根據調研機構IDC公司最近發布的一份《全球人工智能支出指南》，預計全球人工智能預算將在未來四年翻一番，到2024年將達到1100億美元。

IDC公司人工智能計劃副總裁Ritu Jyoti指出：“越來越多的組織將采用人工智能，而且必須這樣做。人工智能是可以幫助組織進行業務敏捷轉型、創新和擴展的技術。”

數字業務咨詢機構AHEAD公司現場首席技術官Josh Perkins說：“去年發生的疫情證明了人工智能技術的強大力量，人們的問題從‘人工智能技術在我們公司中能做什么？'轉變為‘哪些領域還不適合人工智能？’”

Perkins表示，當使用智能工具和功能解決特定于行業的問題時，人工智能將提供巨大的價值。醫療、銀行、保險、零售和制造業的組織中正在出現創造性的應用程序。Perkins說：“這在很大程度上是因為組織希望更好地將數據資產實現貨幣化，并利用新的數據流來發掘見解。”

人工智能工具幫助應對數字化轉型挑戰的5個領域

當技術領導者將在現實世界中啟用人工智能的數字計劃時，了解最大價值所在將會提供幫助。某些主題在各個行業組織不斷出現。以下研究一下人工智能領域中功能最強大的一些用例：從機器學習(ML)和自然語言處理(NLP)到邊緣人工智能和AIOps。

(1)對話式人工智能：改善客戶服務體驗

將豐富的客戶行為數據、自然語言處理(NLP)和聊天機器人結合起來時會得到什么？通常無需人工干預即可改變客戶聯系和支持的潛力。

Perkins說：“對自然語言處理(NLP)的大幅改進使每天的客戶體驗變得更加豐富和活躍。這項技術正在促進機器人與客戶之間的對話的深度和自然流暢性。”

當這種方法能夠快速訪問后端系統時，增強了客戶自助服務，組織希望能夠更快地為客戶解決問題。Perkins預測，在未來幾年內，客戶將更難辨別他們是在與機器人交談，還是在與人工客服交談。

事實上，根據2020年全球各地組織的支出情況，部署自動化客服是最主要的人工智能用例。Perkins說：“目前有許多用例應用于零售和電子商務垂直領域，主要集中在客戶服務上。例如在醫療保健領域，會話人工智能被用來協助患者支持和預約安排。”

(2)邊緣人工智能：解決帶寬、延遲和隱私問題的方法

人工智能曾經只應用在數據中心領域。但是，隨著人工智能應用在網絡的邊緣，它開始為組織解決大量的分布式數據和分析問題。邊緣人工智能是在數據來源點嵌入智能功能，無論是物聯網終端、智能手機還是自動駕駛汽車。Red Hat公司首席技術戰略家G.Nadhan解釋說，“換句話說，邊緣計算使數據和計算最接近交互點。”

邊緣人工智能正在得到廣泛應用，其應用范圍從智能音箱到街頭的攝像頭。

邊緣處理器制造商Hailo公司首席執行官Orr Danon表示：“直到最近，邊緣的人工智能基本上還是理論上的。在2021年，我們可能會看到，由于技術的進步，邊緣人工智能的產品將出現增長，這些技術更容易獲得，價格也更低廉。邊緣人工智能對于管理不斷增長的數據量和減輕業務網絡日益增長的壓力至關重要。在邊緣處理數據而無需將數據傳輸到云端，使設備更強大、更通用、更靈敏、更安全，并有助于合規性。”

一些零售商也將在邊緣部署人工智能，以最快的速度和最小的延遲在本地處理本地視頻，這在某些情況下為非接觸式且無需收銀人員的購物打下了基礎。商店可以使用攝像頭和邊緣人工智能來檢測遠處的物體，并快速處理相關信息。這些數據有助于優化客戶等待時間、庫存貨架和店內體驗。

(3)機器和深度學習：網絡安全中的較量

不良行為者已經利用人工智能發動網絡釣魚攻擊和其他惡意的網絡攻擊，并利用智能自動化提高網絡攻擊的速度、數量和種類。調研機構Forrester公司預測，網絡罪犯采用Deepfake技術在2021年將使組織損失超過2.5億美元，他們利用人工智能創造令人信服的音頻和視頻，并在用戶的電子郵件泄露攻擊中欺騙用戶。

傳統的網絡緩解技術無法與這種復雜的方法相提并論。因此，人工智能在網絡安全和攻擊中的使用是Gartner公司在2020年預測的九大安全趨勢之一，并指出必須加強人工智能來增強網絡安全防御。

在網絡安全和威脅情報中有大量的人工智能網絡安全應用程序。最常見的用例包括面部和語音識別、垃圾郵件或網絡釣魚識別以及惡意軟件檢測。機器學習方法可用于檢測電子郵件中的異常，模式識別技術可識別需要保護的受監管個人數據，無監督機器學習可對網站進行分類并識別高風險網站，無監督機器學習可在網絡釣魚和垃圾郵件嘗試中發現近乎重復的網站。TrendMicro公司最近發表的一篇文章指出，端到端深度學習是檢測惡意軟件的解決方案。

(4)目標：緩解IT警報疲勞等問題

IT組織需要考慮Ops這個主題。IDC公司指出，IT自動化是2020年人工智能增長最快的用例之一(以及藥物研發和人力資源自動化)。正如DevOps研究所的首席研究總監Eveline Oehrlich在最近的一篇文章中指出的那樣，AIOps可以證明IT組織具有變革性，因為在IT組織中，運營環境所生成的數據太多了，使領導者的決策受到了影響。在混合云時代，這是不斷增長的IT功能隊列。機器學習可以解決大量經常冗余的警報，以更加實時或主動的方式幫助管理系統性能，并提供更大的端到端可見性，從而為IT團隊節省時間。

為此有充分的理由將人工智能行動列入2021年十大人工智能趨勢的名單。而孤立的監控系統無法跟上當今多樣化的環境。Gartner公司認為AIOps有五個主要用例：性能分析、異常檢測、事件關聯、分析，以及IT服務管理。

Perfecto by Perforce公司首席技術官兼產品經理Eran Kinsbruner在最近發表的一篇文章中寫道：“這些工具共同構建了一個全面的生產和運營洞察力分析層，可以在大數據和先進的現代軟件架構上運行。借助基于人工智能的操作功能，團隊可以專注于確定其應用程序的服務運行狀況，并獲得對其生產數據的控制和可視性。”

隨著供應商開始提供AIOps平臺解決方案，Forrester公司建議IT領導者尋求那些可以提供跨團隊協作功能、端到端數字體驗以及無縫集成到整個IT運營管理工具鏈中的解決方案。

(5)機器學習：可預測的資源優化

能夠預測突然變化(供應或需求、醫療保健成果、銷售或客戶行為)的價值越來越清晰。

在基本層面上，有監督的機器學習(特別是回歸)使組織能夠建立數學模型，根據一系列預測變量或輸入來預測未來的結果。Perkins說，“這種方法在各個行業的商業應用非常廣泛，其共同點是能夠事半功倍。無論是人力資源、清單資源還是謹慎流程，機器學習都使人們能夠觀察和定義模式以獲取以前無法獲得的見解。”

這種技術的用例包括庫存優化和重新訂購點，可以在特定的輪班或需求期間對員工進行適當的工作安排，甚至提高銷售預測的準確性。

編輯：jq