要了解它的独特能力是什么，以及你可以使用哪些框架来开始你的旅程。
请继续阅读，了解企业中最常见的ML用例，以及如何为自己的实施迈出第一步。
机器学习在企业中的应用
在深入研究细节之前，我们先来看看市场上的企业ML用例。
最近的一项调查显示，该技术有望革新的关键领域之一是客户互动。这里最受欢迎的应用是产生客户洞察力和情报的解决方案，与客户互动，改善客户体验，保留客户，并提高客户满意度。最大的公司期望人工智能技术能够帮助他们提高客户的忠诚度。
一般来说，大型公司和创新技术的成熟采用者正在投资更多，在广泛的应用中实施机器学习和深度学习。随着他们向ML投入资源，他们学会了在哪里应用它以获得最佳效果。
这些公司对训练人工智能以降低成本也有兴趣。在调查中，44%的人提到减少成本是他们的主要用例之一。早期阶段的采用者主要关注提高客户保留率--这就是他们中60%的人所说的。中间阶段的ML采用者在提高客户忠诚度（38%）和降低成本（39%）之间分化。
那么公司用ML解决的特殊问题是什么？这份报告在对600多名高管的调查基础上，列出了人工智能和ML在组织中的六大用例:
- 数据安全（28%）--包括早期威胁检测、风险识别、改善运营和纠正措施。
- 实时分析（24%），用于识别产品报价、欺诈性交易、动态定价和其他。
- 个性化的数据可视化和仪表盘（24%）--这种仪表盘有助于支持预测性分析，并指出潜在的性能改进。
- 数据整合、准备和管理（23%）--通常与云计算相结合。
- 销售/收入预测（23%）。
- 个人安全（20%）--有家庭监控或金融服务安全等应用。
顶级机器学习用例
围绕人工智能和ML的炒作，使公司很难将未来的应用与现实世界的机会分开。为了了解这项技术能够为公司带来的潜在价值，首席信息官和其他决策者需要熟悉机器学习的实际使用案例。以下是企业应用的顶级ML用例。
1.流程自动化
不可否认，关键的人工智能用例之一是智能流程自动化。通过结合人工智能技术和自动化，公司可以将任务自动化，从简单的任务（如人工数据输入）到更复杂的任务（如寿险风险评估或其他金融服务）。
在人类决策过程至关重要但又被设定在特定约束或模式内的情况下，ML就会派上用场。自然语言处理、机器视觉和深度学习等技术可以促进传统的基于规则的自动化，并在适应变化的过程中学习如何更好地执行任务。
流程自动化工具帮助企业降低运营成本，更好地利用其资源，更快地做出决策，并提高运营效率。通过解放人类工作者，使其专注于重要的事情，ML和深度学习应用使企业能够建立更多的创新产品和服务。
2.安全
该技术正在帮助企业改善其运营的另一个领域是安全。特别是，ML有助于分析威胁和应对安全事件。根据ABI研究，机器学习和数据安全到2021年将增加960亿美元的支出。
ML为预测性分析工具提供动力，使其能够早期发现威胁。系统内的任何异常情况都不会被忽视，这要归功于那些在每次接触数据时都能学习变得更有效的解决方案。投资于此类工具的组织能够驾驭监管要求，并成为其部门的创新驱动型领导者。
3.销售和营销优化
销售和营销部门产生大量的数据，公司可以用来改善他们的战略，并产生更多的线索。为了释放这些数据的价值，他们需要ML解决方案。这类工具可以执行预测性线索评分、内容个性化、智能内容、客户情绪分析、流失预测和销售预测分析等功能。当同步在一起时，它们给企业带来了显著的竞争优势，无论其行业如何。
4.客户服务
许多组织正在投资于有助于释放人力资源的解决方案，并尽可能多地将客户服务任务自动化。虚拟助理和聊天机器人正在成为客户服务领域的一个新标准。
组织处理的客户互动量通常是巨大的，并产生了大量的数据。软件数据科学家可以将其作为训练材料，用于微调算法和建立更好的学习模型。通过将常规的客户服务任务交给机器，企业可以将人类员工解放出来，专注于更复杂的问题，发挥创造力，并推动创新，提高决策速度。根据Juniper Research的数据，到2022年，对话式助手每年将产生80亿美元的成本节约。
5.团队协作
这里是机器学习对公司有很大潜力的另一个领域：团队协作工具。这种工具可以提高人类员工的效率，加速发现新的想法，并改善在不同地点工作的团队的成果。
许多企业正计划在其统一的协作和通信应用中实施人工智能。其中包括视频、音频和图像智能，可以为团队分享的内容增加背景。一些公司正忙着将聊天机器人整合到他们的团队应用中，以实现提醒团队成员或询问他们的状态等功能。
如何在企业中开始使用ML
现在你知道机器学习解决方案可以为你的组织带来什么样的能力，你可能想知道如何开始。
网络上有很多关于这个主题的精彩资源。《哈佛商业评论》的"如何发现机器学习的机会，即使你不是一个数据科学家 "是一个好的开始。
我们决定，值得分享我们的ML专家在为企业客户提供实施该技术的建议时获得的经验。下面是我们对企业开始使用机器学习的看法。
这一切都归结于选择正确的问题
与流行的看法相反，ML并不是所有问题的通用解药。由于实施新技术并不便宜，集中精力解决一个可能给你带来强大投资回报率的问题或领域是个好主意。
以下是你需要采取的一些关键步骤，以确保你的ML或深度学习实施给你带来最好的结果:
- 从小处着手--即使你希望这项技术能解决你组织中的一个重大问题，缩小它的规模也是一个好主意。但你需要平衡它的规模，以便人们仍然关心并看到ML可能带给他们的潜在好处。否则，该项目可能得不到它所需要的关注，其失败的风险会增加--或者你的领导对ML感到失望的风险。
- 有一个可衡量的目标--确保你的目标是明确的，可以被衡量的--机器学习算法到需要一个可量化的结果来优化一个任务。例如，如果你的公司试图预测一个客户是否会购买你的产品，那么就从直接将预测数据与结果数据联系起来的数据开始--例如，从点击流行为到销售交易。
- 挑选一个适当复杂度的问题--似乎ML是通往未来的道路，但许多解决方案用简单的规则就能正常工作。当任务太复杂而无法用规则编码时，ML就会产生最大的影响。当挑选你想用ML解决的问题时，确保它需要这样复杂的技术。
- 数据可用性 - 你拥有的历史数据越多，你的ML算法就有越多的资源可以学习。因此，它将变得更加准确和成功。检查你是否正在收集所需的那种信息，以回答解决这个问题。或者，你与一个有经验的软件开发机构合作，以获得你的工具所需的数据。
结论
希望利用机器学习和人工智能的企业将不得不从一个广泛的角度来处理这个问题。首先，他们将需要回答一系列的技术、数据处理和人事问题。
他们将需要收集大量的优质数据（通常与可靠的云计算解决方案相连），确保员工在实施人工智能的那一刻得到培训，并选择在ML方面有经验的正确技术合作伙伴。
