几十年来，机器学习（ML）在研究领域中的作用远远超过了主动实施的程度。然而，近年来，其采用率显着上升。
通常被描述为艺术和科学的一部分，该技术几乎为每个行业提供了大量的应用程序。从网上购物到防疫，几乎没有任何现代领域可以通过明智地使用算法来优化。
尽管仍处于早期阶段，但该技术已经为拥护它的人们带来了实实在在的收益。普华永道最近的一份报告得出结论，在未来几十年中，人工智能将成为企业和国家最大的商业机会。
麦肯锡（McKinsey）在2018年进行的一项全球在线调查发现，有78％的受访者表示在他们的运营中实施ML解决方案获得了可观的或中等的价值，而只有1％的受访者表示他们没有看到或具有负面价值。
人工智能的空前兴起及其对商业和整个社会的变革价值，使一些研究人员认为，人工智能必将成为“通用技术”，与其他改变游戏规则的发明（例如蒸汽机和互联网。
但是，最大化回报的关键在于基于AI强大的技术能力以及对行业中潜在用例的深刻理解，制定全面的ML策略。
我们希望我们编写的指南将帮助您确定ML机会对您的业务的影响，并激发您结合一些技术的变革性解决方案来保持竞争优势。
电子商务中的机器学习
网上购物的兴起是不可否认的，互联网零售商之间的竞争也是如此。 为了超越曲线，电子商务企业越来越多地转向人工智能，以更好地了解其购物者的需求，创造更加个性化的客户体验，从而提高销售收入。
长期以来，该领域一直在引领采用人工智能的方式。通过广泛使用从推荐器系统到增强现实的最新机器学习解决方案，在线零售商正在彻底改变我们的在线购物方式。
据估计，人工智能领域的投资将继续增长，从2019-2025年的复合年增长率总计为42.8％。
推荐系统
推荐系统是Netflix似乎总是能找到适合您口味的东西的原因，而Spotify会不断寻找您喜欢的音乐。它们一直是拥有大量用户的巨头取得商业成功的关键因素，但可以在各种规模的电子商务平台上成功实施。
由AI驱动的系统分析消费者的活动和浏览数据，并创建适合其个人需求和偏好的产品推荐。为了扩大提供给用户的产品和服务的范围，他们还考虑了显示相似口味的消费者的行为。
一方面，推荐系统是营销人员增加销售量的好方法。另一方面，他们正在帮助消费者扩大他们的偏好，并在产品超载的世界中做出更多相关的选择。
内容个性化
想要在竞争激烈的在线零售领域蓬勃发展的企业，不仅需要提供一般性优惠甚至是基本的个性化设置，例如页面布局。借助机器学习，他们可以为客户提供他们真正想要的东西，然后提供一些。
根据麦肯锡的一份报告，个性化可以带来五到八倍的市场营销投资回报率，并使销售增长10％或更多。
埃森哲的“个性化脉搏检查”报告发现，企业在满足消费者需求方面的首要挑战是“学习如何为每个人提供独特的服务而又不压倒任何人。”
该报还说，将近一半的被调查消费者离开了一个在线购物网站，然后继续在另一个网站上购物，这仅仅是因为它的策划不当。绝大多数（91％）的人也更可能选择向其提供个性化报价和推荐的品牌购物。
企业可以将一些AI注入一对一的营销方式之一是通过提供个性化的激励措施，例如生日折扣。
例如，为了降低购物车的放弃率（介于60％和80％之间），在线零售商可以使用人工智能来分析客户仍在网站上时的数字肢体语言，然后向他们提供正确的信息，以便鼓励购买。
开放时间内容（Open Time Content）是另一种基于AI的技术，可帮助营销人员将参与度进行情境化。打开电子邮件时，它会在其中填充内容，以提供最终的实时零售体验。
为了使报价尽可能吸引消费者，它会将他们以前的购物历史与零售商的最新报价相结合，并在每次访问电子邮件时进行更新。
聊天机器人
与机器交谈既沮丧又奇怪的日子已经一去不复返了。
得益于自然语言处理算法（该算法可以分析聊天机器人对话并从中汲取见解以不断提高其性能），因此交流的质量通常与人与人之间的交互质量相当。
对于企业而言，当客户需要快速，简单的答案时，使用聊天机器人可以节省大量资金。由于这些是最常见的查询，因此聊天机器人可以很好地完成工作。
如果用户需要聊天机器人无法提供的信息，它可以立即使他们与一位客户服务人员联系，以确保没有任何疑问得到解答。
动态定价
您当然已经注意到，您的Uber乘车回家的价格如何根据一天中的时间，天气情况和驾驶员的可用性而不断波动。尽管运营商的动态定价具有传奇色彩（毕竟，公司有100多名专家在为他们定价），但该技术可以使任何愿意对其进行投资的企业受益。
根据麦肯锡公司的数据，实施动态定价的公司报告称其销售增长了2％至5％，利润率提高了5％至10％，以及更高的客户满意度。
这种做法背后的想法是，根据一组特定的情况，客户可以获得个性化的价格。它可以包括来自不同在线资源（包括公司的竞争对手）的价格数据，以及客户的个人购物习惯。
机器学习是此过程中必不可少的要素：它使识别购物者的数据模式并预测他们对新价格的反应程度成为可能。
AI驱动的A / B测试
A / B或拆分测试是营销和电子商务中的常见做法。它包括向一组用户显示不同版本的网站，例如网站或文章标题。然后，您分析哪个版本吸引了更多点击并鼓励了更多的互动，以及原因。此版本是A / B测试的获胜者。
手动执行测试通常非常耗时，并且需要一段时间才能得出结果。通过将人工智能注入该技术，您可以使产品实时进行自我优化，并向用户提供最佳和最有效的变化，而无需手动设置和微调A / B测试。
AI组件允许您在任何给定时间测试可能无限数量的变量。值得注意的是，它还可以考虑用户的偏好和以前的浏览历史来确定最合适的组合。
可购物的增强现实—AR / VR
尽管在线购物已迅速普及，但许多消费者，尤其是在购买衣服或美容产品时，仍然坚持使用实体商店。原因很简单：在购买商品之前先试用它不仅可以节省您的时间和金钱，而且还可以使购物体验变得有趣。
但是，由于有了人工智能，消费者不再需要离开家来发现新样式并整理衣柜。
增强现实（AR）通常与AI结合使用，被称为零售业的未来，它使购物者可以虚拟地实时尝试服装，眼镜或化妆品等产品。
例如，Pinterest最近与EstéeLauder，YSLBeauté和Lancôme等化妆品巨头合作，推出了可购物的AR功能，允许用户使用该应用程序的内置相机“尝试”不同的唇膏颜色。该平台还将在与用户相匹配的肤色上显示类似的唇色，并让他们探索相关的外观。
英国时尚零售商River Island已使用AR使客户能够使用智能手机可视化其家居用品的外观。
该效果使用户可以以3D方式查看选定的产品，并将其放置在房屋内的任何位置。购物者还可以选择截取屏幕截图并将其上传到社交媒体，从而有机会赢取产品。
尽管AR在在线零售中的使用尚不普遍，但5G的普及可能会加速其增长。
卫生保健中的机器学习
人工智能在医疗保健和医学研究中的应用潜力是无限的。该行业非常适合自动化，这不仅是因为全世界的卫生服务每天都产生惊人的数据量。
将人工智能集成到医疗领域可以提供很多临床益处。
它可以改善研究，发现新药并帮助更准确地诊断疾病。该技术还具有许多非临床用途，例如管理任务和患者管理系统的自动化。
尽管该行业已经进行了很多创新，但是对于愿意参与并提供AI解决方案的公司而言，仍然存在着无数的机会。例如，在英国，国家卫生服务（NHS）负责人呼吁技术公司提出建议，以帮助该服务成为人工智能使用方面的世界领导者。
NHS的目标是成为第一个使用视频和在线咨询将门诊系统数字化的国家卫生服务机构，并在此技术的某些用途中使AI参与解释扫描的过程。
UK Research and Innovation的首席执行官表示：“您几乎可以在医疗保健的任何领域进行研究，并且可以看到先进的数据科学（如果我可以这样说的话）可以提供大量的信息。这项技术在整个医疗领域都具有巨大的潜力。”
考虑到AI的潜在使用范围很广，将其范围缩小到仅少数情况是一个艰巨的任务。因此，我们在下面汇编的示例只是对机器学习在医疗保健中使用方式的一种了解，而不是确定的列表。
检测与诊断
最近的一项研究发现，人工智能在医学影像诊断方面比训练有素的临床医生更加准确。例如，在去年进行的研究中，人工智能从皮肤镜图像中发现了95％的恶性黑色素瘤，而医生平均能够诊断出86.6％。
难怪世界各地的卫生保健提供者都争先恐后地利用深度学习来提高诊断成功率。但是，人工智能解决方案通常无法与临床工作流程和电子病历系统集成在一起。当前，这是大规模实施AI的最大障碍，而解决这一弱点已成为医疗保健公司的首要任务。
治疗建议
治疗计划的有效性取决于广泛的因素，从以前的病史到个人生活方式。人工智能已被用来组合和分析来自各种来源的患者数据，以确定最佳治疗方案。
人工智能处理如此庞大的数据库并提出量身定制的建议的能力正在彻底改变个性化医学。机器学习组件可提高准确性，改善临床结果，并使医学治疗更为经济。
发现新药
开发新药绝非易事：它可能需要数年的严格试验，并耗资数十亿美元。
毫不奇怪，制药业争先恐后地提出了加快该过程并使其更有效的方法。在当前可用的所有解决方案中，应用人工智能的好处似乎最有希望。
该领域有很多初创公司，其中包括Cloud Pharmaceuticals等其中的一些初创公司正在与制药巨头合作。
值得注意的是，随着上市的新型一流药物数量的减少以及对药物发现过程进行现代化改造的需求日益明显，对药物发现中的AI解决方案的投资持续增长。
在一项突破性的发展中，完全由AI设计的第一个药物分子计划于2020年1月进入人体试验。该化合物用于治疗OCD，由牛津的初创公司Exscientia与日本制药公司Sumitomo合作开发。大日本制药。开发仅用了一年时间，并标志着AI在药物发现中日益重要的里程碑。
流行病预防
最近爆发的诸如冠状病毒，埃博拉病毒和寨卡病毒等传染病表明，流行病迅速蔓延，给公共卫生基础设施带来了沉重负担。尽管世界比以往任何时候都更加相互联系，但我们仍然没有足够的准备去发现和应对流行病。
人工智能可用于预测传染病的传播，并阻止其演变成流行病。通过整理和分析庞大而分散的数据库（例如天气，风速，航班数据或以前的疫情），它可以识别疫情高发地区，优化资源分配并支持疾病预防策略。
例如，AIME创建了一种能够在疾病暴发发生30天之前以至少80％的准确性预测疾病暴发的工具。它被世界各地的卫生专业人员用来应对多种蚊媒疾病，例如登革热和基孔肯雅热。
简化管理任务
AI在医疗保健领域的应用绝不限于临床护理。
鉴于所有医疗保健成本中的30％与管理任务相关联，该技术可以通过使其中一些自动化来节省大量资金。而且由于全球卫生服务长期资金不足，因此对这些非临床但必不可少的解决方案的需求必将仍然很高。
人工智能可以成功地应用于管理过程中，例如维护病历，抄写笔记，签发重复处方以及进行约会。通过提供使平凡的，劳动密集型任务自动化的工具，而这些繁琐的工作与繁琐的工作比提供医疗服务更为重要，该技术使医护人员能够专注于满足患者需求的更为紧急的工作。
例如，巴尔的摩的约翰霍普金斯医院（Johns Hopkins Hospital）引入了人工智能驱动的分配系统，因此能够将为患者分配病床的过程加快30％。该解决方案结合了床位可用性和患者临床数据，可以帮助医院预见床位需求，避免出现瓶颈。结果，减少了病人的等待时间，同时提高了安全水平和收益。
病人风险识别
人工智能可以通过分析大量历史医学数据来帮助临床医生实时识别高危患者并预防可避免的疾病。
智能可穿戴设备（例如Apple Watch）可以监视佩戴者的心律，并在发现任何异常时提醒他们。这个小工具的工作方式类似于ECG机器，并且足够精确，可以发现心脏病发作或中风的早期迹象，已经被认为挽救了无数生命。
人工智能也可以非临床方式使用，以降低患者风险。例如，伦敦一家领先的医院开发了一个系统，该系统可以根据以前的记录预测哪些患者最有可能错过约会。该算法不仅可以帮助临床医生提供更好的护理，还可以节省宝贵的资源并减少等待时间。
金融学中的机器学习
尽管自然而保守的金融部门并未引领人工智能的采用，但它正在逐步向该技术开放。
它们在数据分析，优化和模式检测方面的巨大潜力意味着，支持ML的解决方案正在迅速取代过时的，手动的和耗时的实践，而这些实践直到最近才成为行业标准。
金融机构已经应用了人工智能，不仅可以保护其数据免受（越来越多的AI驱动）攻击，而且还可以提供更好的客户服务并简化其流程。
随着金融科技逐渐升温，预计该行业的AI市场将从2019年的72.7亿美元增长到2025年的354亿美元以上。
欺诈识别
尽管欺诈相对罕见，但对于没有适当保护措施的组织而言，这通常意味着巨额损失。据专家称，在线信用卡欺诈在2020年将达到320亿美元。
随着包括国家资助的攻击者在内的欺诈者越来越多地转向机器学习和其他自动化技术，基于规则和预测模型的传统方法不再能够为新兴威胁提供足够的保护。为了跟上日益复杂的攻击，金融机构使用的防御系统必须在其武器库中包括人工智能。
基于ML的解决方案可以应用于打击所有类型的欺诈，包括未经授权的卡交易，保险索赔和贷款申请。机器学习支持的方法分析了客户的行为和购物习惯，以创建一种机制，该机制在检测到异常交易时会触发警报。
它们使机构能够快速，准确地检测并采取行动，以消除可能通过常规系统未注意到的复杂威胁。
信用评分
在金融科技领域，使用基于AI的工具评估信用度是该技术的最常见应用之一。传统的基于规则的方法通常会损害客户和贷方的利益，因为它们主要侧重于潜在借款人以前的支出历史。
人工智能可以通过考虑替代数据（例如在线行为模式或智能手机习惯）以及常规方法通常看不见的变量之间的关系，来更快，更准确地进行信用评分过程。
对于金融机构而言，使用AI可以意味着更低的评估成本，更全面的审查以及更少的违约风险。对于客户，特别是那些正规信用记录薄弱或不存在的客户，这些工具可以提供获取信用的机会。
在2019年末，富士通通过开发基于云的AI工具来筛选潜在借款人，从而抓住了日本缺乏信贷分析专家的机会。该平台利用机器学习来基于银行和商业交易生成信用评分。尽管它仍然需要人工干预，但它可以使信用评分过程中的许多重复性和劳动密集型要素自动化。
保险承保
与金融技术的其他某些领域（例如欺诈检测）相比，机器学习在保险承保中的应用尚未普及。但是，随着决策者越来越热衷于引入更多自动化功能以节省成本的想法，它可能会得到更广泛的应用。
埃森哲（Accenture）于2018年进行的一项研究发现，接受调查的保险公司中有75％计划在未来三年内使用AI在很大程度上或非常大范围内自动化任务。根据研究，有63％的高管认为智能技术将完全改变该行业。
例如，以色列金融科技公司Lemonade由于使用了机器学习技术，席卷了全球保险市场。请求覆盖和提出索赔的整个过程都是通过ML聊天机器人完成的，需要几分钟才能完成。
但是，机器学习不仅可以提高效率，而且还可以使保险公司进行更多的创新并发展新的业务领域。
在保险承保中应用该技术意味着可以对几乎任何类型的风险进行分析的更强大，更准确的预测模型。 通过能够快速收集和收集大量数据，AI模型可以探索几乎无限数量的因素，这些因素通常是人类经纪人看不见的。
预防洗钱
在过去十年中，有90％的欧洲银行因与洗钱有关的罪行而被罚款。最近发生的涉及ING或德意志银行的丑闻表明，无论规模多大，任何金融机构都无法幸免于风险。
尽管洗钱估计占 全球GDP的2％至5％，但打击洗钱的努力却非常低。人工智能有一个真正的机会，可以帮助金融机构取代效率低下和过时的做法，控制合规成本，并应对日益复杂的威胁。
例如，自然语言处理可以增强客户的尽职调查。无监督学习可以帮助人们区分常规银行交易和可疑活动。
凭借其整合大量数据的能力，人工智能还可以识别欺诈模式，减少误报的数量，从而推动效率的节省。
投资组合管理
大数据的兴起意味着基金经理在做出有关客户财富的决策时，可以获得比以往更多的信息。应用ML模型来分析数据会带来许多以前无法获得的机会，从而改善了投资流程。
在投资组合管理中应用AI的最大优势之一是能够进行详细的市场模拟。通过分析大量数据，算法可以一次利用数百种不同的低效率，预测投资者的行为并帮助为客户提供更具针对性的结果。
尽管AI一直在缓慢地进入该领域，但资产经理对技术的谨慎态度阻碍了AI的普及。
2017年，全球最大的养老金基金日本政府养老金投资基金（GPIF）签约索尼，研究如何应用人工智能来改善资产管理人资产组合的监控。
该基金的CIO指出，尽管AI技术可以带来很多好处，但它对金融业缓慢采用该技术感到沮丧，这是出于对它的挫败感。他指出，该基金“希望向业界表明，像GPIF这样无聊的机构可以从人工智能中受益。我们基本上是在向行业其他成员发送一个信息，告知他们也可以这样做。”
算法交易
算法交易，也称为自动交易，是指使用AI算法进行交易。
该算法由一组指令（例如时间，价格或数量）组成，可帮助其识别相关的交易机会。一旦发现这样的机会，该软件即刻以最优惠的价格下订单。
通过算法交易，无需人工监控价格变化并手动下订单。结果，它最小化了由于人为错误或错误判断而导致错误的可能性。它还对多个市场状况进行同步检查，并确定模式以帮助预测未来的表现。
尽管目前神经网络是算法交易中最流行的机器学习模型，但是自然语言处理和预测分析正逐渐变得越来越普遍。
通过分析社交媒体，RSS提要，新闻稿和报纸文章，使用自然语言处理来了解最新动态并评估市场情绪。它可以帮助交易者了解所有这些来源，提取有价值的信息并实时做出正确的交易决策。
网络安全中的机器学习
在网络安全中，人工智能有点像一把双刃剑。
它具有综合数据，学习和适应的基本能力，可以利用武器利用这些漏洞并发动高度复杂的攻击。它可以比人类更快地入侵系统并造成更大的破坏，但实际上却使攻击难以察觉。
但是，随着该技术逐渐成为网络攻击者工具包的一部分，它们可以利用对组织系统造成严重破坏的相同功能来提供防御性响应。实际上，要对抗对抗性AI的威胁，唯一的方法就是拥有更多甚至更智能的AI。
密码保护和认证
几年前，强大的密码是安全帐户的良好保证，但现在情况已不再如此。尽管生物识别认证被认为是文本密码的一种更安全的替代方法，但它不是很方便，也很容易遭到破坏。例如，研究人员能够使用AI生成的合成指纹来绕过它。
由于基于ML的算法现在可用于以前所未有的规模对受密码保护的安全系统进行破坏和破坏，因此，即使是卓越的AI解决方案，应对它们的唯一方法。而且，尽管现在还没有必要惊慌，因为威胁才刚刚开始出现，但是想要领先于潮流的公司将需要适应不断变化的安全形势。
人工智能可以通过检查密码的复杂性并在必要时建议替代方法，来保护您免受密码猜测攻击。它还可以通过多种方式增强生物识别，包括通过提供更精确的身份验证模型的面部和语音识别。
通过跟踪有关用户键入方式的信息，AI可以构建单独的按键动力学配置文件，以用作多因素身份验证的一部分。
网络威胁检测
阻止网络攻击的重要因素是及早发现它的能力。随着恶意活动的传播，它会造成越来越多的破坏。结果不仅是安全系统受到损害：企业的品牌形象也可能遭受巨大损失，特别是如果攻击涉及客户数据时。
然而，根据IBM的《 2019年数据泄露成本报告》，企业识别和遏制违规平均需要花费279天的时间。
响应速度慢的部分原因是每天产生大量的恶意软件。此外，其日益复杂的性质使常规系统进行威胁检测成为一项艰巨的任务。
为了应对威胁的大量增长并遏制任何恶意活动，AI可以通过比现有IT解决方案更准确地分析数据来发现异常。此功能的核心包括用户行为模型的应用。他们了解个人用户与IT系统交互的方式中最细微的变化，并尽早发现任何危险信号。
网络钓鱼检测和预防控制
根据Verizon的一项研究，网络钓鱼是最普遍的网络安全威胁。就像其他威胁一样，网络钓鱼策略也越来越多地涉及复杂的AI，这大大降低了使用常规方法检测和中和它们的能力。
虽然诸如加强用户教育，使用密码管理器和多因素身份验证之类的措施起着重要作用，但唯一可行的解决方案是抵御攻击，这需要机器学习。人工智能可以在整个平台上对通信模式进行分析，并检测通常表征攻击第一阶段的任何异常活动。
例如，网络钓鱼AI是一种在线工具，该工具使用ML方法（例如计算机视觉）来检测网络钓鱼站点的前兆，然后再将其用于攻击。它能够每天跟踪超过10,000个网络钓鱼站点，保护最终用户免受访问，并就计划的攻击向目标组织发出警报。
漏洞管理
根据一份报告，组织修补漏洞平均需要38天。但是，其中许多人仍然依靠传统的漏洞评估来确定易于利用的任何领域，例如过时的软件。评估常常没有考虑到更新的资产，例如移动或物联网设备。通常，他们还缺乏对风险进行优先级排序的能力，从而导致响应不足。
考虑到该过程非常耗时且容易失败，因此漏洞检测和管理将从引入基于AI的解决方案中受益匪浅。实际上，由于此任务可能需要逐行对代码进行细致而繁琐的筛选，因此似乎特别适合自动化。
一方面，可以使用ML主动检查系统，使其降至人类无法企及的水平，并提供对大量攻击媒介的预测风险分析。
另一方面，该技术可以例如在黑暗的网络上跟踪黑客的聊天室，并分析攻击模式，以帮助组织准备击退它们。重要的是，它还可以确定威胁的优先级，帮助企业降低运营成本。
例如，一家英国公司Darktrace开发了一种名为Enterprise Immune System的工具，该工具以模拟人体如何防御感染的方式应用AI。
与带有预定义威胁的传统方法不同，该创新工具使用无监督的机器学习来学习组织每个部门的“生活模式”，然后发现可能会不为人知的任何早期偏离迹象。
