機器學習不僅能用於下圍棋 也在幫助企業運營

2016年03月21日 16:33 新浪科技

　　導語：美國科技博客TechCrunch周日刊登CrowdFlower CEO盧卡斯·比瓦爾德(Lucas Biewald)的文章稱，機器學習技術正成為熱門話題，這不僅被用於人工智慧助手和無人駕駛汽車等全新的領域，也被用在內容過濾、搜索引擎和數據挖掘等日常運營事務中，改變了企業運營流程。

　　以下為文章全文：

　　機器學習正成為熱門話題，但與此同時也在遭遇質疑。僅僅過去一周，我就有20次聽到這樣的說法：「機器學習就像是年輕人初嘗禁果。所有人都在談論，但實際上沒人真的去做。」

　　目前我正在經營一家公司，在現實環境中開展機器學習項目。在我看來，機器學習已經對企業的經營方式產生了重大影響。

　　機器學習的應用場景並不僅僅是Siri和亞馬遜Echo等具有未來主義色彩的產品，而從事機器學習開發的公司也並不只有微軟和谷歌這樣的科技巨頭。幾乎所有「財富500強」公司都在利用機器學習技術去提高效率，賺更多錢。

　　以下是機器學習技術的幾種應用，這讓我們的日常生活變得更好。

　　1.讓用戶製作內容(UGC)更有價值

　　用戶製作內容的平均水平不高，甚至比你想象中還要更差。這些內容中可能會有拼寫錯誤或是不準確的信息。機器學習技術能幫你過濾出最優秀和最糟糕的用戶製作內容。而不必任何人工介入。

　　垃圾郵件過濾的情況也是如此。垃圾郵件一度非常猖獗，而機器學習技術協助識別了這些垃圾郵件，並進行過濾。目前，用戶收件箱中的垃圾郵件正越來越少。未來，用戶製作內容的狀況也將有類似的好轉。

　　Pinterest利用機器學習技術向用戶展示最有趣的內容；Yelp利用這一技術去篩選用戶上傳的照片；NextDoor則利用這一技術去過濾用戶的消息板；而Disqus則利用該技術去篩除垃圾評論。

　　2.更迅速地查找產品

　　作為一家搜索技術公司，谷歌一直走在機器學習的前沿。實際上，谷歌近期正在讓人工智慧專家去負責搜索業務。對龐大的資料庫進行編目，並根據關鍵詞查詢匹配信息，這項技術早在70年代就已出現。谷歌的優勢在於，該公司能夠知道什麼樣的結果對用戶的相關性最高，而具體實現方式就是通過機器學習。

　　需要智能搜索結果的並不僅僅是谷歌。家得寶希望知道什麼樣的浴缸符合用戶家中浴室的布局；蘋果希望在App Store中展示最具相關性的應用；而Intuit需要在用戶填寫不同報稅表格時彈出適當的幫助頁面。

　　成功的電商創業公司，包括Lyst和Trunk Archive，都在利用機器學習技術，向用戶展示高質量內容。另一些創業公司，例如Rich Relevance和Edgecase，也利用機器學習策略，給電商用戶帶來便利。

　　3.與用戶互動

　　近幾年，你可能發現許多網站的「聯繫我們」表格變得更簡單。這也是由於，機器學習技術簡化了商業流程。用戶不再需要自行選擇表格並填寫，機器學習技術可以了解其中的內容，並將其轉發至合適的目標。

　　這看起來不算大事，但問題的標記和轉發對大企業來說是一筆不小的成本。將銷售過程中的問題及時轉發至銷售團隊，將客戶投訴及時轉發至客服團隊，這將幫助企業節約大量時間和資金，並確保問題有著適當的優先順序，儘快得到解決。

　　4.理解用戶行為

　　機器學習在情緒分析方面也有著強大的能力。對非營銷專業人士來說，公眾意見往往顯得模稜兩可，但這卻是許多重大決策的依據。

　　例如，一家電影製片商為今年夏季的大片投放了一段預告片。他們可以看看社交媒體上的討論情況，以了解什麼能夠引起潛在觀眾的共鳴，並對廣告進行及時的調整，最終將用戶吸引到影院中。

　　又如，遊戲開發商近期展示了一款新遊戲，但缺少玩家期望的某種遊戲模式。當玩家在社交媒體上抱怨時，這家遊戲開發商將可以追蹤到這樣的情緒並理解玩家的反饋。最終，遊戲開發商可以調整遊戲發布時間表，加入這項功能，將用戶的抱怨轉化為賣點。

　　那麼，要如何從數百萬Twitter消息中找到有用的信號？答案是機器學習技術。過去幾年，通過機器學習技術去挖掘社交媒體的信息已成為標準運營流程的一部分。

　　下一步是什麼？

　　與機器學習演演算法打交道很微妙。普通演演算法具有可預測性，我們可以深入了解演演算法的工作方式。但從某些方面來說，機器學習演演算法與人腦有些類似。作為用戶，我們希望知道，「為何《紐約時報》向我展示這條奇怪的廣告」，以及「亞馬遜為什麼向我推薦這本有趣的書」。


　　實際上，《紐約時報》和亞馬遜也不知道原因，就像我們的大腦不清楚為何我們今晚要吃泰國菜。

　　如果你在10年前就已關注機器學習領域，那麼會發現，當時除了谷歌和雅虎等公司以外，機器學習的應用很有限。目前，機器學習已無所不在。我們獲得的數據越來越多，而獲取數據的門檻也越來越低。微軟Azure ML和IBM「沃森」等新產品降低了系統搭建以及運行機器學習演演算法的成本。

　　與此同時，風投也成立了專門的基金，例如WorkDay的機器學習基金、彭博Beta基金，以及Data Collective基金。這些基金專註於各行各業利用機器學習技術以求突破的公司。

　　在流行文化中，關於機器學習的大部分探討集中於人工智慧助手和無人駕駛汽車，但實際上用戶與之互動的幾乎所有網站都在後端集成了機器學習技術。大公司投資這項技術並非為了趕時髦，而是由於這能帶來真正的幫助。它們已經看見了不錯的投資回報，而這也是創新連綿不絕的原因。（維金）