德勤：机器智能技术模仿人类认知创造价值

□文/德勤管理咨询

德勤：机器智能技术模仿人类认知创造价值

□文/德勤管理咨询

人工智能进化速度极快， 已经发展出无数独特但往往又会被误解的功能，如机器学习、 深度学习、 认知分析、 机器人流程自动化（ROBOTICS PROCESS AUTOMATION RPA） 和自动机器人程序等。总的来说，除了以上功能，机器智能的构成要素还包括各种算法能力。它们能够改善员工绩效，让日益复杂的工作变得更加自动化，还能帮我们开发出模拟人类的思维和行动的 “认知型智能体”。机器智能是高级分析技术的新篇章。

近日，德勤正式发布《2017技术趋势》官方中文版报告，报告预测了在未来18—24个月内将影响市场和商业的8个主要趋势，其中明确数据已经成为重要的企业资产，而机器智能进化速度极快，已经发展出无数种独特的功能。本文摘选了其中机器智能篇章，以期帮助企业更好地做决定，将复杂的分析代入到客户和员工的互动中，自适应难度化系数增加的任务。

人工智能（Artificial Intelligence AI） 能够代替人脑执行任务， 正在日益成为分析工作的重要组成部分。但AI只是认知计算领域发展过程中，一个更大、更引人注目的集合中的一部分。 这个集合就是机器智能（Machine Intelligence MI）， 它包括了人类认知领域的一系列进步， 代表我们已经进入了认知研究的新时代。 我们要讨论的是近年来发展迅速的各种认知工具： 机器学习、 深度学习、高级认知分析、 机器人流程自动化和自动机器人程序等等。

我们已经在各个行业看到机器智能的早期应用。 例如， 美国一家领先的医院正在开展全国最大型医学研究项目，他们正在对机器智能系统进行“培训”，来分析医院数据库中的100亿张表型和遗传图像。在金融服务业，认知销售代理根据潜在的销售线索初步建立联系，然后确认客户资格，跟进和维护线索。这种认知助手可以分析自然语言，理解客户提出的问题，使用数十种口语同时处理多达27000个对话。

在未来的时间里，随着越来越多公司开始探索机器智能的力量，我们将会看到更多相似的应用案例。公司在机器智能各个方面的投入不断增长，预计在2019年会达到将近313亿美元。机器智能也在成为CIO们优先关注的内容。德勤《2016全球首席信息官调查》采访了1200名IT高管来识别他们未来两年计划大力投资的新兴技术，其中有64%的受访者表示他们会投资认知技术。

数据从未如此重要

我们今天所说的认知计算技术，实际首次在20世纪50年代被有远见地提出，用技术模拟人类智能。虽然在上世纪90年代就出现了原始的商业AI技术，但直到21世纪前十年，AI技术—构成新兴的机器智能趋势的认知计算能力，才开始飞速发展。

推动机器智能趋势的三大力量：

指数式数据增长：我们每年新建和复制大量数据，因此数字世界的规模每隔12个月都会翻一倍。事实上，它的规模在2020年预计会达到44泽字节。随着物联网、暗分析和其他技术的发展，数据增长的速度会更快。从商业角度来看，这种爆炸式的增长可以转化为各种数据源，具有比以往更高的潜在价值。这些结构化和非结构化的数据，还有隐藏在深层网络中的大量珍贵数据，不仅是传统技术分析和情报获取的原材料，还能在机器智能发展过程中起到至关重要的作用。机器智能系统获得的数据越多，它们就会变得更加“聪明”，可以发现各种关系、模式和潜在影响。

要对快速增长的数据量进行有效管理，我们需要掌握数据、存储、保留、访问、环境和管理等先进方法。从相连设备产生的数据信号，到所有业务和职能部门系统中保存的历史交易数据，管理数据资产都已经成为机器智能发展的重要组成部分。

更快的分布式系统：随着数据量不断增长，分析变得越来越复杂，面向个体用户访问的分布式网络的能力也成倍增强。今天我们可以快速处理、搜索和修改大量数据，这在几年前根本不可能实现。与1971年最早推出的单片机相比，目前这一代微处理器的运算速度是原来的400万倍。如此强大的运算能力让我们可以设计出各种高级系统，例如那些支持多核和并行处理的系统。同样，现在的微处理器也能让我们使用高级数据存储技术，对归档数据进行快速检索和分析。正如我们所见，MapReduce，内存计算和专门为机器智能技术而优化的硬件（如谷歌的张量处理单元TPU） 都说明技术在不断进步。这些技术增强了我们的能力，让我们可以更有效地管理指数式增长的数据。

除了运算能力和速度的增长，分布式网络的规模也在不断扩大。它们现在已经可以和基础设施、平台和各种云应用的界面无缝对接，存储和分析不断增加的数据。它们还可以对数据流进行精确分析，对接各种先进的应用，如物联网、传感器网络和嵌入式智能设备。

更智能的算法：近年来MI算法变得越来越强大，也越来越接近认知计算的最初目标： 模拟人类的思维过程。

在未来18至24个月里，随着机器智能应用不断推广，公共和私营部门很有可能应用下面的算法功能：

·优化、规划和调度：在更加成熟的认知算法中，优化可以使有限资源下的复杂决策和权衡实现自动化。类似地，计划和调度算法根据处理要求和约束设计活动排序。

·机器学习：计算机系统正在开发提升性能的能力，通过获取数据而不是遵循明确的编程指令。机器学习本质上是机器自动发现数据模式的过程。只要机器识别出一种模式，它就能根据这种模式进行预测。

·深度学习：开发者正在研究机器学习算法，包括由人脑的结构和功能启发的人工神经网络。互连的模块会调用各种数学模型，这些模型根据大量输入处理的结果不断调整。深度学习可以有人监督（需要人工干预来培训基本模型的演进），也可以无人监督（通过自我评估自动改进模型）。

·概率推理：新的AI算法会使用图表分析和贝叶斯网络识别随机变量的条件依赖性。

·语义计算：这类认知算法包括计算机视觉（分析图像的能力）、语音识别（分析和解释人类语言的能力），以及各种文本分析功能等等，可以帮助计算机了解自然表达背后的意思，通过计算语料得到语义。然后计算机会用这些信息支持数据分类、 映射和检索功能。

·自然语言引擎：自然语言引擎可以像人类一样理解书面文字，但它可以对文本进行各种复杂的操作，例如自动识别文件中提到的人名和地名，识别文档的主题，或者从人们阅读的合同中提取术语和条款并制成表格。常见的自然语言技术有两种：用于输入人类的语言的自然语言处理技术，以及用于输出自然语言的自然语言生成技术。

· 机器人流程自动化（RPA）：软件机器人，或称自动机器人程序，可以通过模仿人类和软件应用交互的方式自动完成日常业务流程。企业正在开始使用 RPA和认知技术，如语音识别、自然语言处理和机器学习，自动完成本来只有人类才能做到的感知和判断工作。

机器智能如何创造价值

对于CIO来说，如果要引进机器智能技术，他们需要用新的思维方式对待数据分析，不能只把数据看作生成静态报告的工具，而是要建造巨大复杂的数据库，实现流程任务自动化，提高工作效率。

在机器智能领域，有很多机遇可供CIO们考虑：

认知洞察：机器智能可以提供深层次、可执行的可视性，让我们了解不仅仅是过去，而且包括现在和未来发生的事件。这可以帮助企业领导提前制定行动计划， 改善员工绩效。例如，在全球各地的呼叫中心，客服会使用多功能产品辅助软件回答有关产品的问题，接收订单，调查账单，还有解决其他的客户问题。在目前的系统里，工作人员必须在不同的屏幕之间来回切换，查询各种信息才能回答具体的问题。

认知参与：机器智能价值树上的第二级应用是认知型智能体，也就是通过认知技术让系统和人类互动。目前这种技术的应用更有利于消费者，而不是企业。例如系统可以接受声音指令，降低室内温度或者切换电视频道。但是有些商业任务和流程也能从这种认知互动技术中受益，新的应用领域正在出现。系统可以帮助我们访问复杂的信息，完成数字化的任务，例如为病人办理入院手续，或者向消费者推荐产品和服务。这些技术在客户服务领域具有更大的潜力，认知型智能体可能替代人处理账单、与客户互动、提供技术支持、回答员工有关人力资源方面的问题。

认知自动化：第三种也是最具颠覆性的一种应用是机器学习 、RPA和其他认知工具，这些工具可以帮助我们发展深层次领域专家（例如各个行业、职能和地区），然后实现相关任务的自动化。现在我们已经看到，有些具备机器智能的设备已经可以自动完成以前只有熟练工人才能完成的工作。例如一家医疗卫生领域的创业公司正在使用深度学习技术分析放射科的影像。他们的系统在测试中表现优异，在判断恶性肿瘤方面的能力比人类放射专家强 50%。

在教育领域，在线学习课程中的机器智能应用可以模拟一对一辅导，跟踪学生解决问题的过程，了解他们的“心理变化”，找出错误的理解，然后给学生提供适时的指导、反馈和解释。

非凡的协作机器人

面对长期低利率、日益激烈的竞争和不断变化的客户和市场动态所带来的成本压力，全球保险公司美国国际集团（AIG）实施了战略重组，以精简组织机构，提高运营效率。这项任务的内容还包括解决日益增加的技术缺口，以及分散的IT部门难以维持运营的稳定性。

AIG全球首席技术官（CTO）Mike Brady表示，IT部门将会重组为单一机构，直接向 CEO报告，为 AIG创建一个新的企业技术模式铺平道路。这种转型的第一步就是建设基本能力，相关团队为此制定的方法包括三部分：

图1：机器智能的影响：2014年至2016年技术收购与投资例子

稳定：公司需要改善总体网络性能，因为用户几乎每天都会经历严重的运行中断，而虚拟网络每周都会宕机。

优化：这项战略注重自助服务供应、自动化和成本效益三个方面。

加速：为了提高速度，相关团队实施了开发运营（DevOps） 战略，创造出持续集成/持续部署的工具链和工作流，来实时部署软件。

AIG通过机器学习实现这些目标。公司开发出高级的协作机器人程序，利用内置算法、机器学习，还有机器人流程自动化。这些虚拟的工人被称为“协作机器人”，AIG公司希望每位员工都能将这些虚拟的劳动力视为员工的扩展和助手。

2015年10月，AIG部署了“ARIES”处理全球各地的网络故障，这是公司第一个机器学习虚拟工程师。在90天的试运行期，公司按照“协助和监督” 的模式对ARIES进行训练，让机器和员工一起工作，同时向员工学习。ARIES通过观察和试验来寻找网络故障的来源，识别可能的原因和解决方案。在第91天，公司就可以全面部署协作机器人了。这些机器的价值不在于大幅提升效率，事实上AIG发现员工解决一个典型问题平均需要8到10分钟时间，而协作机器人平均要用 8分钟解决，两者相差不大。机器的价值在于它们的规模：协作机器人可以全天候工作，不需要休息或睡觉，它们解决问题的速度也很快，客户再也不需要排队，工作也不会积压起来了。

部署ARIES 6个月时间，就已经自动发现和解决超过60%的故障。在一年时间里，ARIES的机器智能，加上感应器的扩展，一起监控AIG的环境健康，成功程序化解决了大量警报问题，以防他们发展成影响业务的事件。虚拟工程师可以自动识别不健康设备，然后对它们进行诊断测试找出原因，登入设备进行修复，或者向技术人员提供“修理意见”。此外，协作机器人还能对网络问题进行相关分析。因此，如果机器人通过分析数据模式发现一个设备在一个月里造成了 50个问题，IT团队就会对这个设备进行更换。通过这些，去年问题严重度为1和2的问题数量下降了50%，机器智能也提高了技术人员的工作满意度，因为他们再也不需要完成无聊的重复性工作，可以专注于更具挑战性、更有趣的任务，而且可以从协作机器人的诊断建议中学习。

后来公司又成功启用了四个协作机器人，每个协作机器人和一个经理一起工作，分别负责公司治理、工作量、培训和学习，以及绩效管理。

在IT部门成功启用协作机器人之后，AIG开始在业务运营中探索更多机器学习的机会。“我们希望公司用好机器学习，而不是找我们要更多的资源，” Brady说道，“我们需要把大数据和机器学习视作新资源，而不是视作新成本。” 公司正准备进行内部测试，看看协作机器人能否评估客户的伤害索赔申请，然后立即批准付款，让客户及时就医。未来还会有更多应用机器智能的领域，例如增强认知功能的自助服务、增加的代理辅助渠道，甚至是直接使用认知型智能体面向客户服务。

“协作机器人需要时间”，Brady补充道。“如果工作非常复杂，我们不希望团队工作出现不一致。我们需要使用设计思维。自从一年多以前我们开始这么做，我们已经解决了14.5万个问题。他运作效果很好，完全可以扩展到业务流程，甚至认知客户交互。”

造福病人

随着医疗保健越来越重视结果，病人希望健康保险公司也能像零售商和银行那样提供高度个性化的客户服务。为了满足这个客户期望，美国最大的健康保险公司之一Anthem正在探索利用认知计算，精简和改善公司与客户的互动，让客户服务变得更高效、更积极、更直观。Anthem的最终目标是彻底改变公司及其附属公司的互动方式，跟踪整个保单的生命周期，而不是只关注保单销售这一个环节。

Anthem的战略包含了机器智能三个方面：洞察、自动化和参与。在第一阶段，公司会在保单的审核过程中应用认知洞察，为审核人员提供更多有关这份保单的情报信息。Anthem公司医院/临床分析和人口健康管理部的主管副总裁Ashok Chennuru说：“我们正在整合内部的保险信息（保单信息、受保人资格、人口统计等）以及外部数据（社会经济情况、临床/电子病历、生活方式和其他数据）， 从而全面考察购买健康保险的客户。”

目前审核人员采取的步骤是审查文件，寻找病史，收集证据，然后进入下一个流程。有了认知洞察，新的系统就能在后台持续审查可用记录，从一开始就给审核者提供整体信息。另外它还能根据病人重复住院的次数设计出治疗方案，或者提出有针对性的干预措施，还有对存在问题的保单进行智能标记。等到审核人员收到保单，他们手上已经拥有足够的信息，可以对保单进行综合评估了。

在第二阶段，Anthem会开始启用认知自动化技术，让机器处理保险单，让审核人员空出时间去关注病人，为他们提供更多支持。“通过部署预测性和规范性分析以及机器学习算法，我们就能够以更高效、更具成本效益的方式来同时处理结构化和非结构化数据。” Chennuru说到。在刚开始，系统会识别所有需要解决的问题，同时推荐一系列需要采取的行动。随着系统不断进化，当它能够根据收到的信号和数据做出分析，而且分析结果达到一个确定值的时候，它就会开始自动解决一些问题。如果没有达到确定值，系统就会把保险单交给审核员进行人工审核，从而解决问题。系统具有持续学习能力，监测审核人员如何正确处理保单问题， 慢慢把特定的问题和相应的解决方法联系起来，从而持续提高自动化处理的精确度和效率。

在第三阶段，由于Anthem已经在认知参与领域做了深入研究，公司会利用神经网络和深度学习技术参与到医疗保健提供者的一对一服务中，为病人推荐个性化的保健方案。Anthem公司实现了转型：它不再单纯处理保单，而是积极参与到病人保健，Anthem能够回顾病人病史，向医疗服务提供者推荐未来的保健方案。

Anthem建立半监督式机器学习流程，训练机器分解和整理问题，找出最好的应对方法。在测试期间，观察人员会对比系统的行为表现和传统人工方法的结果，从而测量系统的效率和精确度。

目前公司正在收集和整理数据，训练系统，精简方案架构和技术，利用认知情报进行保单管理，在整体上取得了积极的成果。公司将在2017年推出自动化保单审核系统原型，几个月后还会有最小变量产品版本面世。

Anthem公司已经建设出全面的认知竞争力，公司里有多个团队研究应用案例，评估应用价值，优化整理数据、调整算法和交付程序可用性。Chennuru表示：“我们最终会在很多领域应用这个平台，包括价值分析、人口健康管理、质量管理，以及获取关于保健和保健成本的缺口信息。” Anthem公司希望得到尽可能多的企业认知参与，用于训练模型、优化程序、提高机器的认知能力，从而帮助公司更好地服务客户。

从哪里开始?

很少有组织能够宣称他们已经取得了数字技术的胜利。 即便是只考虑公司内部的结构化信息，管理和分析数据也是巨大的挑战。今天我们可以利用高级的算法和分析技术解决复杂的问题，从被动描述问题转变为积极和自动给出回应。但即使有这样飞速发展的技术，有些公司还是感到难以解决数据问题。

幸好机器智能可以为我们提供新的方法和技术，帮助我们应对长期以来数据给我们带来的挑战：

· 管理数据：MI技术可以帮助我们对数据进行自动分类和定义，让我们定义、梳理和维护主数据。MI可以分析每一条数据以及它与其它数据之间的联系，进行数据质量的概算。同样地，MI还能修正数据内容和出现的上下文问题

手机扫码阅读

·有界性和目的性：MI聚焦于那些如果解决可以提供有意义价值的商业问题。根据问题的范围选择需要的数据输入、 合适的MI技术和相关的架构和数据管理需求。 在这些工作都完成之后， 我们就能用 MI解决更复杂的问题。

· 拥抱合作研究：MI正在进入飞速发展的时期，学术界、创业公司、现有的供应商都在研究MI 应用，发明新的技术。你可以考虑寻找一些愿意给你投资的供应商，支持你的研究。同样地，如果你和学术和思想引领者合作，也会得到宝贵的专业意见。

·工业化分析：数据已经成为重要的企业战略资产。但是极少公司在企业内全面投资来培育、整理和利用这个资产。工业化分析指的是在公司各个层面推广一致和可复制的分析方法、分析平台、分析工具和人才,其中就包括机器智能。从战术上讲，这些内容可以催生数据获取、数据整合、数据归档、数据访问、 数据享有、数据加密和数据管理等服务。

人工智能这个说法可能会更吸引眼球，但机器智能才是更大话题，它指的是认知计算领域出现的一系列新技术。这些技术可以帮助组织由传统的追溯数据分析模式到系统推断预测模式。获取洞察，以洞察指导行动，再让任务和响应自动化，这代表一个全新的认知时代的开端。