自动化制鞋设备人工智能应该在什么地方使用

2017-08-08 10:33

  基于历史需求向业务利益相关者带来价值。如果你只需要环绕卫星,别把目标放在月亮上。试点项目应该针对现有的需求,而后续的项目应该沿着试点项目的径。审视现有的项目以及那些刚刚开始尝试AI的项目,并且在未来的项目中将AI作为其中一部分考虑进去。

  零售行业的独有应用是营销和推销,这两者都有足够多的数据资源利用来产生可量化的价值。使用大数据分析的零售业者可以获得以前未注意过的见解。AI让他们能够以更灵活的方式获得这些见解,将营销信息细分再戏份投放给更精准的消费心态,并创造更多更成功的个性化消费。

  市场上对于AI的兴趣有了显而易见的增长,有关这一主题的客户对线%,目前最热门的话题是AI的本质以及为何它的价值有所提升。

  要处理这一问题,我们企业在使用AI项目时谨慎思考,并注意要把这些项目放在与AI无关的传统项目上。他们需要做好准备面对的关键差别在于通过训练进行提高,以及他们无法立刻看出AI中算法表现如何。换句话说,AI应用都需要时间和训练投入才能见到成效,但这一点通常并不被理解。

  在缺少成功所需的资源或人力的场景中使用AI。确认那些过程重复但结果不同的任务,AI在这些中尤其有效。

  通常来说企业都在寻求使用AI的正当理由。这通常是由于上层领导者对于AI的考量是出于技术本身,或是某一场景下的业务挑战难以克服。

  当然,AI并不会进入现在没有应用的领域。Gartner Research Circle中的企业表示他们将会在客户参与类活动中将AI部署到现有系统上。三个被提到最多的此类部署全都和客户交互有关:

  Gartner的客户之一,一家非常大型的通信运营商企业,使用了AI的专家系统来改善之前互相员工之间的交互。这种交互规模在之前是完全不可能达到的。

  CDO具有足够的能力去评估分析型的项目。他们应该负责评估哪些项目是适合使用AI去处理,并且决定如何使用项目所依靠的数据,以能够最有效的解析它。大多数企业并不喜欢这种态度。

  总的来说,AI能够以前所未有的便捷性让高管和员工使用计算资源。计算机在分类和预测方面艺术般的表现——AI的精髓——带来了广泛的用例。

  列出能够通过训练改善的应用。使用例如RFI,RFP和POC这样传统的产品评估战略来解读它们的价值。根据AI项目交付的商业价值挑选并评定优先级——不要仅仅为了使用AI而。

  AI在一些需要转型或需要大量分类和预测的场景中尤其适用,特别是在数据质量良好的情况下。

  这些流程并不意味着这些项目本身也只是普普通通。相反,AI项目目前依然是实验性的,应该被视为对于技术发展的某种投资。特别是那些使用非监督式学习或其他机器学习的项目更应该被视为实验性项目。监督力度越大,项目管理就越平常。

  在接下来的一段时间内,AI对于企业的工作场所来说依然会维持在不可见的状态,但它的影响却是巨大的。大多数办公室员工都会通过应用程序套件感受到这些影响,这些套件能够让他们去创造,管理,和编辑非结构性内容。

  和一些名人倾向于错误地认为AI是使用机器人在工作场所代替人工的一种方法。

  对于老师来说,AI会继续减少能够获取知识和信息的价值,就像信息存储和取回所做的那样。不过AI能够为老师带来额外的价值,例如通过打分和评估结构性和非结构性测试结果来来评估学生对教学内容的理解程度。

  AI在银行业的应用种类多样并还在增长。在银行业,它使用了所有垂直行业中最多的社交对线年起,与AI的对线%。这一增长速率比其他所有垂直行业的对话都要高,并且在全球范围都处于很高水平,,欧洲,印度和最高。

  最终,自动化的销售流程也是AI的目标机会,可以通过虚拟个人助理或是传统的流程自动化完成。企业将会减少人工花在销售周期中的时间。这一转变会给法规方面带来重要的分歧,尤其是在金融服务方面。

  为销售人员能够进行有结果的交互进行战略开发,是高级分析方法技术的常见应用,也是使用AI的合适手段之一。由于AI在有训练和指导的情况下能够不断进行改善,它对于这类应用尤其合适。

  AI与之类似,它体现了前所未有的技术,并将它们介绍给高层执行者用于处理常规挑战。

  因此,对企业有意义的项目——不考虑特定垂直行业或是特定应用——包括如下:

  当然,Gartner会提出AI应用的此类是由于任务所需的大量数据就是为企业而准备的,是由于其多样性,还由于潜在客观的投资回报率。

  后续的改善能够利用现有系统中的交互历史来训练AI进行分析。通过分析客户与客服代表之间的文本交互,来逆向解析以自动化方式处理客户需求的最佳方法。通过评估成功程度开发问答配对。

  除此之外,我们期望支持要素能被添加到会议中,去完成例如会议记录,计时,计划和准备未来会议的自动化流程。

  在Gartner Research Circle近期对AI计划所做的调查中,80位受访者中只有2位说CDO着手进行了AI项目,或者是对技术决策负责,而三分之一的受访者表明CIO对这些事情负责。后者所在的企业应该确保他们最高数据和分析领导者也参与进来。

  银行在评估并使用AI,利用AI在客户和银行系统之间进行自动交互,特别是使用虚拟助理来处理大量日常对话和请求。这类“bots”支持文本和语音。它们必须依附在其他平台或是社交系统,例如Facebook或微信上。

  同时,随着机器学习在高级分析方法,客户体验和数字化工作场所方面能力的提升,AI还在持续影响其他的应用。

  过去,大数据是由企业所面对的大量,多种和快速增长的数据而定义。AI能够将这些大量信息和数据流为系统能够自动采取行动的见解。有关客户行为和兴趣的数据可能会过量,除非使用高级分析战略进行解析,但AI现在带来的不仅仅是分析,还有对应的响应。关键的是,AI通过这种方法能够实现改善。

  机构对例如虚拟助理这类的对话式应用展现出了极大的兴趣。他们希望能够减轻公共部门的服务压力——以及部门内部的压力,系统能够提供流程法规的见解,而员工能够因此获益。

  首席数据官负责将信息作为战略资源进行管理。从这一定位来说,他/她对于AI项目的所有方面都具备核心价值。CDO负责企业数据架构,数据质量和数据管理,以及数据源以及可信度。在决定如何在企业内部使用AI时,CDO与CIO同样重要,因为他/她离AI使用的数据最近。CDO可能与商业分析师以及数据科学家具有紧密的联系和权威,他们对于AI项目都常关键的。

  自学习在部署战略选择或甚至调整计算方面都不完全是自动化的。神经网络编程在理论和实验室中能够进行自动改善,但企业必须理解他们在可见的未来中都需要对AI进行。他们必须监督系统是如何改善结果,以及它们使用的技巧是否是最好的。使用机器学习的系统有时需要进行再训练,在进行改善时通常也需要常识。DeepMind的AlphaGo——已经不再进行围棋比赛——正在被越来越多的棋手用于在国际社区中激发下法,而不仅仅是作为计算能力的展示。

  供应链管理的难点和机遇都在于来自大量数据源的海量数据。AI能够通过改善对这类信息的管理和理解提高企业得到的见解,这常即时又显而易见的效益。

  质量良好可靠度高的数据,覆盖面足以解决问题。在数据和分析结果之间的提取层越多,越难使用常识及时发现错误。改善并不是完全自主的,但是它很快速,而且很难解释。我们企业投入精力去提高数据的质量。

  虚拟客户助理最初的部署应该集中在解决一小部分容易自动化的客户交互。当然,这类部署甚至都不需要是“人工智能”,而仅仅依靠人工开发的规则就能完成常用问题解答或是转移给人工客服代表。

  由于通信运营商体量巨大,并且都面对着海量的客户交互,这些企业都从AI的应用中受益匪浅。案例包括在联络中心的使用,零售方面,以及反欺诈和管理。

  有时供应商将新技术作为解决新问题的方法进行展示;但是经过实践退役,这些技术被更适合以创新的方式处理旧的挑战。就像“电子商务”在最开始不仅仅重新发明了很多企业的业务,也为他们降低了订单中的错误。接着提高了业务关系的活跃度,最终可能是重新发明他们进行业务的方式。

  最终,AI会通过容易定义,设置参数并能复制的常规交互,支撑现有客服机构。

  制造业者说他们使用AI是处于多种目的,大多数是希望能够通过AI处理他们无法人工处理的海量数据。尤其是对流程的改善,以及预测性和会产生海量数据但花费高昂的流程。

  参数清晰可追踪的数据。依靠分析数据得出多元化见解,以及减少交易或交互的元素的分析战略是最基本的。太少的参数,或内容中的模棱两可和不确定性,是无法克服的挑战。

  “人工智能真的有用吗?”希望使用AI解决他们所面临挑战的企业,首先需要理解AI是否已经进入了实用阶段。AI通常被描述成一种不可达到的技术——无论它是否满足目前的情形,学术研究总会抛出新的情形。

  企业是出于自身考虑而不是为了“创新”而使用人工智能。这一研究分析了人工智能在不同垂直和水平领域的潜力,让CIO能够在部署自己的AI项目之前有所理解。

  发掘错误或无关数据也是AI的机遇:自动纠正这类错误也能够带来巨大的价值。除此之外,AI能够筛选供应商的需求计划书来对他们的未来表现作出预测。举例来说,Gartner的客户之一称其最大的用户计划在系统中安装,来预测供应链中零部件缺货会给让整个供应链受到多大的影响。这一用户应该透明化这些所收集到的数据——但如果可能的话也应该向企业公开所得结论。

  但是,我们期待能够尽快看到一些便利性。用于办公用品或办公资源的虚拟助理将会增加,并被添加到生产力套件和采购管理应用中。

  智慧城市应用需要更复杂更多的写作,而且在近期是很多无法做到的。但是,越来越多物联网终端将给带来海量复杂的数据流,这是可以利用的机遇。这在交通,公共安全和灾害管理/恢复方面尤其关键。视频分析是对于AI应用的一个增长点。

  大多数企业还依然处在应用AI的初始阶段。Gartner最近对ResearchCircle中约80名进行了调查,看看他们对于AI项目的立场。这个样本中的大多数人说他们仍然处在收集知识以及发展应用AI战略的阶段。

  销售交互是建立在战略和手段的基础上。在它们与预期目标或是客户之间建立联系,能够在无需依靠有关销售人员本身或是客户地理规则的情况下提高正面的结果。

  AI对于缓解客户与企业关系的员工来说会带来翻倍的生产力。AI是虚拟助理背后的引擎,企业将虚拟助理作为与客户交互的第一阶段,为他们提供所需的信息。这类助理会随着训练和结果评估而随着时间改善。高级分析方法为改善知识管理和客服搜索助力。AI对这类体验能够带来的好处是推动行动的采取,以客户身份行事。

  我们所有行业中的企业都应该在目前已有的项目中使用AI,而不要去进行“探月行动”。在不同的行业和部门中,AI的特定价值不在于将它视作能解决所有问题的方法。

  能够展示企业目标合和可行性的基础。在最佳的例子中,企业会发现在过去由其他参与者完成的类似项目。在使用服务提供商时这点尤为重要,这些服务提供商应该能够提供过去类似的案例。如果没有这些,企业应该寻求学术研究,确保他们想要达到的目标是合理的。

  当在处理大量常规请求时,虚拟助理能够完成简单请求的处理——但非常规请求依然需要人工的。像“办公时间到几点”这类问题对AI来说很容易回答,甚至可以在回答上加上“但最后一位办事人员必须要在关闭时间前60分钟到达”。

  但是,通信运营商同样也有特定的用例。举例来说,网络计划/工程实施以及网络管理是这类企业面临的独有挑战。它们能够进行数字化的模拟,并使用机器学习进行优化。AI有极大的潜力。

  在评估这类解决方案时,企业应该像评估每家供应商一样使用传统要求去评估AI解决方案。AI解决方案可能(也应该)会随着时间推移得到改善,但是企业应该使用真实的评估标准——而不是潜在或假设的——去评估这些方案。

  教育领域对于AI的最初应用是跟随着AI最有效的常见应用,例如虚拟助理。但是,这一行业需要它能够对教学产生影响。数字化评估能够让教学评估更快,反馈更及时。自适应学习让系统能够对学生的学习习惯做出个性化的反馈,并能够给他提供指导意见。

  AI同样会为处在运营角色中的员工提供它从工作场所收集到的数据中所获得的见解。这类操作不可避免的会遇到有关员工,经理和其他部门高管的合规。但它同样会包括评估风险,以及自动化径和系统的发展。不仅如此,AI还能够改善知识管理和专家系统的结果——提高战略在20年来都是搜索和知识管理技术的核心,但是如今AI有望带来更显著的提高。

  最终,研究机构希望AI能够对项目的优先级和筛选有所帮助。使用AI对方法和目标进行评估有助于改善研究项目预评估。我们在生命科学领域已经看到有大量对于AI的投资。

  AI能够通过与计划者合作来增强供应链计划能力。它能够收集数据,例如决策是如何做出的,期望是如何达到的,并以此为起点进行决策自动化或是生成可执行的。举例来说,AI能够根据计划者过去的方法并从新的数据中学习自己的方法,帮助进行更好的需求匹配。

  对于很多企业来说,在将AI用于供应链时,重要的因素是要评估AI系统所依靠数据的精确性。流程自动化程度的增加对数据精准度的增加也有所要求。

  在某些场景中,具备高或是中等价值的工作,例如在交互发生时搜索有关客户企业的所有文档,都能够通过AI辅助流程得到提高。以以上的例子来说,可能会把与当下交互最相关的文档呈现在最表面。

  AI能够为数字化双生模式增加智能,通过更好的调整能够让数字世界保持实时,并于现实实现保持水平一致。

  企业在寻求AI应用或是给评估现有应用增加AI能力时,应该遵从常规流程。他们应该明白,在任何AI项目中,他们都会遇到与其他项目一样的问题,包括集成至模式1或模式2应用,它们将作为数据源和AI元素的结论载体。

  AI系统需要大量清晰高质量的数据。至少从最开始,企业在内部寻找这类数据会比从外部获取要容易,因为内部数据有较多的参数参考。未来更多应用会集成虚拟个人助理。举例来说,在州和密西西比州,驾照考试的实际操作可以在Amazon Echo设备上完成,通过提高考试者的准备程度提高考试效率。