向你的客戶學習：智能機器時代已經到來

機器學習的出現是人工智慧發展中最令人期待的科技之一。正如其名稱所示，利用機器學習技術的應用程序會隨著使用次數的增加而變得越來越智能。機器學習是當今搜索演算法、無人駕駛汽車革命以及先進垃圾郵件檢測和反欺詐偵察的核心。在旅遊業，機器學習被用來提升用戶界面、分析海量數據以及實現對話式商業。本文將探討機器學習技術在旅遊業應用的實際使用，並解讀這一新興科技的真實潛力。

簡介

機器學習的核心是能在不編寫特定程序的情況下讓電腦提供答案。傳統而言，電腦的應用程序內儲存了根據特定數據編寫的信息，在用戶提出請求時，應用程序直接調用這些信息。上世紀70年代，關係資料庫問世，80年代，結構化查詢語言（SQL）開始發展，這都使數據更容易被接觸和利用到，但熟識SQL編程仍然是關鍵。90年代和21世紀初，Cognos等商業智能平台湧現，這些平台都採用了對用戶而言更簡易的前端，但實際上仍依賴於SQL查詢方法。

軟體應用程序也只能接觸到已經編程好的信息。上世紀80年代和90年代，應用程序編程介面（API）的發展實現了一種成品或服務和其它產品或服務的對話。在21世紀初，在利用一系列標準的情況下，網路API使程序員們能更容易地接觸到其它應用服務，但應用程序仍限制於已經編程好的信息。比如，如果想有效地查詢某一航班的信息，你需要根據特定的全球分銷系統（GDS）API編寫一條特定的查詢代碼告訴電腦提取特定的數據（多數情況下，電腦會把用戶請求再轉變為特別的GDS格式）。根據這個例子類推，要查詢航班價格，則需要根據另一個GDSAPI編寫另一條代碼。對編程的依賴也限制了用戶的使用。比如，90年代時發展的早期聊天機器人經常出現故障，因為任何沒有編入應用程序內的用戶回應都會導致聊天機器人終止服務。

互聯網和社交媒體的發展增加了大量可用的數據，其中絕大部分都是非結構化格式，因此使數據檢索的複雜程度更進一層。這也促使越來越多的大數據科學家們創造出更成熟的演算法來分析和利用這些海量的結構化及非結構化數據。

機器學習是計算機科學進化中的一次飛躍。機器學習使應用程序能夠自己進行編程，而不再只依賴於人類編程。整體而言，機器學習目前的應用較淺，只基於特定系列的功能。但學習型的機器如今已經問世，而且已經對旅遊業產生了影響。

機器學習的今天和未來

包含數十億數據元素的大容量資料庫已經存在了數十年，但只在近來機器學習技術才把這些數據轉變為有用的知識。以下三個要素的變化引發了利用機器學習的浪潮：

1、每天產生的海量數據，以及分析這些數據的需要——在過去兩年內，這種需要增加了數個重量級。以下為少數幾個例子：

- 5億條推特

- 4百萬小時的視頻被上傳到YouTube上

- Instagram上36億個「贊」

- 臉書上發布了43億條信息

- 臉書上57.5億個「贊」

- 60億次谷歌搜索

2、雲計算的出現使大眾接觸到數據存儲和處理。

3、開源技術使程序員等發展人員能夠創建和使用機器學習演算法，將這一科技帶進更大的發展人員社區。

在機器學習獲得更多突破前，我們必須承認這一技術目前仍處於起步幾段。在很多科幻小說中，智能機器超越了人類大腦並威脅到人類生存。在過去幾年裡，著名物理學家史蒂芬·霍金（Stephen Hawking）曾稱「發展完全的人工智慧可能加速人類的滅絕」，企業家埃爾隆·馬斯克（Elon Musk）也稱人工智慧是「我們人類生存的最大威脅」，這些言論促使大眾以為先進的人工智慧技術不僅即將到來，而且還是令人恐懼的「怪物」。

人工智慧超越人類智能、並具有人類情感的時候被稱為「奇點」。奇點也被假設為超級智能機器的未來。超級智能被定義為一種由科技創造的認知能力，這種能力遠超人類能力。這一未知的超級智能就是霍金教室和馬斯克所說的「威脅」。谷歌人工智慧總監雷·庫茲韋爾（Ray Kurzweil）預測奇點很快將會成為現實（在25到30年內）。但即使是庫茲韋爾也無法確定奇點是好現象還是壞現象。不過，現在我們不該被超級智能機器的未來景願所嚇倒，而是應該積極認識機器學習的價值。

雖然當前機器學習仍處於發展中，其應用也處於初步階段，但只要讓機器理解了相關的術語、選項和細微差異，機器學習就可以應用在旅遊應用程序中，並能幫助解決很多疑難問題。

機器學習的工作原理

要使機器學習成功進入服務，程序員需要在系統內輸入相關的主題數據（例子）。目前機器學習只集中在少數主題的較小範圍，因為系統需要理解許多行業專有的辭彙和關係。也就是說應用程序必須同時理解某一行業內的分類（比如概念層次）和本體（不同概念間的複雜關係）。舉個例子：支持一家酒店聊天機器人的機器學習系統必須理解酒店星級的評級（即分類），同時也需要掌握房價和支付條款間的關係（本體），比如特價房不退訂房費等。因此要創建這個機器學習應用程序的第一步是在系統內輸入例子，讓系統理解相關主題的術語、關係和細微差異。之後，機器學習平台的創建還需以下三個關鍵步驟：

1、建模：機器學習演算法（即一系列電腦指令）在數據中發掘相應的模式，並利用這些發現建立數據模型。最初的模型由人工輸入，但隨後模型會自我進步並由機器學習流程驅動。

2、生成參數：學習演算法會發展出一系列參數讓軟體學會「自己做決定」。比如，系統可能發展出一個參數指示需要某些域認證特定數據的質量，沒有這些域，這些特定數據可能會被拒絕。

3、學習者：應用程序會根據預測和實際結果的不同而對參數進行調整，模型也會相應進行調整。學習者部分會隨之提升模型的精確度。

深度學習

機器學習的一個分支子集為深度學習。深度學習集中利用更小範圍的機器學習工具及技術，並將其應用在解決需要人類或人工「思想」的特定問題上。2016年，谷歌深度學習應用程序在圍棋大戰中打敗了韓國圍棋大師李昌鎬。要知道，圍棋擁有2500年的歷史，比象棋複雜許多倍，而且在實際對戰中（最起碼是人類對戰）需要某種程度的直覺。所以深度學習在旅遊業內可能非常適於解決如管理大規模旅程混亂狀況等複雜問題。

如今機器學習在旅遊業內的利用

如今機器學習在旅遊業內得到了大量應用。由於數量仍在持續增加，以下僅列出幾個例子：

- 聊天機器人：在過去的一年半里，大量聊天機器人進入市場。以下是利用機器學習技術的聊天機器人例子。

- Mezi——Mezi利用深度學習將旅行知識構建到自己的應用程序內，使這一程序能與用戶對話，並過濾掉不相關的回應，每次在用戶提出要求後都彈出三個最符合用戶需求的選項。

- Expedia——Expedia推出了Facebook Messenger聊天機器人來幫助旅客訂酒店。這款機器人利用自然語言處理（NLP）和機器學習技術創造結構化的對話流。

- 30 Seconds to Fly——這家公司的人工智慧助理Claire是個旅行聊天機器人，設計這款機器人的目的在於給中小企業市場提供旅行管理能。它利用NLP和機器學習技術幫助旅客找到符合企業政策的選項。

- 谷歌旅行規劃「Google Trips」：通過閱讀用戶的谷歌郵件，這款程序自動生成旅行行程，包括旅行地點的信息，同時還提供附近地標信息和休閑活動建議。它利用機器學習技術根據用戶的重複使用率實現持續的個人化推薦。

- Lola：這個信息平台由人工和一個人工智慧平台支持。這個人工智慧平台利用機器學習技術根據具體的旅行要求為旅客提供相關度最高的各種選項，而且會隨著旅客請求和用戶數量的增加而提升。

- Sift Science：利用機器學習技術分析如反欺詐偵察等風險的多種類型。

- DataArt：是企業對企業的定製應用程序。該程序利用機器學習來理解非結構化的酒店和交通數據。此外，DataArt還利用基礎設施級別的機器語言解決方案來幫助發現預測的故障預防，進而提升運營效率。

- Trip.com（之前名為Gogobot）：它利用機器學習技術整合數百萬數據點，包括旅行的日期、天氣、部落（指興趣相同的人群）以及旅程和城市密度等，及時為用戶個人提供真正相關且智能的選擇。

- Way Blazer和Go Moment：IBM的人工智慧技術平台Watson的核心在於利用機器學習（以及其它人工智慧技術如自然語言流程）為用戶查詢提供正確的答案。Watson在《危險邊緣》（Jeopardy！）上的勝利中不僅檢索出正確的問題答案，而且還利用機器學習技術評估答案的指令。Way Blazer和Go Moment這兩家公司正在利用IBM Watson的核心技術為旅遊行業帶來更多解決方案。

機器學習的今天和未來

如今，機器學習技術正在使應用程序越來越智能，但和科幻電影里出現的超人類智能機器人還有很遠距離。在旅遊業內，機器學習技術被用來解決某些特定問題，比如初步的預訂查詢和客戶服務要求等。但由於任何糟糕的體驗都會迅速毀壞一個品牌的形象，企業並不會將客戶溝通完全交由智能機器處理。

在接下來數年內，我們可能會迅速從當前早期的機器學習階段轉移到更完全的方案提供階段，從目前由搜索驅動的旅行計劃流程轉移到智能助理結合自身對客戶偏好的了解與對旅行選擇的深度了解為用戶提供旅行選擇的階段。機器學習將會結合深度學習、自然語言流程、知識圖譜（對特定領域結構化和非結構化數據的語義理解）和類神經網路（由大量簡單並高度內聯的流程元素構成、模仿人類大腦功能的計算系統）。機器學習令人期待的地方在於其通過向客戶學習而提供更好體驗的能力。我們希望，這能帶來更個性化的服務、更相關的建議和更好的旅程服務，因此最終提升旅行體驗。我們正處於迎來機器學習智能計算新時代的大門口，而機器學習將會利用客戶的重複使用而不斷創造出更卓越的應用程序。（李曉燕/編譯）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！