在商業智能(Business Intelligence；BI)領域，愈來愈多企業正在討論將機器學習應用于軟件。據富比士(Forbes)報導，IBM、NVIDIA、英特爾(Intel)、甲骨文(Oracle)、高通(Qualcomm)等公司都在談論其機器學習芯片，但仍缺乏具體商業案例。另一方面，在亞馬遜(Amazon) Alexa、蘋果(Apple) Siri、微軟(Microsoft) Cortana及Google Assistant等語音助理帶動下，語音辨識正迅速成為主流消費技術。

語音服務

TIRIAS Research高級分析師David Teich認為，未來2年，從語音助理獲得的機器學習加持，將迅速在CRM、SFA和純PBX辦公軟件等商業語音系統中獲得加強。

呼叫問答結構的基礎知識已存在這些方案中，而奠基于機器學習的語音服務將能在電話上呈現更自然的聲音，并更能理解與來電客戶互動的流程。因此，降低機械感且更加順暢的語音服務系統，會讓來電者與其互動時感到更舒適。

再者，由于「如果……請按1，如果……請按2」的無限循環會造成來電者的壓力，并拖慢解決問題的流程。語音服務系統若能了解來電者說了什么，并能更有效地分析回應，就能更快將來電者引導到最佳解決方案或合適人員，獲得進一步協助。

上述預測根據是云端企業系統的另一項優勢，因此這類語音應答不會依賴行動裝置。事實上，對企業來說提供云端服務更容易，能更快速地擴展或更換資料中心資源，而且毋須等待透過FPGA、GPU或其它專用硬件針對機器學習最佳化的下一代行動裝置問世。

Teich認為，由于現有基礎設施和機器學習語音技術套件的穩健性，上述技術將更快地融入客服基礎設施。2018年就可望在企業語音市場上看到良好、強大的初步導入。

提供決策支持仍待努力

機器學習正在成為BI和人工智能(AI)的混合體。原因在于許多統計分析工具很相似，無論它們是做為分析系統中的模塊或是深度學習引擎運行。

然而，深度學習系統需要大量特定資源才能在有用時間內提供夠準確的結果。基礎設施公司正在推出專注該市場的最新芯片和服務器，從硬體規格可看出這些硬件將有助于機器學習進一步發展。但要讓這些系統進入現場，甚至進入云端數據中心都需要時間，而且可能要耗費大量成本。

此外，企業還得了解其數據，而這點永遠會是挑戰。除了資源，還有建立深度學習應用程序的問題。目前，相關程序語言已發展到第三代，而需要對此領域有深入了解的人才能開發深度學習系統，因此要雇用合適人才的成本非常高。

Python、R和其它第三代程序語言雖在添加程序庫，但仍在發展早期。值此同時，容器化(containerization)正在慢慢成長，且會增加部署的靈活性，但離讓更多人將深度學習更快導入其系統的第四代語言還差一步。

也因此，目前僅少數世界級企業已推出語音、網絡風險管理和檢測詐欺的云端基礎架構。這些企業可承擔建設這些系統所需時間和費用，但機器學習生態系統需要更長時間來開發加速采用的必要工具。

Teich認為，深度學習的潛力顯而易見，但將其整合到更多應用中仍有不少障礙，因此在2018年也不會有太大成長。深度學習產業仍處于創建初始基礎架構和應用程序的階段，人們可創建原型和概念驗證。Teich預估，在接下來幾年內，這兩大方面都會取得成功，而工具的進步將有助于技術的進一步傳播。