乾貨 | 不刷時髦值，機器學習的商業應用

編者按：隨著AlphaGo的勝利，人工智慧順帶著機器學習的話題又被推向了風口浪尖，人工智慧能發展到什麼地步還未可知，但機器學習已然進入了我們生活的方方面面。

機器學習無疑是當下大熱的話題，在一定程度上已經改變了商業運作的方式以及我們每一個人的生活。機器學習不僅僅是Siri和亞馬遜Echo那樣極具未來感的產品，也不僅僅是谷歌和微軟那樣那些擁有研發經費充足的公司專屬。事實上，幾乎每個500強企業都因為機器學習而更高效地運行，獲利更多。

那麼這一切是怎麼發生的呢？

讓用戶生成內容更具價值

這也許會超出你的想像，但用戶生成內容（UGC）的平均水平的確遭透了，充斥著各種拼寫錯誤、粗口以及虛假的信息。但通過識別優秀和糟糕的內容，機器學習模型可以過濾掉不良內容，無需人工審查。

通過機器學習技術，Pinterest展示更有趣的內容；Yelp對用戶上傳的照片進行分類；NextDoor（鄰里社交應用）篩選留言板上的內容；Disqus（第三方評論系統）能清除垃圾評論。

更快地查找產品

作為搜索引擎，谷歌站在機器學習的第一線並不意外。事實上，谷歌最近僱傭了一位人工智慧專家負責其搜索業務。從70年代開始，資料庫索引並根據關鍵詞顯示結果的技術就已經存在。但谷歌的特別之處在於它知道哪個結果最為相關，而這正是因為機器學習。

但不僅谷歌需要智能搜索結果。家得寶（家居建材零售商）需要找到貨倉內的哪個浴缸能放進某人奇怪的浴室；蘋果需要顯示應用商店裡最相關的應用；Intuit（個人財務軟體）需要根據用戶輸入的納稅表顯示合適的幫助頁面。

從Lyst到Trunk Archive，成功的電商初創公司都通過機器學習向用戶展示高質量的內容。而像Rich Relevance和Edgecase這樣的初創公司，則通過機器學習幫助零售商打造個性化的商品推薦。

客戶溝通

你可能有注意到「聯繫我們」的表格最近變得精簡起來。這是又一機器學習簡化商業流程的例子。用戶無需再自己選擇事項，填寫無盡的表格。機器學習可以找出用戶要求的實質，再進行正確指引。

這看上去微不足道，但問題分類以及指引對大公司來說可是筆高額的費用。通過將各事項劃分優先順序迅速解決，將銷售需求導向銷售團隊，將投訴導向客服部門，可以節約公司大筆的時間和金錢。

了解用戶習慣

機器學習在情感分析上也有用武之地。在非營銷人士看來，公眾意見或許顯得模稜兩可，但始終驅動著一些市場決策。舉例來說，一個電影工作室發布了某一暑期檔大片的預告片。他們可以監控社交評論，來看是哪些元素與他們的目標觀眾產生共鳴，然後馬上調整他們的廣告策略。正是這樣，才吸引了人們走進影院。

那麼他們是怎麼從上百萬條推特中得出這些結論的呢？機器學習。在過去幾年，通過機器學習挖掘社交媒體信息已成為這一類產品推廣的標準流程。

接下來呢？

機器學習的演算法很複雜。普通的演算法是可預測的，我們可以理解它是怎麼運作的。從某些方面來說，機器學習演算法更接近人類。作為用戶，你也許也曾想過「為什麼紐約時報要推送這個奇怪的廣告」或者「為什麼亞馬遜要向我推薦這本可笑的書」。事實上，紐約時報和亞馬遜也不理解特定的結果，正如我們的大腦不懂我們晚餐為什麼選擇泰國料理一樣。

如果你在10年前進入機器學習領域，在谷歌和雅虎之外你很難找到工作。而現在機器學習無處不在。數據前所未有地流行，並更加容易獲取。像微軟Azure ML和IBM Watson這樣的新產品都降低了安裝和運行最新的機器學習演算法的成本。

與此同時，風投公司都創立了相關基金，從WorkDay的機器學習基金到Bloomberg Beta，再到Data Collective，這些基金都用於投資各行業運用機器學習的公司。

目前機器學習的熱點大都圍繞著AI助理和自動駕駛汽車。但除了這些看上去很酷的應用，幾乎你接觸的每個網站都在默默使用著機器學習。大公司投資機器學習並不是因為時髦值有多高或者多麼的高科技，而是他們看到了可觀的投資回報率。而這正是創新能不斷繼續的原因。

原作者：Lukas Biewald

Via TC

作者：Adeline

編輯：熊妍

以數據和社群為驅動的科技創業新媒體：鴕鳥電台tuoniao.fm

我們的微信公眾號：tuoniaodiantai