數(shù)據(jù)：現(xiàn)在遠比從前多得多

　　我們今天提到的認知計算，實際上起源于20世紀50年代，它是一種有遠見的努力方向，希望讓技術模擬人類智能。雖然有些原始的AI技術在20世紀80年代已經開始商業(yè)化，但是直到21世紀，組成機器智能的 AI 和認知計算能力，才算是真正的騰飛。

　　有三股強大力量共同驅動著機器智能趨勢：

1、數(shù)據(jù)指數(shù)級的增長

　　如今，我們創(chuàng)建和復制的數(shù)據(jù)，每12個月大小增加一倍。實際上，到2020年，全球的數(shù)字預計將達到44澤字節(jié)（zettabytes）。我們還知道，隨著物聯(lián)網(wǎng)，暗分析（dark analytics）和其他數(shù)據(jù)來源的激增，數(shù)據(jù)將增長得更快。從商業(yè)角度來看，這種爆炸性增長將轉化為比以往任何時候都更有價值的數(shù)據(jù)源。除了使用傳統(tǒng)的分析技術，這些大量的結構化和非結構化數(shù)據(jù)，以及存在于深層網(wǎng)絡中的大量非結構化數(shù)據(jù)，對于機器智能的進步至關重要。這些系統(tǒng)消耗的數(shù)據(jù)越多，它們在發(fā)現(xiàn)關系，模式和潛在影響這些問題上就會變得“更聰明”。有效管理快速增長的數(shù)據(jù)需要更高級方法，來掌控數(shù)據(jù)、存儲、保留、訪問、情景和管理。

　　從聯(lián)網(wǎng)設備生成的信號，到所有業(yè)務所有功能中的歷史轉換數(shù)據(jù)中隱藏的字符行級別的細節(jié)，處理數(shù)據(jù)資產正在成為建造機器智能的一個關鍵組成部分。

2、更快的分布式系統(tǒng)

　　隨著數(shù)據(jù)量越來越大，分析越來越復雜，讓數(shù)據(jù)對個體用戶可訪問的分布式網(wǎng)絡現(xiàn)在的能力已經得到指數(shù)地提升。今天，我們可以快速處理，搜索和控制幾年前無法實現(xiàn)的數(shù)據(jù)。當前一代的微處理器提供了的性能是1971年推出的第一個單芯片微處理器的400萬倍。

　　這種能力使得高級系統(tǒng)設計成為可能，例如支持多核和并行處理的那些。同樣，它支持高級數(shù)據(jù)存儲技術，支持對歸檔數(shù)據(jù)的快速檢索和分析。正如我們看到的MapReduce、內存計算和硬件優(yōu)化的MI技術，如谷歌的張量處理單元。技術正在進一步優(yōu)化我們管理指數(shù)級數(shù)據(jù)的能力，使之更有效。

　　除了純粹的功率和速度的增加，分布式網(wǎng)絡的覆蓋范圍也越來越大。它們現(xiàn)在可以與駐留在云中的基礎架構，平臺和應用程序無縫連接，并可以消化和分析存在于那里的不斷增長的數(shù)據(jù)。它們還提供分析和驅動來自“邊緣”功能（如物聯(lián)網(wǎng)，傳感器和嵌入式智能設備）的流數(shù)據(jù)所需的能力。

3、更智能的算法

　　近年來，隨著機器智能算法變得越來越強大，實現(xiàn)認知計算的最初目標——模擬人類思考過程，也獲得了穩(wěn)步的進步。

　　隨著機器智能使用案例在接下來18至24個月內不斷涌現(xiàn)，以下算法能力將可能在公共和私有部門中得到更廣泛的應用：

　　優(yōu)化，規(guī)劃和調度：在更成熟的認知算法中，優(yōu)化自動化的、復雜的決策和在有限資源中進行權衡。類似地，規(guī)劃和調度算法設計一系列動作以滿足處理目標的要求并觀察約束條件。

　　機器學習：計算機系統(tǒng)正在通過數(shù)據(jù)來發(fā)展提高自身的能力，這個過程總不需要遵循直接的編程指令。在其核心，機器學習自動地從數(shù)據(jù)中發(fā)現(xiàn)模型。一旦經過確認，模型能被用于做預測。

　　深度學習（Deep Learning）：開發(fā)人員正在研究涉及人工神經網(wǎng)絡的機器學習算法，這是啟發(fā)自大腦的結構和功能。其中，互相連接的模塊運行數(shù)學模型，這些模型根據(jù)處理大量輸入得出的結果來進行不斷微調。深度學習可以分為有監(jiān)督學習和無監(jiān)督學習。

　　概率推理（Probabilistic inference）：使用圖形分析和貝葉斯網(wǎng)絡來識別隨機變量中的條件依賴性的新的 AI 能力。

　　語義計算（Semantic computing）：這種認知類別包括計算機視覺（分析圖像的能力），語音識別（分析和解釋人類語言的能力），以及各種為了理解自然語言表達的意圖和計算內容的語義的文本分析能力 。這些信息被用于數(shù)據(jù)分類，映射和檢索。

　　自然語言引擎（Natural language engines）：自然語言引擎以人類的方式理解書面文本，但它可以用復雜的方式進行文本處理，例如自動識別文本中提到的所有人名和地址；識別文本的主題；或者以人類可以理解的方式提取出合同中的條款并制成列表。自然語言引擎通?？梢苑譃閮深?，一是針對人類語言的自然語言處理技術，二是針對創(chuàng)造自然語言輸出的自然語言生成技術。

　　機器人過程自動化（RPA）：機器人軟件，或稱“bots”，可以通過模仿人類與軟件應用程序交互的方式來執(zhí)行例行的業(yè)務流程。企業(yè)開始結合采用 RPA 和認知技術（如語音識別，自然語言處理和機器學習）來自動化執(zhí)行基于知覺或判斷的任務，這些任務從前被認為是只能由人類執(zhí)行的。

機器智能如何創(chuàng)造價值？

　　對 CIO 而言，轉向機器智能需要一種新的理解數(shù)據(jù)分析的方式。數(shù)據(jù)分析不僅僅是一種創(chuàng)建靜態(tài)的報告的方式，還是一種利用更大型、更豐富的數(shù)據(jù)庫來自動執(zhí)行任務并提高效率的方式。在機器智能中，CIO 可以考慮的機會包括：

　　認知洞察（Cognitive insights）：機器智能可以提供深入、可操作的洞察，不僅對已經發(fā)生的事情，而且包括現(xiàn)在正在發(fā)生的事情和接下來可能發(fā)生的事情。這可以幫助企業(yè)制定程序來提高員工效率。例如，在全球的呼叫中心中，服務代表可以使用多功能的客戶支持程序來回答有關產品的問題，接受訂單，調查定價，以及解決客戶的其他問題。許多這樣的系統(tǒng)還需要工作人員在屏幕間來回跳轉以找到回答特定查詢所需要的信息。

　　認知參與（Cognitive engagement）：機器智能價值樹的下一級是認知智能體（cognitive agents），即采用認知技術與人類進行交互的系統(tǒng)。目前，這項技術主要服務對象是消費者而非企業(yè)。例如，認知智能體可以相應人類的語音命令來降低恒溫器溫度或打開某個電視頻道。但是，有可以從這種認知參與中受益的企業(yè)業(yè)務，并且新的應用領域開始出現(xiàn)。認知智能體將能夠接入復雜信息，執(zhí)行諸如處理患者入院，為用戶推薦產品或服務等任務。它們可能在客戶服務領域有更大的商業(yè)潛力。

　　認知自動化（Cognitive automation）：第三個，可能也是最具顛覆性的機器智能機會，是利用機器學習，RPA，以及其他認知工具開發(fā)深度的專業(yè)領域知識（例如，按行業(yè)、職能或地區(qū)區(qū)分），然后自動化執(zhí)行相關的任務。我們已經看到有機器智能的系統(tǒng)能夠自動化執(zhí)行從前需要經過訓練的人力進行的工作。例如，有醫(yī)療公司應用深度學習技術進行醫(yī)學圖像的分析，在測試中，系統(tǒng)在判斷惡性腫瘤方面比人類專家的能力高50%。

　　在教育領域，嵌入在在線學習程序中機器智能可以通過跟蹤學習者解題時的“心理步驟”來模擬一對一輔導，為學習者提供及時的指導、反饋和解釋。