人工智能和机器学习会取代人类的工作的最初担忧似乎正在消退，普华永道调查的企业高管中有超过67%的人表示人工智能有助于人类和机器更好地协作。

  从聊天机器人到预测分析，IT领导者分享他们怎么样去使用人工智能和机器学习来产生商业洞察和新服务。

  很少有技术比人工智能(AI)和机器学习(ML)更热门了。领先的组织已经在利用这种模仿人类心智行为的技术来吸引顾客，并促进业务运营。Gartner的数据指出，这一趋势只会在未来几年更受青睐，因为到2020年，人工智能和机器学习将成为逾30%的首席信息官的五大投资重点之一。

  人工智能和机器学习会取代人类的工作的最初担忧似乎正在消退，普华永道调查的企业高管中有超过67%的人表示人工智能有助于人类和机器更好地协作。有些首席信息官嗅到了让业务有起色的机会，他们正在试验，建立，甚至为新的人工智能和机器学习技术申请专利。这些IT领导者与享了机器学习的用例。

  Putnam Investments是一家共同基金、401(k)计划、IRA和其它退休计划的供应商，它将人工智能和机器学习看作是促进金融服务公司的研究分析师提高证券报道的准确性。它的首席信息官 Sumedh Mehta是这样告诉的。

  Mehta表示，分析师与Putnam数据科学家密切合作，创建这些有助于从大量数据中获得洞察的论文。Putnam也在研究能推荐最重要的潜在客户的算法。

  Mehta对人工智能和机器学习的说法是：“这是一个具有巨大的颠覆性和变革性的力量，整个业务驱动因素就是效率和生产力。”

  Mehta依靠软件工程师，数据科学家，分析和供应商的结合，创建了一个卓越的数据科学中心，这个中心对于支持业务利益相关者的人工智能和机器学习工作来说基本上核爆点。他说他的“开明的”商业伙伴已经采取了这些方法来实现更好的自动化。

  人工智能和机器学习的工作是Putnam的广泛的数字化转型的一部分，这需要对IT基础设施和云计算进行现代化并创建一个管理业务的单一平台。

  关键的建议：组织应该花时间并设定适当的期望值，理解前几个想法会导致新的问题而不是答案。Mehta说：“就人工智能而言，并不存在灵光乍现的时刻。并不存在这样的情况——你的算法会突然间产生你所不了解的洞察。”

  在AshokSrivastava的带领下，Intuit正在加速人工智能和机器学习的工作，他在10月份以首席信息官的身份加入了该财务软件制造商。

  Srivastava补充道：“我们正在处理来自QuickBooks的逾10亿次交易，我们可以优化以高精确度的形式存在的分类。

  该公司的TurboTax用AI，通过向用户解释逐项扣费的过程来帮助用户得到最大限度的退款，潜在地为用户节省高达40%的报税时间和检索文件的工作量。

  Srivastava说，该公司正在使用AWS的机器学习和云技术进行更快速的扩展。

  关键的建议：要发展稳健的算法就要吸引合适的工程人才来解决实际的业务挑战。Srivastava曾供职于美国宇航局的艾姆斯研究中心(Ames Research Center)，他目前正在招聘能够与机器学习和人工智能技术协作来实现公司目标的工程师。

  Rich Hillebrecht作为旨在提高广域网性能的软件供应商Riverbed Technology的首席信息官，他面临着独特的挑战。Hillebrecht表示，他正在测试如何使用机器学习从公司供应链的多个来源获取数据，以促成更好的业务洞察。

  Hillebrecht告诉CIO.com：“我们希望应用机器学习技术来处理比平常要多得多的数据。”

  例如，Riverbed可能会将订单管理与其它具有关于天气和其它因素的历史数据的ERP数据结合起来，以找到可预测未来的绩效的模式。Hillebrecht说：“我们希望在下游风险方面(就容量和我们对客户的履单能力)具有更强的预测能力。”

  其它的Riverbed用例可能包括使用机器学习来自动调整性能配置并发现网络安全威胁。 Hillebrecht期待能创建一个数据湖，从这个数据胡中可以得到商业洞察。

  关键的建议：AI和机器学习的合理战略需要谨慎的做法。Hillebrecht表示，他正在仔细评估工具和技术，包括IBM Watson。

  美国银行像很多大型银行一样，收集了大量的客户数据。美国银行也和大多数银行一样，一直在努力从这些数据中获得可操作的洞察。美国银行的首席分析官Bill Hoffman正在努力改变这种状况。在过去的几个月里，他一直使用Salesforce.com的爱因斯坦人工智能/机器学习(Einstein AI/ML)技术来提高整个银行的小型企业、批发、商业财富和商业银行业务的个性化。

  例如，如果客户在美国银行网站上搜索关于按揭贷款的信息，客户服务代理可以在下次访问分行时跟进该客户。这也有助于美国银行发现人类可能看不到的模式。例如，该软件可以推荐代理商在周四上午10点到下午12点之间致电特定行业的潜在客户。因为他们更有可能拿起电话。爱因斯坦还可以在日历上添加一个日历邀请，以提醒他们在下周四打电话给求职者。

  这样的功能直达很多金融服务机构试图达到的核心。培养对客户的全局视角，推荐当下的相关服务。Hoffman说：“我们正在从一个描述发生了的事情或正在发生的事情的世界走向一个关乎将要发生的事情或应该发生的事情的世界。核心价值就是要始终领先一步，预测客户需求和他们想与我们互动的渠道。”

  关键的建议：对AI和机器学习采取一种测试学习的方法(test-and-learn approach)，并保持耐心。但也要准备好扩展有效的事物。Hoffman说：“始终以顾客为中心。要问：这会如何使客户受益?”

  万事达的运营兼技术总裁Ed McLaughlin说，机器学习“渗透在我们所做的一切事情”。万事达正在使用机器学习来将他所谓的“辛劳”或重复、手动的任务自动化，从而把人类解放出来，从事能提高生产力和价值的工作。McLaughlin说：“很明显，我们已达到了先进的水平，在这样的水平状态里有使工作场所的任务自动化的明确投资。

  万事达卡也使用机器学习工具来增强整个产品和服务ECO的变革管理。例如，机器学习工具可帮人们确定哪些变革是最无风险的，哪些变革需要格外仔细地审查。最后，万事达卡正在使用机器学习来检测系统中的不正常的情况，这些不正常的情况表明黑客正试图获取访问权限。McLaughlin还在网络中建立了“安全网”;当它发现可疑的行为时就会触发保护网络的断路器。他说：“我们有欺诈评分系统，它会不断查看交易以更新评分，并对下一次交易进行评分。”

  关键的建议：对McLaughlin来说，人工智能/机器学习只是支付处理商诸多工具中的两个工具。尽管市场上有很多新颖的工具，但他表示首席信息官们不应该指望它们能魔法般地解决业务问题。

  在软件制造商奥多比(Adobe Systems)，首席信息官Cynthia Stoddard正在利用“数据驱动的运营模式”重塑自己的部门，依靠基于海杜普(Hadoop)的分析来更好地管理IT和业务。作为数据驱动策略的一部分，Stoddard表示，她正在尝试使用机器学习来帮助分析帮助台软件中的工单以查找系统故障的趋势。这个想法是，如果系统发现停机事件可能会发生，那么系统可以在事件触发故障前主动排除或缓和这些事件。

  她说，发现IT服务故障中的模式也将使奥多比能够创造一些“自我修复”的功能，以吸收IT员工当前所做的工作。她也在研究聊天机器人技术，以处理员工的IT支持请求。奥多比的商业业务也接受了人工智能。该公司去年11月推出了Sensei，这是一种人工智能技术，它用于创建和发布文档，分析和跟踪网页和移动应用程序的性能。

  关键的建议：使用机器学习来识别模式是创建自我修复功能的关键。Stoddard说：“如果你知道怎么修复它，你就可以把自我修复的部件放在里面，把人的因素排除在外。