绘制人工智能与企业自动化实施路线图

人工智能（AI）和机器学习开始迅速地被消费者所接受，并在日常生活中随处可见。仅在过去三年里，亚马逊就售出了1000万台Echo智能音箱。而苹果新推的iPhone X也自带一款人工智能芯片，专门用于处理面部识别和语音命令等任务。

然而，AI在自动化和改善业务流程的商务应用方面并没有那么普遍。尽管牛津大学的一项研究表明，人工智能可以在未来20年内使50%以上的工作岗位实现自动化，但可能是经过了媒体过度炒作和太多不实信息，许多企业高管对这种新兴技术的潜在影响力仍表示怀疑。

AI的繁荣是可持续的企业应用范围有限

在图像识别、从语音到文本的转化等任务，以及围棋等复杂游戏方面，机器学习算法史无前例地击败了人类。人工智能的繁荣是由以下三个因素综合推动的：深度学习算法的突破、训练这些算法的大数据（结构化数据）的增多，以及机器学习硬件处理能力的急剧加速，比如将机器训练时间从几个月减少到几天和几小时的图形处理器（GPU）芯片组。这三个因素预计都将继续加速发展。那么，在未来五到七年内，人工智能将能够为企业自动化做些什么呢？

大多数专家表示，公司将采用窄域人工智能，或专注于一项任务的监督学习。人工智能算法将能够使用训练数据来学习如何自动执行任务，但是解决方案应用范围小，并且在大多数情况下，机器将无法举一反三地执行其他任务（图一）。普及广域的、像人类一样的人工智能，换句话说，无监督机器学习和情景感知则可能需要几十年的时间才能实现。

例如，一家企业希望可以运用AI算法扫描PDF及手写发票后，验证字段格式，然后自动启动付款流程。由于采用了更先进的算法或者无监督学习，该解决方案也可以处理未标记数据，例如收集过去未标记的发票。然而，该公司采用的AI解决方案仅限于自动化文本域识别和格式处理。

为了使用AI来做更高级的发票任务，比如识别欺诈，公司需要通过关注其他更深层次的特性和规律来设计和训练一个全新的解决方案。

人工智能在特定领域的应用实施已经就绪。高盛公司利用机器学习在2000年把600人的交易员团队改造成为2016年仅200人的精益团队。然而，并非所有企业的运营活动都适合于当今的窄域人工智能自动化。描述机器操作任务的一个方法就是计算机科学家吴恩达（Andrew Ng）所提出的“A→B活动”：处理此活动需要使用一系列明确的输入并生成响应（图二）。

企业采用人工智能方案时面临四大挑战

企业引入人工智能技术以实现自动化，需要考虑以下几个方面的内容：

一次性成本。厘清人工智能方案的启动资本，例如算法开发和获取训练数据。利用开源算法或者按使用计费的“AI服务”平台可以有效降低固定成本负担，但是用于训练的数据库却可以成为昂贵的成本瓶颈。

切换成本。评估出与AI连带的现有解决方案所带来的成本，包括打开AI算法的“黑匣子”这类技术门槛，以便追踪和阐释每一个决策；也包括人为阻碍，例如阻碍变革的政治和文化因素。

生态需求。界定如果采用综合解决方案所需要的补充性技术。例如，AI解决方案必须与创新的物联网传感器和新兴的机器人技术相结合，而这些技术有时会比AI更加复杂。

系统扩展障碍。要考虑到AI解决方案扩展到还没有引入新技术的第三方系统所造成的负面影响，但是要知道人工智能的价值会随着更多用户使用它而提高。

企业在人工智能应用过程中会遇到各种各样的挑战，而且还要考虑各种潜在时间表以达到协同效果的最大化。例如，呼叫中心能够将手写表格自动转换成结构化的电子数据记录。软件开发和切换成本很低。而且，企业已经拥有海量标签化的数据可以用于训练，透视文字识别扫描仪能够处理信息，以及海量数据库基础。这一解决方案扩展的阻碍很低，某一功能的解决方案完全可以为其他地域或者单位用作训练数据或参考。这类企业可望在2021年实现更广泛的AI应用。

我们的呼叫中心客户的另一种解决方案就是对用户的声音和对话自动进行情感分析，从而加强呼叫中心客服的互动性。这一解决方案具有更高的切换成本，因为涉及文化和风险障碍。企业需要控制在小范围之内以降低对消费者的负面影响。如果运行良好，企业需要对其端到端训练流程进行再设计，以便人工智能引擎能够给代理推送出合理的建议。这一解决方案网络扩展性高，更高层次的应用将会产生更多的训练数据以改善性能，但是采集到具有足够规模的训练数据是需要时间的，而且也需要得到企业决策层更多的信任。鉴于复杂性较高，人工智能情感分析将会需要7-10年的时间完成，而不像上一个解决方案那样，只需要两三年时间就可以达到应用级。

企业人工智能发展步骤

随着更多复杂算法、更加庞大的可用数据，以及更先进的硬件设备的出现，人工智能和机器学习还将持续带来爆发式增长。然而，具有前瞻性的企业却会慎重评估这些商业机会。基于以上趋势和影响，企业可以从四个方面创建更加完善的AI自动化战略：

1.找出“A→B”的活动和流程。与其使用一次性的、完美的人工智能方案，不如在整个价值链上持续识别和建立“从A到B”的业务系统，以达成潜在的机器学习自动化。这能够保证从一个更宽的视角把下游业务考虑进去，例如潜在价值、时间效应、开发成本，以及与企业整体战略的协调统一。

2.将AI应用做优先性排序。由于人工智能解决方案不可复制，且需要特殊的数据资源和训练，将可自动化的“从A到B”业务系统根据商业影响以及应用复杂程度进行排序，可以保证资源分配的合理性。

3.采用产品组合模式。采用管理创新产品组合的方式去管理人工智能自动化规划，从长期和短期两个方面创造价值，同时降低风险。还要基于数据的可得性及应用风险将项目分类处理。

4.从全产品周期出发，做出生产、采购与外部合作决策。AI应用往往考验的是企业多领域能力与前瞻性。既要投入资本培养内部专家、外部顾问和商业合作伙伴，又需要与那些技术创业企业合作，采用最前沿科技，以及敏捷地捕捉与开发概念性测试，并且在几周时间内就能推出，而不是耗时几年。在那些AI可以产生颠覆性效果的细分领域直接收购，避免因为入场太晚而不得不花费昂贵的代价进行紧急并购。