|
1.引言 AI驱动的业务转换 我们正在见证一种新的公司类型，它们通过利用新兴技术并以如此强大的潜力加以应用来创造竞争优势，从而塑造了业务格局。这些组织追求扩大规模；他们注重客户体验；他们对合作伙伴关系持开放态度，能够通过API大规模部署他们的产品和服务；他们是云计算的大规模采用者，而且往往诞生于云计算中；他们拥抱设计思维，乐于回到最初的原则，找到业务问题的创新解决方案；他们坚持不懈地利用人工智能(AI)的力量来洞察和决策。 我们在本出版物中的重点是AI的力量及其在适当利用时可以改变业务的内在潜力。在研究科技巨头时，我们看到了对AI及其大规模应用的不懈关注。Google的搜索引擎及其广泛采用的谷歌地图都是由人工智能提供支持的，而苹果和腾讯则拥有强大的客户分析引擎，能够研究客户并推出个性化的产品和服务。亚马逊和阿里巴巴已经将人工智能的力量延伸到他们的供应链中，能够降低服务成本，同时与现有公司相比，递送包裹的时间大大减少。 我们就利用人工智能力量的起点提出了我们的观点-旅程应该是以用例为导向的，而不是以数据为导向的。我们注意到，许多老牌企业受困于数据质量问题，已经启动了一些数据清理项目，通常对数据清理无休止的性质感到沮丧，并且很少从这一繁琐的举措中获得任何价值。有运动但没有改变。用例主导的方法是由需要解决方案的业务问题驱动的，并且定义业务问题应该与技术和数据无关。选定的用例需要与业务目标和优先级紧密联系。一旦确定了用例，我们将提供一个框架来指导从信号表达、算法开发、数据收集到洞察力生成的整个过程。 我们深入研究了人工智能的衍生品-机器学习和深度学习，并解释了每种方法的优点和适用性。我们每天都在产生海量的数据，而机器学习拥有深刻的能力来理解那些原本是“毫无意义的数据”。 最后，我们探讨了采用AI的挑战–将数据存储在云中的挑战，算法错误、数据偏差导致可预测的有偏见的结果、包括数据隐私在内的监管以及人工智能人才匮乏等挑战。我们希望您发现我们的出版物有助于您利用人工智能的力量，并期待与您合作。
2.实现人工智能是个旅程 人工智能时代已经来临，对各个领域的企业都将产生深远的影响。 人工智能（AI）正在成为跨行业的游戏规则改变者。的确，对于C级高管来说，问题不再是AI是否适合其业务，而是他们如何才能重新定位其组织，使其成为以人工智能为中心的组织，并充分利用人工智能的转型价值。 对于许多组织而言，充分利用AI的潜力通常始于对一些用例的探索，这些用例可以提供快速但有价值的见解，从而为迈向以AI为中心的组织迈进。 这些组织正在构建嵌入有AI功能的解决方案，这些解决方案是实现业务流程自动化和增强客户体验的关键。未在业务和客户交互流程中加入AI的组织可能难以渗透新市场并吸引新客户。此外，这些组织可能无法快速创新并无法有效地管理成本。 为了从AI中获得价值，业务领导者应部署AI解决方案以实现战略目标，而不是使用AI来解决日常业务挑战。重要的是要了解如何利用AI来驱动战略目标和加速已知机会。 我们如何看待AI… 数字工作空间中的AI 使用先进的分析技术和算法培训计算机如何利用来自各种不同来源的不同格式的数据来加速、自动化和增强业务决策，从而推动增长和盈利，这种做法被称为人工智能(AI)。
被人工智能颠覆的行业。 人工智能的商业价值 人工智能及其相关技术 我们生活在“大数据”时代--一个有潜力收集个人难以处理的海量信息的时代。在这方面，人工智能的使用在几个行业使用算法取得了相当丰硕的成果。 我们可以将人工智能分为两个关键类别，即应用型和通用型。应用人工智能更具体、更常见--股票和股票交易工具等专门的流程就属于这一类。广义人工智能不那么具体，因为它们可以处理任何任务。 然而，它们没有应用人工智能那么常见。具有讽刺意味的是，正是这一类别导致了机器学习(ML)的发展，因为一些最新的发展都是在这一领域。机器学习的突破是成功的，因为可用于分析的数据增加了。 ML已经成为发现海量数据中隐藏价值的一种方式，随着组织不断积累海量数据，越来越多的数据没有得到处理。手动处理数据可能既费力又耗时；因此，许多组织最终只处理了他们的一小部分数据，从而在大量“未处理的数据”中留下了宝贵的见解可供浪费。这就是ML发挥作用的地方，因为它为组织提供了从大量数据中收集有价值的见解的机会，否则这些数据将一直处于未处理和被忽略的状态。 许多企业高管对ML很感兴趣，因为它能够提高自动化程度。然而，它的潜力超越了这一点。具体地说，ML算法处理极其复杂的数据的速度比任何传统方法都要快得多，也更准确。这一结果对那些处理大量复杂数据并寻求在与客户流失、欺诈、销售预测、呼叫分类等相关情况下识别特殊模式的公司特别有利。ML，人工智能的子集正在缓慢但不可避免地影响我们的日常生活。 ML有一种给客户互动带来更大一致性的方法 ML对模型有三种不同的分类： ·监督学习 ·无监督学习 ·强化学习 最大似然学习有一个子类别，即深度学习(Deep Learning，DL)。它利用ML工具和技术来解开与思想相关的问题。我们看到DL与谷歌在其语音和图像识别算法中的应用，以决定可能的下一步行动。人脑处理信息的模式影响了DL使用的算法。 DL涉及向计算机系统提供数据，并利用该数据做出关于其他数据的决定。随着系统变得实用，各种各样的机器学习算法被概念化，并发展成大脑启发的计算模型，称为神经网络。 解锁人工智能的价值 毕马威2019年企业人工智能采用研究反馈表明，未来两三年人工智能计划的高度优先领域包括： ·客户和市场洞察力，将完善个性化，推动销售和留住 ·后台和共享服务自动化，以消除重复的人工任务 ·财务和会计得到简化，以提高效率和合规性 ·针对特定功能用例分析非结构化语音和文本数据
人工智能是行业不可知的
重点应该是长远的 因此，长期的重点不是利用人工智能，而是迈出旅程的第一步，其中包括： ·没有“人类参与循环”，就不可能实现人工智能的承诺 ·人工智能从没有视角、没有观点、没有目的开始。它需要人类训练、测试和调整 ·人工智能必须得到培养，直到它成为一种值得信赖的核心能力 ·人工智能由数据推动，突出了数据对任何组织的价值我们认为，通过人工智能获得竞争优势需要的不仅仅是技术。 在整个企业中有效地部署人工智能需要将合适的人才与新的组织能力和流程相结合，这些能力和流程是由治理驱动的。事实上，人工智能与通过无形资产创造价值的整体转变密切相关，组织资本是一个关键特征。组织资本由四个核心要素组成：人力资本、价值和规范、知识和专长以及业务流程和实践。这些要素是为企业创造价值所必需的。 在部署人工智能时，公司应该更有远见，在整个企业中广泛嵌入数据驱动的技术-自动化、加速和增强关键业务流程，以帮助实现规模转型和创造价值。愿景或战略应以创新思维为指导-以增强或新的业务战略和模式为长期目标。与传统和非传统竞争对手相比，组织必须迎接挑战，否则就会处于劣势。人工智能的成功需要精通所有关键的业务职能。这些关键业务职能包括： 1.数据专业知识 »在内部和外部识别和维护高质量的数据源 »确保对数据源的适当访问 »执行企业安全标准，控制对数据的访问，包括加密、监控、备份和恢复。 »集中数据管理流程。 »建立一套一致的AI、自动化和D&A工具 »利用云基础架构 »支持大数据的接收和分析 »有意在设计中构建计算资源的可扩展性以实现灵活性
3.业务流程 »利用人工智能、自动化和D&A来提高生产率并构建具有竞争力的价值链 »自动化包括重复流程在内的决策 »将分析视为制定运营决策的关键输入 »超越被动报告，实现准确的预测和洞察力。 »确保正确的能力来实施技术、利用数据和更改业务流程 »通过战略变更管理计划实施转型的组织模型 »定义标准化的绩效指标 »考虑工作变更对员工的影响 5.风险和声誉 »让所有利益相关者参与优先级排序和范围划分确保全面评估和遵守法规 »考虑范围对外部声誉和认知的影响 »嵌入网络合规性和保障措施。 我们意识到，这是一段实现人工智能的旅程
数据仍然是成功的人工智能战略的中心，因此，数据存储机制必须是最优的，并准备好支持人工智能计划。
数据驱动的能力改变了企业 为了实现数字化转型的愿望，跨多个行业的越来越多的企业正在对AI进行巨额投资，并已开始利用其功能。但是，利用人工智能可以做更多的事情。首先要采用一种新的战略思维方式，这种思维方式围绕人员，流程和结构的发展与围绕技术的发展一样。 当前，许多企业正在使用AI来驱动洞察力并使用数据分析来主动确定机会.2017年，腾讯（一家中国企业集团）推出了AI技术创新系统（AIMIS），该系统由AI驱动，AIMIS利用预测模型为企业提供洞察力根据来自成千上万名匿名患者数据的输入来诊断患者，以开发其AI诊断成分。由于目前在早期诊断中具有很高的准确率，因此中国的医院已迅速采用了该技术。必须培养人工智能，直到它成为可信任的核心功能。违反直觉，它不只是技术。确实，这是关于人类的机器学习，只有通过“循环中的人类”才能实现价值。
数据在推动智能…….. 组织会持续不断地获取和处理来自其客户，员工，合作伙伴和其他来源的数据。但是，领先的企业正在不懈地考虑可以利用这些数据来满足其需求并获得竞争优势的工具和技术。数据是通过使用分析变得有价值的原材料。使用大数据（尤其是来自互联平台的大数据）进行的分析正在改变业务。 近年来，采用纯粹以数据为中心的策略的公司已迅速扰乱了交通，娱乐，旅游和金融服务行业。但这并不意味着旧业务无法赶上以数据为中心的领导者。许多这样的企业开始意识到互联的数据民主化，因为他们意识到大量的非结构化数据（来自多种来源，例如电子邮件，文档，图像，视频，博客，社交媒体等）。为了保持竞争力，生产和收集的产品需要新的思维方式。选择正确的技术并拥有正确的业务理解对于从数据中获得洞察力至关重要 数据是21世纪的石油，分析是内燃机
人工智能正在重塑企业的运营、竞争和繁荣方式。人工智能最明显的应用之一是聊天机器人和智能助手，它们通过语音或文本渠道与人互动。人工智能已经成为在当今市场竞争的关键-预测内部和外部客户的需求，并发现如何为他们提供更有价值和个性化的体验。利用人工智能超越技术的价值，其力量必须建立在可信的数据和分析(流程和结构)以及根深蒂固的领域知识(人员)的基础上。这可以通过以下任一方式实现：
建立对人工智能支持的分析的信任 例如，如果某一法律立场以前被认为是适当的，但由于某一特定案件而不再被接受，那么该数据点必须从人工智能的“记忆”中排除。在某种程度上，人们可以在设计解决方案时考虑到这种灵活性，但这只适用于当时人们认为是一个变量的方面。 此外，为了确保组织对馈送AI系统的学习和决策过程的数据质量感到满意，必须对用于馈送AI系统的数据的选择有一定程度的严格要求。为了成功部署人工智能，组织和企业需要能够信任它做出正确的决策。我们认为，获得对人工智能解决方案的信任的三种方法如下： ·与其他来源比较结果 ·理解和验证人工智能模型 ·在受控环境中开发人工智能解决方案。
人工智能的应用正在加速……..但是存在一系列独特的挑战 商界领袖需要为新的人工智能``机器时代''和不断提高的自动化水平武装员工。下图代表了毕马威，IDC和IBM从调查结果中获得的信息。
金融服务中人工智能的采用–全球展望 自动化和分析正在推动AI在金融服务中的采用。但是，企业需要克服挑战，包括技能可用性方面的差距，缺乏法规，安全隐患和高成本。银行业务与大数据齐头并进。这就是为什么机器学习就像金融服务中许多领域的手套一样适合，尤其是信用风险建模的原因。ML的高级算法可以筛选大量的结构化和非结构化数据，以提供洞察力，从而使您能够更好地进行信用风险决策，改善数据监控，提供有关潜在问题的警报，检测欺诈以及通过预测分析进行更好的预测。这样的信息为银行提供了积极主动的信用风险管理情报，以及许多其他领域。 许多金融科技公司早早抓住了这个机会，没有浪费任何时间拥抱机器学习来入侵像借贷这样的传统银行业领域。TransUnion的一项研究表明，金融科技贷方在个人贷款领域的市场渗透率急剧上升。2017年，金融科技占个人贷款总余额的32％，而2012年仅为4％。我们认为，信用风险建模是机器学习采用的成熟领域，因此，这是银行应首先关注其技术支持工作的领域。精确的信用风险建模取决于对来自各种来源的大量数据的复杂分析。在机器学习算法上使用传统的建模技术可能无法获得预期的收益，因为传统的模型繁琐，耗时且经常容易出错。 银行中的机器学习当然不是新生事物。但是，数据处理能力的速度，容量，可负担性和强大功能方面的惊人进步正在开辟令人兴奋的新用例，包括改善银行评估信用度，做出贷款决定和定价贷款合同的方式。 人工智能在金融服务中的应用
银行可以设定AI的采用速度 从战略到客户体验，银行致力于在其整个运营过程中采用AI和数据驱动的方法。因此，银行一直是数据分析技术的热心采用者。但是我们的研究表明，银行高管对于从人工智能和大数据分析中获取可行见解所需的时间感到沮丧。当他们获得结果时，他们对结果并不充满信心。但是，并非所有问题都需要大规模的数据分析项目。通过使用较小的数据集和敏捷方法，银行可以在继续开发高级数据分析功能的同时及时获得所需的答案，以采取行动。根据银行高管调查以及与各行业客户的研究和合作，我们看到了导致数据分析失败的常见原因。为了构建AI模型和强大的数据分析运营，公司创建了成本高昂且过于复杂的系统，可以在其中购买，复制或简单地构建更简单的模型。事实是，复杂的问题并不总是需要复杂的技术解决方案。根据我们的经验，敏捷和小巧的公司可以更快地获得可行的见解。与其构建大规模的通用数据分析功能，不如从单个战略问题开始并扩展解决方案。 投资数据组织在改进AI算法或模型时使用较小的数据集。通过使用较小的数据部署较小的团队，使用加速的敏捷方法来探索和检验多个假设。银行可以产生巨大的势头，将洞察力带入生产中，并比以往任何时候都更快地推动业务向前发展。快速数据分析产生的增量利润可以推动强大的投资飞轮，并有可能在每个周期产生附加价值。从内部和外部源收集和存储与企业要解决的特定用例相关的数据也是很方便的。数据是从新兴技术（如AI）获得价值的基本基础。我们的经验表明，大多数金融机构将需要继续进行大量投资，以确保其数据可靠，可访问和安全。这不仅仅是将正确的数据输入机器。它还涉及通过验证组织使用的数据的质量和完整性来帮助减轻运营风险和潜在的偏差。 如何敏捷敏捷方法快速灵活，因为它可以将问题分解成小块，使用迭代的“测试和学习”过程来微调假设，并在一定程度上保持速度的准确性。这可能分为几个冲刺-一个用于收集和清理数据，另一个用于标识关键变量，第三个用于数据建模，第四个用于运行分析。使用敏捷方法，数据分析团队将在第一轮分析中开发和测试假设，然后查看结果，调整假设并重试。通过测试和学习过程，团队优化了模型并尝试了不同的变量，直到获得满意的结果。相比之下，没有假设就开始的分析工作无可检验，更不用说完善。他们可能没有重点，也不太可能产生有意义的见解。这可以帮助银行和其他组织对客户需求的变化做出快速反应，更重要的是，可以在偏好明显变化之前及时发现偏好的变化。通过快速发展一些准确性不高但方向性准确的见解，银行可以抓住机遇，并通过新的举措实现更快的营收速度。
为什么对分析的信任步履蹒跚 毕马威会计师事务所（KPMG）最近对来自全球，国家和地区机构的美国银行业高管进行的一项调查显示，受访者不太可能相信先进的分析技术，例如人工智能（AI）和机器学习。受访者暗中信任的唯一方法是Excel电子表格和传统的统计技术，例如相关性和回归。毫不奇怪，他们使用这些受信任的工具的可能性要大得多，并且使用最深奥的方法（例如认知计算）的可能性也最小。百分之六十五的人说，他们盯着图表和图表来辨别模式和趋势。技术本身很少出现故障。有效地使用诸如机器学习和AI之类的更新技术需要教育和熟悉。为了赢得对新方法的信任并设定合理的期望，高管和其他决策者首先需要学习有关该技术如何工作的知识。这是成功的高级分析功能需要的组织支持的基础。 展望未来 虽然关于AI的未来发展及其相关风险仍然存在很多未知数，但我们可以肯定地知道一些事情：金融服务公司将继续在整个组织中开发和部署AI;新的风险和合规性问题将继续出现；风险管理和业务职能将面临确保正确管理AI和相关风险的持续压力。现实是，鉴于市场变化的迅速步伐，金融机构将需要能够做出更快的决策，使组织能够快速从构思转变为收入。这意味着他们将需要大大改善用于评估，选择，投资和部署新兴技术的流程。那些做得对的人可以期待差异化竞争，市场增长和品牌价值增加。那些拖延或走错路的人可能会发现自己落后了。
金融服务中的AI用例 银行等金融机构利用AI算法来检测可疑活动，包括欺诈，信用决策，风险管理，交易。个性化银行业务和流程自动化。一些用例扩展到机器人过程自动化。RPA的应用范围从简化开户流程到改善争议解决流程，从而避免了收入损失。使用复杂数学算法并迅速替代传统财务顾问以提供数字财务建议的机器人顾问也变得司空见惯。Quants还利用简单或复杂的模型来识别和最大化潜在的交易机会。更重要的是，DL，ML和其他AI工具还使机构能够更深入地了解其客户和各自的情况。这是通过应用预测分析工具完成的，该工具可以衡量客户何时需要信贷服务或正在考虑更换金融服务提供商。 随着数据内容可用性的提高和分析能力的不断发展，银行可以基于实时上下文事件收集强大的见解并适应客户行为
跟着钱走
亚马逊的AI普及程度如何？ 从一开始就在那里 在亚马逊使用人工智能并不是最近才发生的事情。图书推荐系统是现任消费者服务首席执行官杰夫·威尔克（Jeff Wilke）所倡导的举措之一，旨在提高企业的运营效率3。但是，这项举措是在亚马逊最初被称为在线书店的时候进行的。随着亚马逊业务范围的扩大和多样化，其对人工智能的利用也不断加深，越来越普及。除了将推荐的技术应用于其他产品之外，该公司还将AI技术应用于其各种业务中的其他几个关键流程。亚马逊不仅将人工智能用于其运营；它还为客户提供基于云的AI平台，被认为是基于云的AI服务最杰出的提供商之一。亚马逊平台的著名用户包括NASA，英特尔，丰田和Capital One等。 亚马逊如何通过AI提高运营效率 亚马逊在线购物业务的重要组成部分是其履行中心，该中心是存储其客户购买的商品并最终从中发货的仓库。亚马逊利用AI改善了其配送中心的库存管理流程。具体来说，亚马逊将计算机视觉技术与AI结合使用，以跟踪和记录仓库中各种物品的位置。亚马逊还利用类似的方法来运营其无收银员的杂货店连锁店。 黑暗的转折 在科技巨头中使用AI并非没有争议。人们发现，在使用了基于AI的简历评估系统来筛选一些申请人的申请之后，在接受了十年的招聘数据培训之后，由于AI系统产生了偏差，许多妇女的申请最终被拒绝了。过去十年中招聘趋势对男性求职者有利。
4.运用人工智能
如何部署AI？ 实施AI战略的方法之一是将AI模型整合到业务应用程序中，以推动智能行动。在将这些模型投入运营之前，它们没有切实的商业利益。确定AI可以使您的业务受益的领域后，一个AI项目就会启动。这些可以通过彻底检查组织内的所有流程来确定巨大机会和战略意图的领域来完成。这些包括业务用例，例如要改进的过程或需要解决的业务问题。每个解决方案都有一个独特的价值主张，旨在解决特定的业务问题。但是，为了从AI中获得最大价值，组织必须不断地从公共和私人来源收集各种信号，以应对他们要解决的业务挑战。然后，这些信号将用于推动决策，触发警报并生成建议。信号不仅是数据-信号是驱动我们寻求实现的结果或洞察力的业务参数。这些信号可以分布在多个层次上，例如市场信号，产品信号，客户信号等。但是，最大的挑战是找到可以驱动最佳业务决策的正确信号。
发现对您的业务至关重要的信号 数据的范围正在以指数级的速度增长，而认知和预测系统则渴望更多。最大的挑战是找到驱动最佳业务决策的信号。通过利用最新的决策科学，您可以构建信号存储库来不断收集来自公共和私人来源的各种信号，这将帮助组织获得决策方面的优势。通过创建外源和内源的``大数据结构'' 数据，组织可以找到正确的信号以使他们的AI和机器学习技术在预测和业务执行结果方面达到前所未有的准确性。
聆听所有信号… 为了优化任何业务活动，您需要了解所有可用数据-从您自己的内部和客户数据到竞争对手和市场数据。毕马威（KPMG）与组织合作，从不断增长的数据中识别并收集正确的信号，其中包括： 结构化数据 ·政府统计数据/数据 ·财务数据/业绩 ·地点 ·竞争对手价格 ·社会经济 ·天气 ·定价和战略 ·客户盈利能力 ·促销/优惠 ·网站 ·产品或服务目录非结构化数据 ·推文和社会评论 ·法规 ·新闻和媒体 ·竞争对手信息 ·商业计划 ·市场研究 ·技术建议 ·内部评论 ·对话元数据 倾听所有信号……帮助将数据转化为价值 结合从源头收集的信号可以帮助组织丰富其信号存储库，以建立联系和关联，使决策者能够理解和评估高度预测性的变量。使用高度集成和数据驱动的方法，关键信号的变化及其影响可以 然后进行监控，以确保获得最新，最准确的见解。
本文机器翻译由百分点智能翻译提供 官网地址：http://translate./ 公司官网：https://www./ 商务和技术咨询欢迎联系400-6240-800 或 fanyi@ 原文PDF和机器翻译文档已上传小编知识星球
|
|
|
