智能企业如何成功利用机器学习

机器学习帮助组织改进和重塑业务流程,识别新的市场机会,以及缓解已知和未知风险。

组织可能面临的问题:

  • “IT 团队能否构建垃圾邮件搜索应用程序来阻止垃圾帖子淹没我们公司的社区网络论坛?”

  • “我们如何才能更巧妙地利用当前在孤岛中存在的传感器和控制信息来提高制造效率?”

  • “相比通过跟踪一个用户来检测欺诈,我们能否汇总多人的财务历史记录来检测通过简单算法会错过的不易察觉情况?”

BUILT IN - ARTICLE INTRO SECOND COMPONENT

举例说明企业为什么及如何采用机器学习来做出更快速的数据驱动决策,从而帮助打造真正的业务优势。

根据不断增长的数据集做出更智能、更快速的决策

许多业务问题可能极其复杂,并且涉及到分析极其庞大且多样化的数据集。组织通常面临如下的问题:IT 团队能否构建垃圾邮件搜索应用程序来阻止垃圾帖子淹没我们公司的社区网络论坛?”

回答此类复杂的数据密集型问题并采取措施可能超出了传统商务智能 (BI) 和基于规则的分析系统的能力。在被来自云端、社交媒体、智能移动设备和物联网 (IoT) 的大数据所淹没的动态商业环境中,这些方法可能缺乏前瞻性或者不够灵活。为了更好地了解和解决涉及庞大数据库的快速变化的挑战,每个行业的公司(从医疗保健到银行,交通运输到制造,教育到零售等)都要使用机器学习升级它们的分析能力。

作为人工智能 (AI) 的一部分,机器学习将使用能够在程序筛选大量数据集的同时反复“学习”和调整的专业软件算法。这些示例允许组织发现模式、洞察和趋势及采取操作。并且,一段时间过后会产生更好的结果,而无需人工干预。这些优势使机器学习逐步变得更加主流化。学习型计算机推动了大量真实的应用:物联网数据分析、计算机服务器监控、定向广告、图像识别、路线安排、基因测序、游戏、自主驾驶汽车、能源勘探、面部识别等等。

相比人工分析、传统商务智能或其它人工智能方法,机器学习能够更快、更可靠地从极其庞大的数据集中生成数据驱动的洞察和复杂的可行决策。通过针对客户行为量身定制新产品和服务,机器学习可帮助提高业务运营的效率、提高安全性和激发数据推动的创新。

建立更智能的内部业务流程

根据贝恩公司最近开展的一项研究,使用机器学习和分析的公司做出数据驱动决策的可能性将提高两倍,决策速度比竞争对手快的可能性将提高五倍,更快执行决策的可能性会提高三倍,而获得领先财务业绩的可能性将提高两倍1。对于许多组织而言,利用机器学习不断提升商务智能成熟度应首先从使用机器学习改进关键内部业务流程开始。

一些高级示例包括:

提高招聘和员工绩效:一家全球快餐公司使用机器学习获得有关人才招募、保留及员工表现的洞察。此类“人员分析”通过对多个集成的数据源使用预测建模技术,提供有关 HR 数据的深入洞察。

定制营销:意大利的一家大型银行建立了一个认知分析系统来分析客户数据,并寻找隐藏的热点机会。该方法制定了一个有针对性的对外营销计划,显著提高了转化率。

定制报价:一家领先的全球软件公司使用由机器学习驱动的电脑报价来为每一个客户和潜在客户量身定制准确且有针对性的价格选项。该公司实现了更加准确的目标预测,这是因为机器学习与客户关系管理 (CRM) 和企业资源规划 (ERP) 系统相集成。

个人化医疗:越来越多的医疗保健提供商使用机器学习来支持数据驱动的精准医疗方法,帮助确定最经济高效的个性化治疗方案。

对于医疗保健和其它领域的许多早期采用者,机器学习正在通过提高的效率、新的发现、改进的产品和服务或更好的客户体验来重塑他们的业务。

1. IT 团队能否构建垃圾邮件搜索应用程序来阻止垃圾帖子?

能够在迅速变化条件下在巨大数据池中识别异常模式是机器学习的核心优势之一,这使得该技术非常适合在安全领域实施更快速的检测和缓解。例如,机器学习算法可查找关于如何访问云数据的模式,并报告可能预示有安全漏洞的异常。付款处理机构使用学习算法来跟踪信用卡和借记卡用户购买模式,标记异常现象,例如不正常的购买金额、与可能存在欺诈的商户之间或者在欺诈高发的地理位置进行的交互活动。

例如,英特尔公司使用机器学习技术来研究和阻止为客户、合作伙伴员工提供服务的网站社区论坛上的垃圾邮件。英特尔有一个较大的论坛每天被多达 10,000 个垃圾贴子淹没2

通常的补救方法是招募志愿者担任版主来删除垃圾发贴,但此方法不能扩展,并且会消耗太多的员工时间。此外,也无法使用筛选器来阻止此问题。而且,新垃圾邮件程序的大量泛滥使得更加难以定义一个通用的规则来阻止特定字词或短语。邮件是否在宣传境外的赌场赌博,还是来自于英特尔的某个娱乐行业客户?

在经历受挫后,英特尔的 IT 团队着手采用另一种解决方案。公司已经在许多领域实施了自动化,如 PC 运行状况监测和工厂流程。由于自动化已经提高了这些领域的效率和有效性,因此为何不使用机器学习来实现自动垃圾邮件控制呢?借助先进的机器学习技术,英特尔工程师建立了一种垃圾邮件过滤服务来自动阻止不受欢迎的恶意邮件。文本分析使系统能够检测 75 种语言的脏话和不良内容。声誉引擎会监测用户个人资料,识别给定来源提交垃圾邮件的可能性。

在英特尔实施该程序之后,攻击立即减少,从此之后垃圾邮件数量保持在可控水平。几乎没有再出现大量的垃圾发贴,这都归功于该服务动态学习和阻止不受欢迎消息的能力。

2. 我们如何才能更巧妙地使用传感器?

对于许多企业来说,机器学习的最重要用途是理解和利用来自数万亿个传感器以及连接到物联网 (IoT) 和工业物联网 (IIoT) 的其它设备的巨量数据3。在过去一年,汽车和工具制造商、制药公司、车队运营商及其它行业的公司都已经在物联网中开始或扩大了机器学习和分析的使用,以作为自主制造的基础。

例如,西门子公司在建立自主制造工厂时,第一步就是创建一个基于云的称为 MindSphere* 的开放物联网生态系统。此强大的数字平台捕获、存储和分析通过物联网连接的制造控制系统和设备传感器生成的数据1。西门子使用机器学习研究此数据和分析整个供应链。通过这种方式,这一国际工业巨头确定了在生产线上需要改进的地方,而通过这些改进能够为公司带来最大的收益。这种“智能数据”为西门子管理者提供了可行的洞察,可帮助提高设备正常运行时间和生产经营的效率。

机器学习和分析是自主制造的基础,其中几乎所有流程最终都基于数字且高度自动化。快速成熟的学习算法让制造商能够实时收集、存储和分析大量数据,从而将数据转化为可采取行动的信息集。更重要的是,通过添加能够动态学习其环境、用户历史记录来帮助分析师做出运营决策的主动型设备,机器学习可帮助公司变得更智能。

3. 我们能否汇总多人的财务历史记录来帮助检测欺诈?

改进当前业务流程只是利用机器学习力量的第一步。该方法产生的洞察是过去绝不可能获得的,而且这些洞察能够启发催生新的产品、服务和新的经营方式, 进而推动改变整个行业。

以零售行业为例。实体店不断地设法进行改造,因为它们要与其它实体店以及线上对手之间开展竞争。专家指出零售业的成功乃至生存将取决于能否打造高度个性化的在线销售和店内销售混合体验。一家零售公司认识到,知道客户对什么感兴趣并且使这些产品在合适的时间呈现在这些客户面前能够消除销售过程中的许多阻力。这需要同时使用联网的设备及分析软件。4
该公司打造了一款应用程序,它使用店内传感器和机器学习来捕获和分析风格偏好与购买趋势,从而为服装设计师提供指导。

该零售商应用程序的另一个功能是根据最初的购买推荐其它商品,帮助顾客为已经购买的服装增添配饰。如果消费者从品牌的电子商务网站上购买了衬衫,则基于人工智能的平台会呈现一个菜单,其中包含了能够与该衬衫搭配的其它成衣和配饰。此方法大大提高了该销售点的收入。事实上,这家零售公司目前每天为顾客提供 450 万条推荐。 传感器和选择试穿应用程序为零售商提供了有关顾客偏好和行为的重要信息,可使用这些信息来个性化和改进销售及服务。

随着领先的零售商将他们的重点转向机器学习和分析,使数据无疑将成为一个推动力,因为整个行业都在努力实现自我转型。趋势可能会增长,因为像 Lowe's* Home Improvement 和 Amazon* Go 杂货店这样的零售商都部署了满载传感器的机器人来执行实时货架审计以优化库存。此零售商示例证明了机器学习带来的商机。采用该技术的公司与不采用该技术的公司之间的区别将确定哪些公司将成为行业颠覆者,哪些公司会失败而成为被颠覆的对象。

英特尔如何帮助实现机器学习优势

机器学习和数据分析帮助使组织变得更智能、更快速、更高效且更具创新力。更好、更快的实时决策可推动运营改进,催生提供真正竞争优势的新产品和业务模式。 无论企业是刚开始机器学习试点,还是开展了更宏大的高级分析项目,英特尔都可提供各种资源和技术来帮助创建机器学习技术所需的强大的端到端架构。

英特尔的性能优化组合和丰富的解决方案生态系统支持向高级机器学习分析发展。为了实现这一目标,英特尔与一流的系统集成商和技术供应商合作,利用他们为分布式存储和大数据处理提供的框架。英特尔本身也是机器学习技术的领先用户。英特尔制造使用大规模数据分析和物联网来降低成本,并提高质量。使用这些工具,工厂管理者可在 30 秒内完成过去需要四小时的分析。5
英特尔数据科学家对机器学习进行了改造,用它来分析物联网数据流。分析引擎不再使用硬性规则,而是识别可帮助确定如何为大量传感器设置警报的变化。6
公司的专家和经验丰富的合作伙伴帮助组织根据各种机器学习技术和实施需要做出最好的决策。

最终结论是在分析中采用机器学习的时代已经到来。英特尔已经证明了机器学习对于它自己的业务和对于客户及合作伙伴的价值。