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，已经发展处无数种独特的功能。机器人圈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*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，理解客户的提出的问题，使用数十种口语同时处理多达27000个对话。

在未来的月份里，随着越来越多公司开始探索机器智能的力量，我们将会读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。

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世纪头十年，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：

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：

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。

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*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。

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。

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。

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。白羊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。

后来公司又成功启用了四个协作机器人，每一个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。

“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。

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。” 

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。

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*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。

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。

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，已经发展处无数种独特的功能。机器人圈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*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，理解客户的提出的问题，使用数十种口语同时处理多达27000个对话。

在未来的月份里，随着越来越多公司开始探索机器智能的力量，我们将会读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。

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世纪头十年，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：

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：

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。

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*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。

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。

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。

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。白羊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。

后来公司又成功启用了四个协作机器人，每一个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。

“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。

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。” 

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。

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*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。

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。