随着人工智能迅速成为具有战略意义的事物，你就要寻找可以让你快速赢得业务的项目，并帮助你获得更广泛地应用机器学习的技能。

    机器学习正在迅速成为前瞻性组织的现实。但对于大多数企业而言，利用机器学习技术能力的最佳方法仍然是一个谜。不过，实验的结果越来越鼓舞人心。

    事实是，你的竞争对手可能已经在奠定基础。IDC预测，今年全球人工智能系统的收入几乎要翻一番，达到125亿美元，并保持同比增长，直到2020年达到460亿美元。其中一些支出将用于运行机器学习系统的硬件，但即使你没有预算和数据科学家从零开始构建系统，你仍然有大量的工具和服务，它们将让你以实际的方式使用机器学习来助力业务。

    下面来谈谈9个IT项目，它们几乎对任何在开展机器学习技术的组织都有用。

    1. 客户服务聊天机器人

    如果你有一个常见问题列表供客户查询，你可以将其转换成可以使用Microsoft QnA Maker回答支持问题的聊天工具。当然，这不一定是客户支持；你可以创建一个机器人来回答新员工关于人力资源福利或如何联系帮助台的问题。

    在你的常见问题解答中加进URL，或上传有问答的电子表格和文档，并用QnA Maker创建一些可以查看和训练的问答，然后调用API。如果你希望有一个更有趣的界面而不仅仅是文本回复，你可以使用.NET SDK和Microsoft Bot Framework来创建一个显示图片和丰富内容的机器人。

    如果你喜欢无服务器的方法，QnA Maker是Azure Bot服务的模板之一，因此你可以创建一个适用于电子邮件，GroupMe、Facebook Messenger、Kik、Skype、Slack、Microsoft Teams、电报、文本/短信和Twilio的方式。

    从长远来看，聊天机器人将演变成为Amazon Alexa和微软小娜(Microsoft Cortana)的智能代理。但是，代理商不仅仅是回答个别问题，而是通过客户的问题来创建一个“目标导向”的对话，从而帮助他们解决问题，这就是你需要的门票销售或诊断投影机无法连接的原因。微软刚刚向Dynamics 365添加了一个客户关怀解决方案，其中虚拟代理提出解决方案，如果它无法解决问题并学习下一次要做什么的话，它就会将客户移交给人员支持，连同会话详细信息及其提出的建议一并移交。惠普，梅西百货(Macy's)和微软自己的支持服务已经在使用此代理进行在线支持。

    2. 营销自动化和分析

    营销往往是第一个实验新技术的部门，这就是Adobe Marketing Cloud，Dynamics 365和Salesforce等营销服务开始为客户推荐相关产品，以显示个性化搜索结果，分类销售线索，当交易无人问津时警告您，在潜在的客户公司寻找替代联系人，甚至暗示用什么方式以及在什么时候与他们联系。毕竟，客户流失的预测模型可以帮助你进行预测和规划。

    如果你的营销团队还没有考虑这些工具，那么这是将机器学习直接应用到你的底线的好方法。如果他们正在考虑，请发现什么是有效的，并寻找可以从类似分析中受益的其它部门。AXA正在使用具有70个变量的TensorFlow深度机器学习模型来预测哪些客户可能会发生意外，而这些意外将使保险公司花费的成本超过10，000美元，因此机器学习可以优化保单价格。较旧的模型因不够准确而用处不大，但预测精度从40%提高到78%时，把现在客户作为目标时这个数字好的足以考虑尝试了。

    3. 欺诈检测

    发现欺诈和异常交易是一个经典的数据分析问题，但如果您大规模进行，机器学习有助于发现有问题的活动，如诈骗者多次支付触发限制，新商家表现出异常行为，貌似合法的连接到诈骗网络的客户。Fraud.net使用Amazon Machine Learning来训练多种机器学习模型，以发现一系列欺诈活动，而不是尝试创建一个单一的模型来评估每种可能的欺诈行为；不管哪一天，他们保护的商家可能面临着一百种不同的欺诈方案，每种欺诈方案都有数十种不同的变种。

    机器学习不仅仅是为了捕捉现有客户的欺诈行为——保险公司想要发现新的申请人，他们打算在出保单之前向一辆已经损坏过的车辆索赔。不要光想着阻止不好的交易。福特的信贷部门正在使用ZestFinance的机器学习工具来预测特定借款人偿还贷款的可能性，以便可以向信用评级较低的人士借贷。随着美国汽车销量普遍下滑(福特本身的下滑幅度较大)，找到他们原本可能会拒绝的买家对业务有很大的帮助。机器学习可以帮助你更快地从风险大的保险中识别出好的客户。

    4. ERP库存规划

    供应链自动化并不是新事物，但机器学习使其更加普遍。机器学习可以让你像客户研究网上购物，天气对购物习惯的影响以及其它内部和外部趋势，以通过预测需求来管理库存，它不仅仅是历史性的销售数据。亚马逊声称它可以准确地预测每天将销售的特定颜色和尺寸的衬衫数量。把目标对准收入增长达15-30%的信用机器学习预测模型。德国的线上零售商Otto用机器学习预测未来30天内的热销品，准确率达90%，将剩余库存量减少五分之一，每年减少的退货量超过200万件；自动化采购系统每月从第三方供应商订购20万件商品，选择预计会热销的颜色和款式。

    5. 物流路线规划

    旅行推销员问题是计算机科学经典：你的销售团队需要往返的所有地点之间最短的路线是什么？无论是销售人员到潜在客户那里，交付给客户还是选择吸引最多客户的业务位置，路线和旅行计划对你的业务都有很大的影响。你可以使用必应(Bing)和Google Maps API中的预测性交通服务来创建等时线地图，它不仅仅显示距离，还显示旅行时间，以便比较各种起点在15分钟内可让工程师抵达的客户的数量，或者找到一天中最好的交付时间(使用预览的必应地图卡车路线API可以获得比一般汽车大的商用和服务车辆的路线)。

    添加了资产跟踪和位置触发器，你就可以创建自己的物流解决方案。或者你可以通过报价来准确地反映成本，从而使运输更有利可图，而不是通过报削价抢生意失去利润空间或因报价过高而失去业务。商业通信巨头R.R. Donnelley通过结合天气、燃料成本和市场条件等变量的历史数据，使用R和Azure Machine Learning Studio来降低妨碍它在货运中夺标的保守估计，以制定更好的定价模式。为给定路线生成实时报价的自动化系统则更准确；该公司已经赢得了4%的投标，并预计其整车经纪业务的规模将翻四番。只要你有足够的数据来构建良好的模型，同样的预测分析对任何合同竞标都很有用。

    6. 物联网的预测性维护

    如果你等到机械发生故障才来解决问题，你就会面临停机和不愉快的客户；如果你过去频繁地将系统脱机以进行维护，那么你的成品率会减少。当蒂森克虏伯(ThyssenKrup)开始分析它所安装和维护的110万台电梯的维护记录时，发现维护时段可能会比以前要长一些。当公司使用微软的Azure IoT Suite远程监控传感器，预测故障并抢先维护设备时，它不仅通过在故障发生之前解决问题来提高客户的满意度。还通过在首次访问中解决更多的问题，并更准确地预测库存所需的备件，从而降低成本。在生产线上做同样的事情，你可以提高产量。根据埃森哲(Accenture)2016年关于工业物联网的报告，预测性维护可以将定期维修成本降低12%，降低维护成本30%，减少故障率达70%。

    7.安全领域的机器学习

    在复杂的安全世界中，机器学习不是一个高招，而是可以帮你发现在正常活动触发的日志和警报中可能会丢失的攻击。尽管如此，Windows Defender Advanced Threat Protection并不是防病毒软件，它是一种机器学习服务，它用于分析运行Windows 10企业版的网络上的个人电脑的行为，并告知你的安全团队攻击是否是恶意进程、社会工程或文档漏洞。你仍然需要挖掘日志并处理后果，但机器学习安全工具有助于去伪存真。

    8.使你的招聘不偏不倚

    时下对企业多样性的呼声越来越高，但你的招聘团队的职位发布方式实际上可能会阻止更广泛的申请者。试一下用Textio服务，它使用人工智能在职位发布和招聘电子邮件中标记公司术语、陈词滥调、俗气的刻板印象和其它的排他性短语，以帮助你获得更广泛多样的人员。SAP SuccessFactors也有一个类似的工具。

    9.用于生产安全的图像识别

    建筑工地和生产线充满了落在不当人选的危险的设备。有了相机和传感器，你就可以使用图像和面部识别来检测在什么时候设备以不安全的方式被使用，或者是被没有通过安全培训的人使用。日立与德国人工智能研究中心DFKI建设了深度学习系统，该系统使用了可穿戴设备和眼球跟踪眼镜。微软在其开发者大会(Build conference)上用Azure功能、微软认知服务(Microsoft Cognitive Services)和Azure Stack演示了类似的解决方案。要建设完整的工作场所安全解决方案可能颇具挑战，但你可以从智能手机应用程序开始，如Safety Compass，它与Intellect SEEC的机器学习风险分析师合作，让工人通过拍摄照片和填写细节来标记工作场所中的危险；当其他工人接近危险时就会发出警告。