近年来,人们对智能系统的关注在各个领域都出现惊人的增长,从客户支持到治疗癌症。只要简单地将“AI”一词放到创新企业的宣传介绍里似乎就可以增加了获得资金的可能性。媒体不断地报道“人工智能会偷走我们的工作”,美国政府似乎担心有关超级智能机器人杀手的可能, 相较而言,关于什么是人工智能以及我们应该期望它如何影响商业的讨论声比较小。

当人们谈论人工智能、机器学习、自动化、大数据、认知计算或深度学习时,他们谈论的是机器学习基于数据和推理来实现目标的能力。这是非常重要的,已经在几乎每个行业开始改变我们的商业。 尽管想法都很大胆,但仍然有几个关键问题在人工智能的核心没有取得什么进展(包括类比学习和自然语言理解)。 机器学习不是魔术,实际情况上,我们既没有数据,也没有要利用机器去像人类那样做出常规决定的必要性。

这可能是对一些人的失望,并可能破坏一些非常昂贵的营销活动。 但是,自我导向的超智能计算设备在可预见的未来兴盛的可能性非常低,因此现在应该将其排除在年度业务计划之外。话虽如此,现在很多所谓智能机器已经数量非常多,这是前瞻性的管理者应该关注的地方。

在未来5到10年内,最大的业务收益可能来自于在正确的时间向正确的人们提供正确的信息。 在过去几年的商业智能革命的基础上,机器学习将加快发现方式,并在许多领域自动进行价值提取。 数据将越来越多地驱动实时经济,资源更有效地集中起来,货物和服务的生产按需提供,故障率和可预测性更好。 这将意味着用于不同行业的不同事物。

在服务方面,我们不仅能更好地预测需求,而且还将学会在超个人化的基础上提供正确的产品(Netflix方法)。

在零售业,我们将看到更复杂的供应链,更深入地了解消费者的喜好,以及定制产品和在线/离线购物的体验能力。零售商将专注于趋势创造和偏好形成/品牌建设。

在制造业中,将朝着实时完整的系统监测(称为“异常检测”)的方向发展。组件将变得越来越连接,允许机器学习算法可使用的实时数据流在它们之前揭示问题发生,优化组件的寿命,并减少对人类干预的需要。

在农业中,将使用数据来决定哪些作物生长,以何种数量,在哪些位置,以及将使生长过程更加有效的年复一年。 这将以更少的资源创造更有效的供应链,更好的食物和更可持续的增长。

总之,AI可能是一种方法,但机器学习已经提供了巨大的潜力。 那么管理者如何将其纳入日常决策和长期规划? 一个公司怎样才能成为ML-ready ?

首先,编写您的业务流程。 寻找需要经常做决定的流程,比如批准或拒绝贷款申请。 确保您收集尽可能多的数据关于如何做出决定以及决定本身。在假设贷款示例中,您想要记录贷款是否被批准; 用于作出该决定的数据; 以及有关决定背后情况的任何其他信息。(谁做的?一天中的什么时间?他们对决策有多大的自信?)这就是未来可用于机器学习的那种数据。

二,关注简单问题。 当问题被明确定义和易于理解的情况下,并且获得的数据可以为决定所需要的信息做示范的时候,自动化和机器学习是可以工作很好。 机器学习的一个好问题是识别欺诈交易。 至于“什么让客户感到快乐?”这类问题太模糊,太具挑战性,并不适合作为我们机器学习的出发点。

第三,如果标准的业务逻辑就足够了,请不要使用机器学习。 当规则集不清楚时,或者遵循复杂的非线性模式时,机器学习是有用的。如果您希望透明度和可靠性,请选择符合您的性能标准的最简单的方法。

第四,如果一个过程是复杂的,使用机器学习来创建决策支持系统。 如果目标对于数据定义太不明确,可尝试创建中间结果,以帮助您的团队更有效。 你可以把机器学习作为层次决策路径的一部分,并且它将在未来更好地理解这个问题。

关键是有很多可以做,而不需要挖得很深。 大多数你的员工将继续有一份工作,你可以通过将你的业务数字化,来帮助他们提高生产力,从事更有趣和更苛刻的工作。 现在,人工智能不能把一个企业能力从坏变成好,但它可以使好的业务中的很多方面变得更好 。

你也可以考虑建立一个团队来攻客机器学习更复杂的问题。 耐心,因为这笔投资不会立即回报。 如果你决定创建这样一个团队,开放,与研究社区接触,你将为构建明天的经济作出贡献。

作者:詹姆斯·霍德森是AI for Good Foundation首席执行官,财务数据科学协会董事长 ,并在Jozef Stefan Institute 人工智能实验室 做人工智能和金融的早期研究者。