机器学习的五个成功实践

IT领导者们分享了使用人工智能和机器学习来获得业务洞察的方法。

随着组织越来越多地利用技术来更好地预测客户的偏好并支持业务运营，人工智能和机器学习(ML)越来越受企业青睐。

IDC的数据指出，2019年的支出为375亿美元，到2023年，人工智能系统方面的支出将达到979亿美元，几乎增至三倍。凯捷(Capgemini)6月发布的研究指出，受调研的950个组织中有87%部署了人工智能试点项目或将有限的用例投入生产。

然而，冠状病毒(COVID-19)的爆发给人工智能带来了新的难题，因为自3月以来，许多依靠历史数据来打造算法的组织的模型出现了偏差。凯捷(Capgemini)的洞察和数据执行副总裁Jerry Kurtz表示，这种“数据漂移”现象使公司难以依靠现有的模型。例如，对试图预测喷气发动机维护间隔的公司而言，模型可能会发生重大变化，而喷气发动机的使用在最近几个月有所下降。对近几个月来销量下滑的零售商也是如此。

Kurtz向记者表示：“某些数据变化如此之快，快到连历史记录都不再是一个可靠的预测指标，这样的例子数不胜数。公司将不得不重新审视其算法，因为它们从不认为变量会发生变化。”

面对这样的挑战，正在实施人工智能和机器学习的首席信息官们开始讨论工作。

健康保险公司采用人工智能提升业务成果

健康保险公司安森(Anthem)的首席数字官Rajeev Ronanki表示，安森已经为各种任务实施了各种人工智能和机器学习解决方案，从预测患者的健康轨迹到缓和人们对其服务所引发的种种争议。

安森可以预测可能的治疗结果，其方法是分析由慢性病患者(例如糖尿病或心脏病)生成的多年医疗数据并将其与患有类似疾病的患者或“数字双胞胎”相互参照。

人工智能还可以帮安森监督索赔和其它服务的进度，以利用索赔裁决和其它服务来发现各种潜在的客户问题。如果安森发现严重的出入，其客户服务团队将与服务提供者或患者联系以解释缘由。Ronanki说，这种积极主动的外展服务很重要，因为这有助于避免冲突一触即发。为此，安森会分析从数百万次呼叫中收集到的历史数据。人工智能会生成各种分数，而这些分数用来表示客户将投诉升级的可能性。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!