人工智能將怎樣改變商業面貌？

• 2018年10月29日 ZhangHongYuan來源：財富中文網 631 36
• 繁體

• 

  金融監管趨嚴，融資環境寬中帶緊，海關信息化建設與IT應用企業如何實現有效投資？

  海關是國家的進出境監督管理機關，在經濟社會快速發展的形勢下，如何進一步提高辦公效率，提升辦文質量，優化管理效能，強化為社會、企業、公民服務的意識顯得愈發重要。建設適用于全國海關單位...

在本文中，我們決定靠譜地討論人工智能會怎樣改變商業的面貌。在這個過程中，我們會盡量減少戲劇化的猜想。

那270萬從事客戶服務代表工作的美國人怎么辦?一些可能會被部署到那些機器人無法從事的工作崗位(例如應對怒氣沖天的客戶)。依靠這一技術的公司表示，這項技術能夠幫助消除人為失誤，大幅提升數據獲取速度，并杜絕客戶服務互動中的偏見。

不要以為這項技術的終點是機器人。瑞士投行瑞銀集團最近攜手新西蘭人工智能專家Faceme，對經濟學家丹尼爾·卡爾特進行克隆，以便讓機器人能夠以他本人的方式與客戶進行互動。瑞銀集團表示，這個化身使用了IBM Watson人工智能技術，并由卡爾特本人親自培訓，是該銀行探索提供“人類數字融合服務”的一部分。

點球成金2.0

2017年，美國國家冰球聯盟的選秀團隊看到19歲的防守隊員肖恩·德茲(上圖)，并沒怎么留意。僅僅一年之后，德茲在第二輪便被選入多倫多楓葉隊。之所以差別如此巨大，是因為總部位于蒙特利爾的創業公司Sportlogiq開發的人工智能軟件，數據顯示出德茲強大的組織能力。這款軟件叫點球成金2.0。Sportlogiq只是利用人工智能技術幫球隊尋找新星的公司之一。澳大利亞數據分析公司Brooklyn Dynamics的聯合創始人卡姆·波特表示：“關鍵在于在人才未成型時及時鑒別，尋找可塑之才。”該公司曾與幾家美國職業棒球大聯盟球隊合作，還為2017年環法自行車賽開發了機器學習人工智能系統，收集實時數據并預測比賽結果。

Brooklyn Dynamics正開發一款應用程序，繁忙的選秀團隊和教練可使用機器學習技術，分析潛在球員和當前的球員，創建全球各地大學和專業團隊均可訪問的集中式數據庫。“這是一個獨特的工具，可成為招募人員的絕招。”波特說。“該組織的其他成員可以查看[統計數據]并加入前期討論，判斷哪些球員能為俱樂部帶來價值。”

改變購物方式

現在實體商店有了新吸引力，店面都是絕佳的人工智能數據收集實驗室。家居建材零售商家得寶就在分析數百萬筆交易數據，弄清楚顧客還需要什么東西，例如廚房整體翻新，提供詳細的家庭裝修指南以及超級精準的交叉銷售。絲芙蘭利用ModiFace(最近被歐萊雅收購)的人工智能支持面部識別，幫助購物者選擇最合適的眼影。該軟件分析了數百萬歷史用戶，更好地預測適合當前顧客的商品。 MIT-spinoff Celect利用機器學習預測購物者的行為方式，判斷商店哪些地方更適合哪些促銷活動，研究售賣哪些產品業績最佳。

想高效檢查完10條過道上價簽?沃爾瑪就已在50家商店測試機器人，機器人負責掃描貨架上的缺貨商品，將客戶放錯位置的產品放回原位，檢查錯誤價簽等。對于人類來說都是耗時繁瑣的工作。創投調研機構CB Insights表示，雖然沃爾瑪對應用技術守口如瓶，但Navii和Simbe之類制造人工智能機器人的公司非常引人注目，投資人也在密切觀察。

廣告能逗你笑嗎?

現在營銷人員想達成目標越發困難，超模肯達爾·詹娜出演的百事可樂廣告就明顯效果不佳。但越來越多營銷人士依靠人工智能降低失誤的幾率。情感人工智能公司Affectiva公司表示，《財富》美國500強企業里有四分之一在創意開發流程中使用其技術，主要在人工智能技術支持的調查研究測試用戶對備選廣告的反應。 Affectiva的系統已接受87個國家700萬張面孔(以及38億個面部框架)的圖像訓練，解碼了個人的面部表情，技術可識別人們看到廣告一刻的20種面部表情以及8種情緒，包括“厭惡”。

2011年以來，媒體研究巨頭Kantar Millward Brown已應用Affectiva的產品(鑒別了3萬個廣告)，發現耐克廣受贊美的四分衛科林·卡珀尼克廣告評分達到了微笑。“由此能確定，卡珀尼克關于犧牲和夢想的信息引發了積極的反應。”該公司董事總經理格雷厄姆·佩奇表示。他們還發現，觀眾對世界杯廣告中的女運動員反應回應，比較出乎意料。

佩奇指出，除了幫客戶提升廣告效果，Kantar也從中累積了對所有客戶有意的經驗。該公司表示，觀眾描述為“進步”的廣告，即主角更為現代(而非傳統)時，效果提升了25%。

自己種出食物

表面上看農業很簡單：在土里播種、澆水、收獲，然后重復。但實際上種植糧食基于一系列復雜的因素。“我們在農業中處理的大量數據非常復雜。”室內垂直農業企業Plenty的聯合創始人兼首席科學官奈特·斯托瑞說。環境因素(舉幾個例子：氣流、二氧化碳、光照和濕度)，植物遺傳以及施肥和澆水之類人類行為都是相互作用的變量。現在Plenty和許多創業公司都在用人工智能技術協助管理農業中各種復雜決策。例如，Plenty及其競爭對手Bowery和Gotham Greens都在搭建系統收集和分析圖像數據，通過機器學習確認植物是否缺氮、缺鐵或遭遇蟲害問題等，然后及早應對。“軟件可以發現問題所在，而且能實現大規模自動檢測，人力很難做到。”斯托瑞說。

人工智能改變醫療的三種方式

讓醫療重歸人性

當前美國醫療行業前景相當不明朗：每年超過1200萬個嚴重診斷錯誤，醫療領域3.6萬億美元有三分之一浪費，預期壽命將連續三年減少(此前從未出現)，醫生倦怠、抑郁和自殺的水平均達到頂峰。與此同時，每個人產生的醫療數據超過以往任何時候，舉幾個例子，可穿戴傳感器生理學、掃描解剖學、DNA測序，腸道微生物組生物學均是來源。

進入深度學習人工智能領域，神經網絡會影響各類臨床醫生，實現準確辨識掃描片、載片、皮膚病變和眼底等，還能在衛生系統應用，促進遠程監控推廣，最終不需要實體醫院;在消費者層面，可提供虛擬醫療顧問更好地管理甚至防治疾病。這仍是人工智能整合人醫療實踐的早期階段，宣傳熱鬧卻實證寥寥。但這是我們應對各種嚴峻挑戰的好機會，可以利用豐富的數據減少錯誤和浪費，并節省時間，顯著改善臨床醫生與患者的關系。

超越醫生

就在過去幾年，一系列技術越發可信，當然仍在不斷進步，即通過人工智能技術讀取放射掃描(如Imagen)，識別腫瘤并跟蹤癌癥的擴散(Arterys)，用視網膜成像檢測眼睛狀況(谷歌的DeepMind)，通過“不流血的血液測試”(梅奧合資企業和AliveCor)標記血鉀水平危險的異常，并以其他方式協助診斷甚至預測疾病等棘手問題。從歷史上看，診斷錯誤率在5%到20%之間，某些病癥的錯誤率更高，與此同時醫療系統因醫生短缺和倦怠承受壓力，人工智能或許能幫忙緩解。

重塑藥物研發

醫藥行業從不乏命運起伏的案例。某種藥可能在早期研究中看起來安全，卻在大規模臨床試驗中出現問題，代價極其高昂。德勤數據顯示，2017年美國大型生物制藥公司的投資回報率降至令人沮喪的3.2%。這也是BERG和Roivant Sciences等美國公司，以及英國的Exscientia等都希望借助人工智能更好地調配資源。BERG與阿斯利康和賽諾菲巴斯德等大制藥公司合作，利用算法提供的臨床數據，為藥物和分子找出可能奏效的生物靶點，從而治療帕金森病等疾病。

賽諾菲在分析大量數據，希望了解為什么流感疫苗對某些人有效而對其他人無效(考慮到去年嚴重的流感疫情，這是很重要的公共衛生問題)。利用人工智能協助制藥工具仍處于早期階段。但前景很明確，將制藥研發工作集中在有希望的目標上，避免浪費大量的時間和金錢，希望有一天能令藥物開發過程更加簡化，不管是藥企還是患者都可從中受益。

逆轉疾病

美國的醫療系統一直被批評只注重分診，卻不主動尋找更便宜也更積極的治療方法， 企業也為生產力損失和醫療成本暴漲付出巨大代價。Virta Health的首席執行官薩米·因肯能另辟蹊徑，他想用人工智能防止有糖尿病風險的患者發病，甚至在早期試驗中通過純數字平臺治療2型糖尿病。Virta為顧客安排健康顧問，努力改變顧客的生活方式，顧問會提供飲食和其他因素方面的個性化建議。數字平臺還提供數字連接工具測量血糖、酮、血壓和體重等指標。臨床醫生了解患者預期的血糖和體重改善情況之后，工作流程中可按患者情況安排診療次序。Virta也有競爭對手，IBM的沃森健康部門和醫療技術巨頭美敦力正合作開發一款名為Sugar.IQ的應用程序，提供類似的工具。

延伸閱讀

推薦閱讀

猜您喜歡