机器学习如何改变商业世界？

机器学习是一种让计算机在没有事先明确编程的情况下做出正确反应的科学。在过去的十年中，机器学习已经为我们在自动驾驶汽车、实用语音识别、有效网络搜索，以及提高人类基因组的认识方面带来大量帮助。毫无疑问，机器学习目前位于新兴技术炒作曲线的顶端，一场变革正开足马力、蓄势待发。

如果运营一家能够使用大量真实机器学习项目的公司，这意味着机器学习必然迫使公司的运作方式做出极大改变。

我们所要了解的并不是苹果Siri或亚马逊Echo那样的新潮产品，也不是一般而言我们认为的拥有大量研究与试验经费(R&D)的大公司(诸如谷歌、微软)。事实上，在现实生活中，可以说几乎每一个世界前500强企业都在运用机器学习来使公司的运作更加高效，由此产生更多收益。

而我们所说的这些东西到底在哪里呢?接下来就让我们看看使生活日臻美好的这些不为人知的幕后技术。

使用户原创内容变得有价值

用户原创内容(user-generated content)的平均质量无疑惨不忍睹。甚至比你想象中的最差的情况还要差，这些传播率较高的内容可能充斥着大量的拼写错误或风格粗鄙的内容，有些甚至直接传递着错误的信息。但是机器学习可以在一定程度上改善这种情况：通过甄别出最好的和最差的用户原创内容，机器学习模式可以过滤掉那些不好的内容，并置顶精华的内容。这样一来，再也不需要真人在阅览过每一条内容之后，再一一为信息贴上标签。

早先这种方式被用来过滤垃圾电邮，机器学习模式只要鉴别出垃圾邮件就会将其根除。现如今，垃圾电邮已经不再像过去那样常见，所以大家不妨期待机器学习技术打造出一个“清净”的用户原创内容区域。

目前，Pinterest(图片版Twitter)运用机器学习将人们感兴趣的内容置顶，著名的用户点评网站Yelp也使用机器学习将用户上传的评论进行翻查并分类。美国最大的邻里社交App Nextdoor用机器学习管理留言区的内容，为网站提供评论托管服务的第三方社会化评论系统Disqus也会用同样的方式删除恶意评论。

更加迅速地找到产品

作为一家搜索公司，谷歌一直乐此不疲地雇用机器学习领域研究人员似乎并不令人感到惊讶。事实上，谷歌公司最近的确雇用了人工智能的专家，来专注搜索领域研究。然而，从庞大的数据库中检索到跟关键词匹配的内容，自上世纪70年代就已经实现。而谷歌脱颖而出的原因在于，它可以检索到匹配度最高的结果，这一切当然要归功于机器学习。

但并不仅仅是谷歌才需要智能的搜索结果。美国第二大零售商得宝(Home depot)公司，作为全球领先的家居建材用品零售商，需要快速地从自己规模巨大的库存商品中为顾客找到合适尺寸与款式的家具。苹果公司也需要为用户提供苹果商店的搜索引擎，方便顾客快速找到相关的App。当用户查询某种税务的表格时，财务软件Intuit也需要尽快地提供准确的服务页面。

此外，一些成功的电商平台也会利用机器学习为用户提供高质量的推送内容。一些刚刚起步的企业在它们的商业合作伙伴需要快速浏览产品信息时，也会采取使用机器学习的策略，尽快满足顾客需求。

与顾客建立紧密联系

你可能已经注意到“联系我们”这样的标识近几年在网页上已经变得越来越常见，这是机器学习助力流线型商业流程的另一个方面。用户不用再花费时间在冗长的自选问题与表格之上，机器学习能够“了解”客户急需处理的问题的本质，并且按照正确的方式发送需求指令。

这看起来是一件微不足道的小事，但事实上票据的标记与签发对大企业来说是一笔巨大的花销。传统的销售团队与投诉部门的终结，意味着顾客再也不用花时间在售后中心排队处理问题，拥有一个智能的销售咨询系统对于公司节省时间和成本来说意义非凡，因为机器学习可以将售后问题按照重要性进行排序，并尽可能快地使这些问题得到解决。

理解顾客的行为

除了上述诸多优势，机器学习同样擅长情绪分析。对于不熟悉市场营销的人，公众的意见看起来似乎总是不甚明晰，然而这些意见往往能够推动许多决定的出台。

例如，一家电影公司提前放出一部暑期档大片的预告片，紧接着他们会检测受众的反馈，然后迅速调整广告策略，使电影的宣传直击观众的需求，为日后的高票房打下前期基础。

这些公司是如何从成百上千万的评论中得到微弱的信号呢?正是通过机器学习，在过去的几年中，通过机器学习去分析社交媒体中的数据已成为标准的操作流程。

机器学习何去何从

研究机器学习的算法可能会十分费事，一般的算法是可以进行预测的，并且我们可以观测到它们的运作方式，而机器学习则更像人类。作为用户，我们很想知道为什么纽约时报会播这么奇怪的广告，亚马逊网站为何要推荐这么滑稽的书?

而事实上，纽约时报与亚马逊的系统也不知道为何会给出那样匪夷所思的推荐，就像人脑无法解释今天晚上为什么选择吃泰国菜，或者为何有时会坠入维基百科的众多词条中不可自拔。

如果你在十年之前就接触了机器学习，就会发现除了谷歌和雅虎，几乎找不到机器学习的踪影，而今天机器学习无处不在。数据与资料比以往任何时期都更易获得，同时，诸如IBM Watson与微软Azure ML等新产品的出现也压低了机器学习算法的建立及维护的费用。

据了解，Bloomburg Beta等投资基金都将目光聚焦于各行业中运用机器学习获得较大优势的企业。

很多关于机器学习的谈话都局限于人工智能助手或是自驾车的范畴，其实你所使用的每一个网站背后都有机器学习的技术支持，大企业投资机器学习并不仅仅是为了赶潮流、争第一，而是因为机器学习能够带来正的资本回报率，这其实是推动变革的真正原因。