更聪明的算法，更精准的服务

在信息时代，我们最不缺的就是数据，我们要做的就是用这些数据把机器教会，让机器变得越来越聪明，做人可以做的事情。

智能的背后是算法，同样的数据，采用不同的智能化分析手段，可以得到不同的结论：好的算法就有好的结果，坏的算法就只会产生误导！也可以说，“算法”就是数据的灵魂。对人工智能的研究就是对数据分析算法的研究。

例如，我们有很多用户的在线交易数据，这些数据包括用户的购买时间、购买产品、产品价格、用户年龄、用户购买渠道等方面的信息。这样的数据一共有几万条，我们接下来打算用人工智能算法帮我们找到有价值的业务知识。

好的算法可能得到这样的业务知识，“年龄在30～40岁的男士，通常在晚上11～12点用手机购买某品牌的衬衫和领带”；而坏的算法则可能会得到，“30～40岁的男士，比90岁以上的老年男士通过网络购买的产品更多”。

比较结果是不是一目了然？坏的算法简直分析了个“莫名其妙”。

这里其实是想说，只有能指导业务增长的算法才是有价值的算法。有了智能化的算法技术，数据才能真正发挥它的价值！

如果依靠具有人工智能的机器代替人做一些基础的脑力活动，比如检查文章的错别字、识别图片等，那么人工智能主要在“自动化”这方面发挥业务价值；同时，机器也可以做一些更加“高级”的智力工作，比如市场分析、解决方案的生成，那么人工智能则发挥了更多“智能化”方面的优势，这就相当于让机器做人的决策工作。

从技术上看，机器对人的决策行为的模仿和替代是非常困难的一件事。人的决策行为涉及非常多的复杂因素，背后也受人的感性方面和理性方面各种生理机制的综合影响。关于机器在决策方面是否“完胜”人，当前还是有很多争论的，但无论如何，机器做决策这件事，已经深入越来越多的领域，也在某些业务场景下开始“崭露头角”。

就拿基金投资业务来说，人工智能可以像人一样思考如何从大量的基金池中快速找到业绩最好的基金。利用算法提供的数据挖掘能力，结合综合量化指标，算法可以挖掘出那些数据好看的基金，并且能够结合客户当下的经济情况和风险偏好，在众多相似的产品中给投资人推荐最合适的金融产品。

再有就是在医疗服务行业场景中的应用，在传统的模式下，需要专业医师亲自查看患者的化验报告，并结合自身几十年的医疗经验，对患者的病情进行判断。碰到复杂的病情，还需要多方讨论，收集意见，才能形成最终的治疗方案。而在数字化模式下，采用人工智能技术，可以构建一个支持“自动诊断”的医疗软件，大大提升医师的服务效率，提升医疗诊断的可靠性。

具体来看，可以基于深度学习模型的图像识别技术，自动对医疗影像进行分类，对患者感到不适的身体部位打上业务标签，比如“不清晰”“有异物”“有炎症”等。再结合其他检查诊断数据，比如血液指标、呼吸道指标，通过概率图模型或规则演绎模型，进行机器动态推理，形成对患者健康状况的综合判断。同时，系统可以自动从电子病例库中调取相似病例，分析病例之间的相关性和差异性，快速生成靠谱的治疗方案。

我们可以看到，人工智能技术在产业端的应用比在消费领域的应用更加有前景，毕竟从单纯的自动化到更高级的智能化，才是人工智能未来发展的必然趋势。

在传统模式下，上面这些应用大多依赖业务专家丰富的行业经验，以及他们对复杂业务问题的综合分析能力和精准决策能力，而这无疑增加了企业的运营成本和管理成本，同时也对很多行业的进一步发展形成了知识方面的巨大阻力。因此，很多产业应用背后都迫切需要智能化的解决方案。

人总是有生理方面的局限性的，这里包括知识存储和知识计算方面的限制。任何一个人能够掌握的知识都无法覆盖到整个行业，也无法在24小时都精力饱满地“大功率”持续输出智慧。然而机器永远不会疲倦，人工智能让领域专家可以复制，也可以把多个“各有所长”的专家整合成一个“全能”的大专家来解决更加复杂的问题。

不同业务、不同场景，背后都有其固有的业务规律，让机器主动地掌握这些规律，充分应用这些规律，就可以快速打造出各个领域的顶尖行业专家，为相关业务不断地提供优质的智能服务。