面向企業的實用型AI：撥雲見日指南

至頂網軟體頻道消息：

各大軟體供應商圍繞人工智慧發動的炒作技能直接導致AI產品的購買與實施成為一項複雜難題。在今天的文章中，我們將立足企業領導者的視角，聊聊如何真正實現AI能力。

事實上，幾乎每一家企業軟體供應商都在力推AI——具體包括機器學習、認知計算、深度學習以及其它相關技術等等，並將其視為改變您業務、生活乃至整個世界的終極武器。

儘管存在諸多炒作，或者說也正因為如此，一部分供應商的AI方案也確實發揮了巨大作用。皇家加勒比游輪服務公司首席數據與認證官Sol Rashidi就曾經講述她自己的AI方案採購經驗：

目前全球擁有超過1300萬投資AI技術的廠商，而相關研究經費總額更是達到90億美元左右。我們的挑戰在於如何了解這些待選供應商，判斷其在行業內的生命力並通過演示方案與執行能力作出最終選擇。大多數企業目前仍處於種子輪融資階段，因此持續生命力是我們判斷的核心指標。另外，我們還需要確切掌握對方的能力與功能——因為遺憾的是，儘管這1300家企業皆強調其屬於AI技術服務商，但其中相當一部分只能提供聊天機器人這類初級選項。

聊天機器人並不是什麼新興技術。然而，將其與AI的名頭相結合，就讓這類解決方案有了更為可觀的吸引力。因此，我們不得不投入心力了解哪些廠商屬於真正的AI企業，而哪些不是。

必須承認，這樣的情緒反映出大多數企業買家當前所面臨的嚴峻現實。坦白地講，實際情況甚至更為荒謬。

為了撥開炒作的迷霧並真正解決企業環境內AI方案部署的現實難題，我們邀請到Genpact公司總裁兼CEO Tiger Tyagarajan——這是一家年營收接近30億美元的專業服務廠商。

另外，來自全球頂尖專業服務廠商之一HFS Research公司CEO兼行業分析師 Phil Fersht也加入到此次對話當中。我向他諮詢了Genpact公司與企業內AI實現工作的相關背景信息：

Genpact公司憑藉著其顛覆性的獨特價值主張為BPO（即業務流程外包）模式帶來變革，極大挑戰了舊有BPO模式的定價機制，並將離岸能力納入其中。

這家公司亦通過將AI機制引入業務流程的方式發行原有模式，並將這些概念帶進其龐大的全球金融領導者社區。相較於專註實現後台數字化的自動化思路，人工智慧則負責將業務流程同智能技術與自我發展型演算法結合起來。

Genpact公司當前的關注重點是將智能認知應用嵌入至其流程鏈與工作流當中; 具體來講，其希望藉此從錯誤當中學習並汲取新的經驗。這種新興「組織神經系統」能夠以實時方式自我學習並憑藉智能化運營能力支持客戶需求。

與Tiger Tyagarajan進行的此次對話將主要側重於AI部署層面。正如Phil Fersht的評論所言，Tyagarajan確實擁有提供建設性意見與觀點的資格。

感興趣的朋友可以通過視頻觀看完整對話，而下文則為我們交流的重要內容摘錄。

在企業當中以貫徹性運用AI技術無疑是個緩慢的過程——事實上，這並不是必要或者真正有效的實現方式。

我們發現，客戶們最為成功的AI技術運用案例，往往出現在對具體問題的攻克與解決當中。舉例來說，其中包括管理應收賬或者流動資金、匯出賬單以及各類行政事務。有時候客戶們不希望用人力來解決這些複雜的問題，因此開始將目光轉向機器以改善實際效果。

當AI被用於解決具體問題時，我們發現其能夠發揮最出色的實際效果。但當嘗試利用AI管理企業整體時，相關過程則完全不同，而結果也通常令人失望。

有時候，董事會、CEO以及高管團隊會說，「我們希望在公司內使用AI技術。讓我們將AI引入企業環境吧。」但在一段時間之後，他們會意識到最理想的方案實際上體現為人工狹義智能（簡稱ANI），即將問題範圍縮小到有價值且我們能夠解決的水平，而後利用AI加以攻克。這就是所謂「人工狹義智能」的核心。我們發現這類項目通常非常成功。

最大的機遇往往出現在最具價值的範疇之內。大家通常會通過概念驗證以證明對大問題及大機遇的解決與把握——因為一旦成功，這將帶來可觀的回報，而不只是小小的一點甜頭。

這類工作並沒有那麼困難，而且確實值得我們投入精力。單憑基於AI的工具並不足以驅動這樣的價值，除非大家將其引入工作流之內。

AI在建立並推動新型業務模式方面擁有不可思議的強大能力。事實上，將其稱為創新型商業模式仍然不夠確切，或者說低估了其效果。在大多數情況下，這類極具顛覆性與創新性的新型商業模式應該作為AI等新興技術的真正核心所在。

下面我給大家舉個有趣的例子：保險。

我們都深愛著自己的坐駕——汽車，因此必須為其購置保險。而如果發生了意外，我們當然得提出保險索賠。很多企業在這方面做得很好：客戶發生了小事故，其將車停在路邊並撥打熱線電話，而後根據提示在原地等待; 出險人員抵達現場，並在勘查之後表示「我們會在對損失金額完成評估之後，與您進行聯繫」。

隨後，我們從保險公司方面得到對應的開銷數字，但接下來就要開始扯皮了——例如「我認為保險公司應該負擔索賠數額當中的800美元。」

整個流程需要大量時間、精力以及多次溝通。儘管大多數保險公司作出了巨大努力，但客戶仍然抱怨實際體驗不夠理想。另外，整個過程往往伴隨著客戶本人的焦慮情緒。

對於這方面問題，很多保險公司正在嘗試建立新的商業模式——同樣是出現了上述事故，現在大家只需要打開自己的智能手機，開啟相關應用並按下發生意外的報警按鈕。

這時該應用會自動觸發後續操作，包括聯絡優步司機並確保其在5到7分鐘之內抵達您所在位置。此後，對方會使用自己的智能手機拍攝事故車輛的各角度與細節照片。當然，優步司機本人必須遵循保險公司提出的一系列相關說明。

在照片拍攝完成之後，AI工具會對圖像內容進行審查，並根據庫存中的超過1000萬張圖像完成視覺分析。其最終將給出結論，「根據對損壞情況的評估，我們得出了基本適用的維修成本，此筆保險索賠金額應在747美元以內。」

對於20%到30%相對複雜的事故，圖片將被交付至專家處進行進一步審查。在15分鐘之內，客戶即可在自己的智能手機上收到總額為747美元的保險索賠結果。之後的事情就很簡單了，大家可以根據這樣的額度決定如何修復自己的車輛。

如此一來，客戶滿意度顯然將大幅提升，而客戶挽留率也將創下新高。與此同時，保險公司也將藉此實現價值增長，甚至給整個保險行業帶來顛覆。任何有能力實現這種解決方案的保險公司也必將成為新時代下的領導者。

只有滿足兩項條件，AI技術才能真正迸發出能量。

條件一：大家必須將AI技術與商業背景及問題結合起來，即將AI浸入至行業環境之內。

舉例來說，技術專家們真的清楚我們之前提到的事故案例中，州際公路上到底發生了什麼嗎？我們假定地點是在密歇根州的州際公路上，車型為本田雅閣等等……另外，事故發生的不同時間會對實際情況造成怎樣的影響？這些都需要加以考量。

更重要的是，大家真的了解保險行業嗎？了解密歇根州的汽車保險政策嗎？是否了解客戶在自動索賠期間進行的交互或者提交的索賠內容？是否了解索賠過程中可能存在的欺詐問題？事實上，對於相關領域的專業知識積累將帶來完全不同的結果。

第二項條件在於，我們是否能夠獲得充足的數據。我們的數據是否足以代表以往的索賠案例？是否包含以往的全部圖像與照片素材？是否足以用於構建必要的智能方案？

如果缺少相關專業的情景資料並將其同數據相結合，那麼AI方案將無從談起。因此，我們需要強調AI加上領域再加上數據的重要意義。如果沒有特定領域與相關數據，價值將成為空中樓閣。

這是個複雜且相互關聯的問題，需要投入大量時間以工業化方式及規模進行解決。當然，對於我們來說，這可能也算是個壞消息——畢竟其規模龐大、複雜且存在諸多細節。

但好消息是，我們可以將其拆分成一系列組成部分。具體包括「我們能否從概念驗證入手？」如何快速測試概念驗證方案？雖然這同樣需要一定時間周期，但已經完全可以接受。第二個好消息是，一旦完成這項工作，其將帶來極為可觀的價值，因此選擇正確的待解決問題就顯得非常重要。

所以，理想的流程是首先選擇一個大問題，將其轉化為概念驗證任務，而後通過一系列實驗進行迭代。我們無法很快解決全部問題，但可以分段解決其中部分問題，並在過程中意識到AI方案可能僅能夠完成決策工作中的20%到30%。然而，20%到30%相較於零已經好了很多。在此基礎之上，我們不斷改進，也許在第十次迭代時，其解決比例已經能夠達到85%。

第二個問題是確保相關實驗有序進行。

最後，當完成一系列實驗並打算擴大實踐規模時，我們將迎來第三個問題——即AI有可能最終在解決方案或者企業環境當中失敗。事實上，這樣的情況有可能出現在一切數字化技術之內。因此在擴大規模時，大家必須建立起一套用於監控這些技術方案的治理層。

相比之下，假設AI或者其它技術不需要加以治理或者監控的思維則非常危險：有些人確實會誤以為相關方案擁有良好的代碼質量並能夠永久運行。但殘酷的現實告訴我們，商業模式一直在發生變化、政策一直在發生變化，法規也同樣是如此。我們必須持續關注此前制定的全部技術成果，而這必要需要一套治理層加以配合。

這意味著我們必須擁有專門的平台以觀察上述變化，並在業務需求有所波動後對技術作出及時調整。這一點非常重要，也應成為AI實現之旅中的核心議題之一。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！