人工智能（AI，Artificial Intelligence）正日益受到企業(yè)的重視，這些企業(yè)分布在各行各業(yè)中，具有不同的企業(yè)規(guī)模，從資金充裕的初創(chuàng)公司到一些久負(fù)盛名的軟件企業(yè)。金融企業(yè)同樣也在構(gòu)建以AI為驅(qū)動的投資顧問【1】。此外，聊天機器人已能提供多種多樣的服務(wù)，從客戶服務(wù)【2】到銷售助理【3】。盡管AI得到了廣泛的關(guān)注，但是很多人并不清楚的是，事實上AI依賴于知識工程、信息架構(gòu)（IA，Information Architecture）和高質(zhì)量的數(shù)據(jù)源。一些企業(yè)回避了這些問題，宣稱它們的算法能操作非結(jié)構(gòu)化信息源，即能做到“理解”這些數(shù)據(jù)源、解釋用戶的查詢以及無需預(yù)定義架構(gòu)或用戶介入即可展示結(jié)果。雖然在某些場景下的確能達(dá)到這樣好的功效，但是對于大部分應(yīng)用而言，在神經(jīng)網(wǎng)絡(luò)、機器學(xué)習(xí)和自然語言處理器能發(fā)揮出它們的魔力之前，需要人工完成大量艱巨的工作。
在2015年的一次會議上，使用了深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)技術(shù)的DigitalGenius得到了媒體的關(guān)注【4】。DigitalGenius將輸入的問題分類為產(chǎn)品信息、賬戶信息、行為請求、比較問題、推薦問題等類別，然后做進(jìn)一步處理。這些分類操作就是IA的基礎(chǔ)元素。DigitalGenius首先構(gòu)建查詢的情景，然后將查詢傳遞給其它的模塊，例如產(chǎn)品信息系統(tǒng)、數(shù)據(jù)庫和API等。為了返回正確的信息，對每個系統(tǒng)和數(shù)據(jù)源需要很好地做IA。如果信息并未以任何方式結(jié)構(gòu)化或是管護(hù)（curation），就不會提供任何系統(tǒng)能返回的內(nèi)容。正因為使用了高質(zhì)量、結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行預(yù)測，DigitalGenius得以運用AI技術(shù)吸引客戶。
數(shù)字營銷：從場景中獲取正確的信息
企業(yè)需要不斷改進(jìn)與客戶打交道的數(shù)字化手段，這是一個永無休止的循環(huán)，措施包括：通過提供相關(guān)性更好的內(nèi)容改進(jìn)用戶的個性化體驗、優(yōu)化搜索的結(jié)果以返回用戶的確感興趣的內(nèi)容、改進(jìn)優(yōu)惠和促銷活動的有效性等。企業(yè)還可能想要努力增大以電子郵件形式交流的反饋率、提供更好的客戶自助服務(wù)、增加對用戶社區(qū)和其它社會媒體場所的參與度、通過其它各種在線機制普遍提高產(chǎn)品體驗等。在上述的各個用例中，營銷手段都是在最正確的時間上以及對客戶最具意義和價值的場景中，為客戶提供相關(guān)的數(shù)據(jù)或內(nèi)容，所使用的方式是促銷、優(yōu)惠、降價、下一步最佳行動、用于向上銷售和交叉銷售的產(chǎn)品、問題解答等。
這是通過解釋各種信號實現(xiàn)的。這些信號來自于客戶與企業(yè)的當(dāng)前和過往交互，其中包括：過往購買記錄、實時點擊流數(shù)據(jù)、與支持中心的交互、消費內(nèi)容、個人喜好、購買特性、人口統(tǒng)計數(shù)據(jù)、商業(yè)統(tǒng)計數(shù)據(jù)、社會媒體信息，以及其他一些營銷自動化和集成技術(shù)所捕獲的“數(shù)字化肢體語言”。例如，對于技術(shù)用戶和非技術(shù)用戶，一個查詢請求可能會分別返回不同的結(jié)果。查詢系統(tǒng)本質(zhì)上就是一個推薦系統(tǒng)，其中信號是搜索詞，推薦內(nèi)容就是結(jié)果集。對用戶了解得越深入，推薦就會越精煉。要對產(chǎn)品做推薦，先決條件是具有干凈的、結(jié)構(gòu)化良好的產(chǎn)品數(shù)據(jù)。
個性化、用戶信號和推薦
正確的推薦和真正個性化的用戶體驗，需要產(chǎn)品數(shù)據(jù)是適當(dāng)結(jié)構(gòu)化和組織的，需要內(nèi)容過程集成到產(chǎn)品的用戶引導(dǎo)（Onboarding）中，還需要做出產(chǎn)品、內(nèi)容和用戶意向信號之間的關(guān)聯(lián)。用戶的任務(wù)以及有助于用戶完成任務(wù)的內(nèi)容，這些知識是產(chǎn)品和內(nèi)容間關(guān)系的根基所在。任務(wù)可能會是評論、指南、產(chǎn)品的規(guī)格說明、參考資料、指導(dǎo)意見、圖表和圖像，或是其它有助于用戶做出購買決定的內(nèi)容。
有一類AI應(yīng)用允許更容易地與計算機交互，并允許計算機處理更多通常屬于人類認(rèn)知領(lǐng)域的問題。每個AI程序都是與信息相連接的，信息具有更好的結(jié)構(gòu)化，程序就更為有效。在信息的語料庫中，包含了AI程序試圖去處理和解釋的答案。為了檢索而對這些信息進(jìn)行結(jié)構(gòu)化，這一過程稱為知識工程。其中，信息的結(jié)構(gòu)稱為知識表示。
本體作為知識表示
在組成上，知識表示包括分類標(biāo)準(zhǔn)、受控詞匯表、主題詞表結(jié)構(gòu)以及在術(shù)語和概念之間的所有關(guān)系。這些元素共同組成了本體。本體代表了領(lǐng)域中的知識和信息架構(gòu)的結(jié)構(gòu)，以及在特定場景下訪問和檢索答案的機制。本體也可以捕獲真實世界邏輯關(guān)系中的“常識”知識，包括對象、過程、材料、動作和事件等。本體以這種方式構(gòu)成了計算機推理的基礎(chǔ)，即便問題的答案并未清晰地包含在語料庫中，也可以從本體的事實、術(shù)語和關(guān)系中推理出答案。事實上，這使得系統(tǒng)在用戶使用短語變體做請求時表現(xiàn)得更友好和寬容，并使得系統(tǒng)更勝任于在開發(fā)時尚未完整定義的用例。事實上，系統(tǒng)可以“推理”并做出邏輯演繹。
對用戶信號的正確解釋將使系統(tǒng)可以正確地表示用戶場景內(nèi)容，這不僅需要我們的客戶數(shù)據(jù)是干凈的、被適當(dāng)?shù)亟Y(jié)構(gòu)化了并集成于多個系統(tǒng)和過程中，而且需要系統(tǒng)能理解用戶間關(guān)系、用戶特定的任務(wù)、產(chǎn)品和所需的內(nèi)容，所有這些都是實時動態(tài)組裝的。構(gòu)建這些結(jié)果和關(guān)系，并在各種后端平臺和前端系統(tǒng)間協(xié)調(diào)架構(gòu)，所生成的企業(yè)本體就會允許個性化和全渠道體驗。有人可能會將其稱為一種企業(yè)IA，只是其中具有數(shù)據(jù)結(jié)構(gòu)之外的更多內(nèi)容?；仡櫼幌?，在本體的定義中包括真實世界中的邏輯和關(guān)系，本體可以包含過程、客戶需求和內(nèi)容關(guān)系的知識【5】。
為產(chǎn)品關(guān)系挖掘內(nèi)容
消費者和工業(yè)產(chǎn)品需要與內(nèi)容和用戶場景相關(guān)聯(lián)，還可以通過挖掘內(nèi)容為用戶場景推薦產(chǎn)品。如果在一個工業(yè)應(yīng)用中需要完成維護(hù)液壓系統(tǒng)，用戶可能會需要零件和工具。如果使用自適應(yīng)模式識別軟件去挖掘液壓系統(tǒng)的參考手冊并進(jìn)行維修，系統(tǒng)可以抽取一系列所需的工具以及相關(guān)內(nèi)容。如果搜索液壓修理，就會基于產(chǎn)品關(guān)系展示一個動態(tài)生成的產(chǎn)品頁面，并關(guān)聯(lián)到企業(yè)的產(chǎn)品。對于一些信息專家，這可能聽上去十分復(fù)雜，實現(xiàn)也比較繁瑣。但是，一些新興的方法能使這些愿望趨近實現(xiàn)。
AI都是高深莫測的
AI組成的概念隨技術(shù)的演進(jìn)而發(fā)生演化。我的一個同事曾經(jīng)這樣說：“事物的工作機制在被人理解之前，就是一種人工智能”。這確實是一個很有意思的觀點。我在
MIT的一門人工智能課程中，發(fā)現(xiàn)了支持這一觀點的材料：
AI的另一部分……在本質(zhì)上是關(guān)于應(yīng)用的。其中的一些應(yīng)用可能不會被稱為“智能”……。例如，編譯器通常會被認(rèn)為是一種AI，因為……語句是一種高級語言。但計算機如何能理解語句呢？讓計算機可以理解語句的工作……曾被認(rèn)為是一種AI，現(xiàn)在……我們理解了編譯器的工作原理，也具備了如何構(gòu)建編譯器的理論……那好，編譯器就不再是一種AI了?！魏问挛镆坏┻\作起來，被會被其它領(lǐng)域所借鑒。因此從定義上看，沒有任何AI的工作機制是為人所知的；換句話說，AI都是高深莫測的。
處理能力和性能的提升解決了那些看上去十分棘手的問題。就在前不久考慮到自動駕駛汽車所需要實時處理的數(shù)據(jù)流，它還被認(rèn)為在技術(shù)上是不可能實現(xiàn)的。語音識別也曾被認(rèn)為是不可靠的，因為它需要大量與口音相關(guān)的訓(xùn)練。移動電話曾是需要一車廂儀器的“汽車”電話（我在上世紀(jì)八十年代就有了第一部汽車電話，不僅耗費了上千美元，而且占據(jù)了我寬敞后備箱的大部分空間）。當(dāng)今，許多AI已被認(rèn)為是理所當(dāng)然的。我所使用的字處理軟件都曾被看成是一個先進(jìn)的AI應(yīng)用！
簡單就是隱藏復(fù)雜性
無疑AI是復(fù)雜的，但是這種復(fù)雜性對用戶而言是隱藏的，事實上，AI提供了一種簡單直觀的體驗。這并非是魔法，AI需要的是在多個不同的過程、部門和應(yīng)用間可重用的基礎(chǔ)結(jié)構(gòu)。這些結(jié)構(gòu)通常首先從筒倉和獨立工具中開發(fā)而來。一旦從機器智能架構(gòu)的整體框架上考慮問題，就能認(rèn)識到AI的真實能力。AI將改變商業(yè)版圖，但需要對產(chǎn)品和內(nèi)容架構(gòu)、用戶數(shù)據(jù)和分析方法進(jìn)行投資，并協(xié)調(diào)消費者互動（Customer Engagement）生態(tài)中的各種工具。采用了這些方法的企業(yè)將在競爭中受益匪淺。
干凈的數(shù)據(jù)是入場費
如何通過處理信息過載問題改進(jìn)消費者互動，這是企業(yè)所面對的挑戰(zhàn)性問題，有人建議AI用于解決這一挑戰(zhàn)。在可以借助于AI方法之前，企業(yè)需要掌控機器學(xué)習(xí)算法輸入所需的數(shù)據(jù)，這樣才能從結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)中依此處理這些多樣化的信號。AI算法需要的數(shù)據(jù)應(yīng)是干凈的、具有良好結(jié)構(gòu)化的并且是被管理的。
在很多情況下，比起金融和交易數(shù)據(jù)這樣良好組織的數(shù)據(jù)源，AI系統(tǒng)所分析的數(shù)據(jù)或語料庫通常是更缺乏結(jié)構(gòu)化的。學(xué)習(xí)算法可用于從模棱兩可的查詢中抽取意圖，并試圖理解非結(jié)構(gòu)化數(shù)據(jù)輸入。人們可能會使用不同的術(shù)語將他們的問題表述為短句，也可能會詢問一些過于寬泛的問題。通常人們并不十分清楚自己的目標(biāo)，他們不必知道自己在尋找什么。這就是為什么推銷人員通常熱衷于從對話中琢磨消費者的全部需求，而不是直接去詢問消費者需要什么（至少好的銷售人員是這樣做的。）
如果用戶知道自身的需求并能清楚地表達(dá)處理，或者是提供相對直觀的解答時，在上述過程中加入AI是最為有效的。對于處理問題提問方式的各種變化、解釋問題的意思，以及處理其他有助于進(jìn)一步將用戶意圖置于場景中研究的非結(jié)構(gòu)信號，AI算法能發(fā)揮其最大作用。AI系統(tǒng)由多種AI以及多類算法組成。即便使用AI系統(tǒng)從完全非結(jié)構(gòu)化的信息中發(fā)現(xiàn)結(jié)構(gòu)信息，依然需要具有數(shù)據(jù)層的結(jié)構(gòu)。
既然AI系統(tǒng)搜索的數(shù)據(jù)是非結(jié)構(gòu)化的，那么為什么我們還需要IA？非結(jié)構(gòu)化數(shù)據(jù)通常是頁面、文檔、評論、調(diào)查、社會媒體以及其他來源的文本。雖然數(shù)據(jù)是非結(jié)構(gòu)化的，但是依然存在關(guān)聯(lián)到數(shù)據(jù)源和內(nèi)容的參數(shù)。社會媒體信息需要各種參數(shù)去描述用戶、用戶發(fā)帖、關(guān)系、發(fā)帖的時間和位置、鏈接、hashtag等信息。這種情況下，信息架構(gòu)問題描述了輸入數(shù)據(jù)的結(jié)構(gòu)，以便系統(tǒng)可編程去尋找感興趣的模式。即便是在無監(jiān)督機器學(xué)習(xí)（一類應(yīng)用，從數(shù)據(jù)中獲得信號，并非人類預(yù)定義的）的場景下，編程人員依然需要一開始就用屬性和值對數(shù)據(jù)進(jìn)行描述。雖然所檢測到異常值和模式可能并沒有預(yù)定義的類別，但是輸入需要具有結(jié)構(gòu)。
在考慮構(gòu)成機器學(xué)習(xí)輸入的大數(shù)據(jù)源時，一個常見的謬誤是“無模式的”（不具有預(yù)定義的結(jié)構(gòu)）數(shù)據(jù)就不需要任何的結(jié)構(gòu)。當(dāng)應(yīng)用數(shù)據(jù)到機器學(xué)習(xí)和模式識別算法時，依然需要對數(shù)據(jù)做屬性定義、規(guī)范化和清洗【6】。當(dāng)企業(yè)著手引入機器學(xué)習(xí)和AI時，首要應(yīng)該開發(fā)的是表示所有知識的企業(yè)本體，這些知識是企業(yè)部署的AI系統(tǒng)處理、分析、借助和需要的。
一些企業(yè)也許會對這種方法的價值存有異議，堅稱算法可以處理任何拋向它們的東西。但是在我看來，這僅當(dāng)本體在工具中是自包含時才成立。即便如此，在廣泛采用的工具中所包含的內(nèi)容與企業(yè)的特定需求之間，也總是存在著鴻溝。即便是針對特定行業(yè)開發(fā)的工具，不同企業(yè)發(fā)現(xiàn)的過程也存在著差異，這些差異需要專有詞匯和情境知識關(guān)系。這是一個重要的任務(wù)，否則就會失去過程中的一個重要步驟。
很多所謂AI的方式其實是擴展了一些總所周知的方法，用于解決信息管理的問題，所有這些方法都需要以干凈的基礎(chǔ)數(shù)據(jù)和信息結(jié)構(gòu)為出發(fā)點。標(biāo)準(zhǔn)信息管理和現(xiàn)實AI之間的差距，就在于理解這些技術(shù)中的局限性，以及這些技術(shù)對解決企業(yè)挑戰(zhàn)的最佳適用之處。
下面，本文將介紹企業(yè)如何識別能夠從AI中受益的用例，如何識別能提供可靠并有意義的見解的數(shù)據(jù)源用于訓(xùn)練和引導(dǎo)AI，如何定義允許AI和認(rèn)知計算系統(tǒng)持續(xù)改進(jìn)的數(shù)據(jù)治理、管護(hù)和擴展過程。
識別用例
要從標(biāo)準(zhǔn)信息管理用例中區(qū)分出AI用例，需要考慮因素的包括組成被處理“信號”的數(shù)據(jù)源、用戶所面對的任務(wù)類型，以及將要成為解決方案組成部分的系統(tǒng)。這些問題解決方法的差異在于數(shù)據(jù)是如何管護(hù)和輸入的、如何組織要被推斷和應(yīng)用的原則、所需功能的復(fù)雜性以及現(xiàn)有已部署方案的局限性。在執(zhí)行層面、程序?qū)用嬷卫砗推髽I(yè)影響范圍上，AI方法需要做更大層次的投資和贊助，還將需要比典型的信息管理項目更長期的承諾。雖然一些情況下可以部署作用范圍有限的AI，但是在ERP規(guī)模上作為一類革命性的技術(shù)，在一些情況下完全地借助于AI應(yīng)是整體數(shù)字轉(zhuǎn)變策略的一部分，并具有適當(dāng)?shù)闹С?、資金和保證（一些ERP程序可以花費五千萬美元到一億美元，甚至更高）。雖然在這一承諾層級上沒有企業(yè)會使用一系列未驗證的技術(shù)，但是對于不斷涌現(xiàn)的AI技術(shù)，也要分配資金去實現(xiàn)這些AI技術(shù)的驗證方法。
AI轉(zhuǎn)化路線圖包括對投資回報和ROI的持續(xù)評估，在聚焦于短期成果的同時，追求長期的目標(biāo)。大部分企業(yè)正力圖使用有限的方法、部門級解決方案、獨立的工具和不充足的資金解決表一中列出的大多數(shù)企業(yè)所面對的問題。雖然使用有限的資源和筒倉方法可以取得一些進(jìn)展，但是這些解決方法只是像以往那樣擴展了業(yè)務(wù)。真正革命性應(yīng)用需要從企業(yè)角度以整體看待知識，實現(xiàn)新的治理、度量和數(shù)據(jù)質(zhì)量程序。知識用于生成決策，度量用于監(jiān)控這些決策的有效性，數(shù)據(jù)質(zhì)量用于為AI引擎提供動力。
表一中列出了AI技術(shù)的應(yīng)用實例。
表一 AI技術(shù)的應(yīng)用實例
應(yīng)用/問題
典型方法
工作原理
AI的作用
全渠道零售 整合各個僵化系統(tǒng) 內(nèi)容通常缺乏同步，系統(tǒng)間整合脆弱。 從渠道和設(shè)備中采收用戶意圖信號，智能整合不同類型的消費者互動技術(shù)
個性化和推薦引擎 根據(jù)人物角色和基于用例的內(nèi)容表現(xiàn)對用戶進(jìn)行分類 假設(shè)過于初級和簡單，用戶選擇有限，很少有期望的需求 集成多個數(shù)據(jù)源、本體和推理算法
動態(tài)內(nèi)容組裝 基于管護(hù)內(nèi)容的有限組裝 排列數(shù)量不能被追蹤、管理和理解。 在集成實時數(shù)據(jù)的同時，組裝適合用戶偏好的內(nèi)容，例如由嵌入在本體中的知識所支持的新聞和市場表現(xiàn)
現(xiàn)場服務(wù)，設(shè)備維護(hù) 查看維護(hù)計劃，分析現(xiàn)場報告 人們無法感知來自傳感器的信息量，以及來自性能下降的隱含信號 通過處理性能數(shù)據(jù)去預(yù)測或預(yù)防維護(hù)事件
客戶自助服務(wù) 知識庫和FAQ 對用戶場景、語言變體、內(nèi)容快速的改變以及需要大量的可能用例等問題考慮不周 允許使用多變量訪問智能代理知識庫，以提供具有度量驅(qū)動反饋機制的特定問題
呼叫中心支持 通過在職經(jīng)驗和知識庫訓(xùn)練的客戶代表 達(dá)到技術(shù)和特定知識所需的經(jīng)驗等級的成本過于高昂 允許智能代理訪問，使用自然語言接口去集成來自于多個知識庫和數(shù)據(jù)源的回答和內(nèi)容
產(chǎn)品和工具展示 手工構(gòu)建的登陸頁面 維護(hù)手工打造和組裝的登陸頁面會變成代價高和不可管理 基于維護(hù)任務(wù)和維修用例，通過知識識別和挖掘參考資料而采集產(chǎn)品關(guān)系
識別數(shù)據(jù)源
訓(xùn)練數(shù)據(jù)可以來自傳統(tǒng)的知識庫，數(shù)據(jù)管護(hù)得越好，訓(xùn)練效果就會越好。呼叫中心記錄和聊天日志可以挖掘出內(nèi)容和數(shù)據(jù)的關(guān)聯(lián)關(guān)系，還可以挖掘問題的答案。傳感器流數(shù)據(jù)可以關(guān)聯(lián)歷史維護(hù)記錄，搜索日志可以挖掘用例和用戶問題。處理客戶賬戶數(shù)據(jù)和購買記錄可以找出賣家間的相似性，預(yù)測對報價的回應(yīng)；為讓細(xì)分的買家浮現(xiàn)出來，可以使用報價中的文本內(nèi)容處理電子郵件回復(fù)的度量。產(chǎn)品目錄和數(shù)據(jù)表是屬性和屬性值的來源。公共參考可以用于過程、工具列表和產(chǎn)品聯(lián)合。YouTube視頻內(nèi)容音軌可以轉(zhuǎn)換為文本，從中挖掘產(chǎn)品的關(guān)聯(lián)。用戶網(wǎng)站的行為可以關(guān)聯(lián)到報價和動態(tài)內(nèi)容。還可以挖掘情感分析、用戶生成內(nèi)容、社會圖譜數(shù)據(jù)和其它外部數(shù)據(jù)源，重新組合生成知識和用戶意圖信號。數(shù)據(jù)源是否正確，取決于應(yīng)用、用例和目標(biāo)。
表二中給出了AI工具的實例，其中列舉了代表性應(yīng)用、局限性、使用者的考量和數(shù)據(jù)源的情況。雖然我們并未打算構(gòu)建一個完全的列表，因為我們認(rèn)識到一類工具會頻繁借用其它工具和應(yīng)用（例如，一個智能代理可以使用推理引擎，進(jìn)而可以借助學(xué)習(xí)算法），但是表二清楚地表達(dá)了我們對于探索各方法間對比的考慮。
表二 AI工具實例，其中列舉了代表性應(yīng)用、局限性、使用中的考量和數(shù)據(jù)源的情況
工具類別
最佳適用場景
工具的局限性
推理引擎 從非結(jié)構(gòu)化內(nèi)容生成產(chǎn)品和數(shù)據(jù)關(guān)系 在一些特定用例中，需要大量的工作去開發(fā)自適應(yīng)模式識別算法
智能代理 對可定義過程的高選取度搜索和信息檢索 可能用例的適用范圍，查詢和問題的變化性，術(shù)語與關(guān)系間的手工映射程度
自動分類器 可以應(yīng)用訓(xùn)練集和明晰的規(guī)則的大量高質(zhì)量內(nèi)容 規(guī)則基礎(chǔ)可變得非常復(fù)雜，需要大量的訓(xùn)練內(nèi)容，內(nèi)容的變化性
實體抽取器 數(shù)據(jù)的可預(yù)測格式（社會保險號碼、住址、姓名、電話號碼、銀行賬戶） 實體值的模糊性（例如，“華盛頓”一詞可以指華盛頓州、喬治-華盛頓，華盛頓特區(qū)等），數(shù)據(jù)在格式、質(zhì)量和內(nèi)容上的變化。
無監(jiān)督機器學(xué)習(xí) 模式檢測、識別和預(yù)測；異常檢測；奇異點；隱藏的屬性和關(guān)系；發(fā)現(xiàn)新模式，或?qū)⑹鼙姟?nèi)容或數(shù)據(jù)劃分為聚類或分組 依賴所創(chuàng)建的基礎(chǔ)假設(shè)去定義奇異點或模式（雖然不必是模式的細(xì)節(jié)）；算法類別的選取需要技術(shù)上的復(fù)雜性，從數(shù)據(jù)信號到內(nèi)容、圖形或事務(wù)等多個無監(jiān)督訓(xùn)練類上的反復(fù)測試
有監(jiān)督機器學(xué)習(xí) 基于訓(xùn)練數(shù)據(jù)的模式檢測，用于得到充分理解的模式；基于實例發(fā)現(xiàn)數(shù)據(jù)、內(nèi)容和關(guān)系；發(fā)現(xiàn)具有相似特性的類似文檔、購買模式和受眾；預(yù)測輸出。 需要去訓(xùn)練算法尋找目標(biāo)類型信息的訓(xùn)練數(shù)據(jù)集和實例數(shù)據(jù)；需要足夠的大量例子去測試各種假設(shè)和理解特定的輸出；存在未發(fā)現(xiàn)模式的風(fēng)險（即過擬合）
有監(jiān)督和無監(jiān)督學(xué)習(xí)的混合使用 找到隱含的模式（無監(jiān)督）；使用這些模式去訓(xùn)練一個算法，定位更多的數(shù)據(jù)或內(nèi)容實例。 在概念上類似于創(chuàng)建一個具有開放問題的調(diào)查，獲取調(diào)查的結(jié)果，并使用這些結(jié)果去形成封閉的調(diào)查。
定義數(shù)據(jù)治理、管護(hù)和擴展過程
AI和認(rèn)知計算的管理方式與其它的信息和技術(shù)治理相同。它們需要高級管理人員的贊助、特許建立、角色和職責(zé)、決策制定協(xié)議、升級過程、定義日程和鏈接到特定的業(yè)務(wù)目標(biāo)和過程。這些措施是數(shù)字轉(zhuǎn)化過程的一部分，鏈接到客戶生命周期和內(nèi)部價值鏈。因為目標(biāo)總是要影響到過程的輸出，所有AI和認(rèn)知計算程序都在多層面細(xì)節(jié)上密切契合了不斷發(fā)展的度量，從內(nèi)容及數(shù)據(jù)的質(zhì)量到過程的有效性及對業(yè)務(wù)需求的滿意度，并最終關(guān)聯(lián)到企業(yè)的競爭力和市場策略。要對各個計劃的階段注入資金，需要定義一些里程碑和階段，其中每個階段具有已明確定義的成功準(zhǔn)則和可測量輸出。
毫無疑問，AI將會繼續(xù)對我們個人和職業(yè)生活的方方面面產(chǎn)生影響，這些影響多以微妙的方式發(fā)生，例如，應(yīng)用可用性的改進(jìn)，更多信息可以發(fā)現(xiàn)等。要實現(xiàn)AI，這些影響不必都呈現(xiàn)出來。隨著時間的推移，AI驅(qū)動的智能虛擬助理將會更為順暢和適用，并將成為我們與技術(shù)交互的首選機制。人類創(chuàng)造了知識，機器處理、存儲并操作知識。AI已應(yīng)用了人類的知識。企業(yè)需要通過捕獲和管理知識，搭建這些知識的腳手架，并以此為基礎(chǔ)數(shù)據(jù)結(jié)構(gòu)去發(fā)展推動AI基礎(chǔ)。如果沒有這些組件，算法就會成為空中樓閣。
參考文獻(xiàn)
J. V?geli，“
UBS轉(zhuǎn)向使用人工智能為客戶提供建議”，Bloomberg，2014年12月7日；
C. Green，“
客戶服務(wù)的未來是否在于人工智能？”，《MyCustomer》，2015年12月3日；
E. Dwoskin，“
人工智能可以用于鞋類銷售？”，華爾街日報博客，2015年11月17日；
R. Miller，“
DigitalGenius通過短信服務(wù)在客戶服務(wù)中引入人工智能”，Tech Crunch，2015年5月5日；
S. Earley，“
來自Alexa的經(jīng)驗之談：人工智能和機器學(xué)習(xí)用例”，Earley Information Science博客，2016年3月24日；
J. Brownlee，“
如何為機器學(xué)習(xí)準(zhǔn)備數(shù)據(jù)”，Machine Learning Mastery，2013年12月25日；
