德勤最近公布了一篇报告，为机器智能时代的企业应用与策略获取了建议。德勤指出人工智能的较慢演变早已让其不具备了无数种能力，数据作为关键业务资产的经常出现，从管理大规模和复杂性任务所需的基础能力，到更加成熟期、用来从数据库中挖出业务洞见的分析工具技术。继续执行一般来说必须人类来已完成的任务的人工智能技术，于是以沦为这些分析工作的最重要组成部分。

然而，人工智能只是理解计算出来领域引人注目的一系列发展中的一部分，更大的主题是机器智能（MI）。随着更加多的公司正在应用于机器力量，机器智能在各个领域的开支早已减少，预计在2019年将超过313亿美元左右。数据之大前所未有数字世界产生的数据每12个月量就不会缩减到，预计到2020年它将超过44均字节（zettabyte）。

随着来自物联网，暗物质分析和其他来源的新信号剧增，数据将快速增长得更慢。从商业角度来看，这种爆炸式快速增长将转化成为比以往任何时候都更加有潜在价值的数据源。除了用于传统分析技术揭露新的洞见的潜力之外，这些结构化数据以及大量待命在深度网络中的非结构化数据，对机器智能的变革至关重要。这些系统消耗的数据就越多，通过找到关系，模式和潜在似乎，它们就能显得“更聪明”。

要想要有效地管理快速增长的数据量，就必需用高级方法来掌控数据。从相连设备分解的信号到所有业务和功能系统历史交易数据背后的线路电平细节，处置数据资产沦为机器智能目标的关键组成部分。

随着数据量和分析复杂度的减少，能让个人用户可以采访数据的分布式网络早已更为强劲。如今，我们可以较慢地处置、搜寻和操控大量数据，这在几年前是不有可能的。微处理器的这种强劲性能使得先进设备系统，比如反对多核和并行处理的设计沦为有可能。

某种程度，它也使得我们需要设计出有先进设备数据存储技术，用来反对较慢检索和副本数据分析。从MapReduce、内存计算出来、机器学习技术如谷歌的张量处理单元的硬件构建中，我们可以看见技术正在发展，优化我们有效地处置指数级数据的能力。

除了纯粹性能和速度方面的提升，分布式网络的应用于范围也更加甚广。它们现在可以与云基础设施、云平台和云应用程序展开无缝接入，并需要消化和分析大大快速增长的云数据体量。它们也获取对来自网络的“边缘”功能，比如物联网、传感器和嵌入式智能设备的流数据展开分析与驱动所需的能力。

近年来，日益强劲的机器学习算法于是以朝着构建理解计算出来的完整目标——仿真人类思维过程的方向急剧前进。机器智能建构价值应用于机器智能将必须一种新的数据分析思维方式，它某种程度是一种创立静态报告的手段，也是一种利用更大、更加多样的数据语料库来自动继续执行任务和提高效率的方法。机器智能可以获取深度的、可操作者的可视性，不仅是针对已再次发生的事情，还有正在再次发生和将要再次发生的事情。

这可以协助企业领导人展开预先决策以协助工作者提升其工作展现出。例如在全球各地的呼叫中心，服务代表用于多功能的客户反对程序来展开产品答疑、订单处置、账单问题调查及其他客户服务。在很多这样的系统中，工作者一般必需在屏幕之间往返冲刺以采访所须要恢复特定查找的信息。

机器智能价值树根的下一个层次是理解代理，即使用理解技术来与人展开交互的系统。目前，这种技术更加多应用于消费者服务而非企业服务。它们号召语音命令来减少恒温器温度或关上电视频道。

然而也开始经常出现了一个新的应用领域，有一些商业任务和流程可获益于这种理解参予。它们也许能获取简单的信息，继续执行一些数字任务，比如病人入院或引荐产品和服务。它们可能会在客户服务方面获取更大的商业潜力，也即理解代理有可能通过处置账单或账户交互、应付技术支持方面的问题以及问员工人力资源涉及的问题来代替一些人类代理。

机器学习、RPA和其他理解工具了解发展特定领域的专业知识，例如产业、功能等方面，然后自动化涉及任务。例如，一家医疗保健初创公司正在应用于深度自学技术分析放射学图像，在测试中，该系统在辨别恶性肿瘤方面已超过人类放射线专家50%的准确度。权衡商业和伦理价值在网络安全的背景影响下，机器智能同时面对着机遇和风险。在机遇方面，利用机器人过程自动化的速度和效率来展开自动化风险管理的某些方面可以使得更为大力有效地辨识、环围和扫除潜在威胁沦为有可能。

利用机器智能来反对网络系统有可能有助拓展数据分析和处置，以无意的方式对这些工具辨识的风险采行自动化行动。机器智能在这一领域的功效可以通过预测风险和网络模型更进一步强化，将其数据挖掘网更进一步扩展到相当大程度上未研发的领域，如深度网络，并应付有可能遇上的非传统威胁。企业还可以利用机器智能来推展渠道活动、战略和产品设计。

但是机器智能的客户分析能力有一个潜在的缺点：这些完全相同的应用程序可能会导致网络漏洞。机器智能的推测有可能引进新的风险，尤其是当推测有缺陷时。通过创立相关性，机器智能还可以分解呈现出隐私问题的派生数据。

事实上，随着自动化充分发挥出有作为效率和成本节约的驱动力的全部创造力之后，许多人正在辩论更加普遍的伦理和道德问题。最后，风险辩论应当解决问题许多机器智能技术的“黑盒子”现实。虽然算法透明度在持续提高，但当转入这些未知领域，我们应当慎重地均衡商业价值的驱动力与未来几年内有可能大量来自声誉、安全性、金融和其他方面的潜在风险。

本文来源：开元94ky官网-www.goodcollegejobs.com