2016年，AI在企业中的应用情况达到了怎样的程度？在12月的一篇Hacker News讨论帖中，诸多网友分享了其公司内部应用机器学习技术的情况。

数据的清洗、统计、建模、预测

为了追热点，这年头的大部分数据公司都说自己的产品服务用了机器学习。这相当引人争议——比如，线性回归算是机器学习吗？有人说是，因为机器学习的教程就是从线性回归开始的；有人说不是，因为这种基本的统计计算早在“机器学习”这个概念出来之前就有人在用了。

到底，怎样的系统有资格被称为“机器学习”系统呢？有人搬出了Tom Mitchell的一段定义：

"A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E."

比如你写了个下棋的程序，然后让它天天自己跟自己下棋玩；过了一段时间，如果你发现它的棋力提升了，那就证明它具备学习能力。同理，如果你写了一个预测的程序，然后让它天天看各种历史数据；过了一段时间，如果你发现它的预测准确率提升了，那就证明它具备学习能力。（不过反过来，这样的定义却无法证明一个系统不具备学习能力……）

有些数据处理系统并不具备学习功能。很多数据处理系统并不需要具备学习功能。不过，机器学习的能力正在越来越多的应用到数据处理的场景中，这是毋庸置疑的。尤其在金融行业，制作风险模型、进行花费预测、损失预测，都有广泛的应用。比较有趣的是有人提到Numerai，这里聚集了一大批给股市建模的数据科学家，大家把自己的预测拿出来公开比赛。

此外，有一个用户 @splike 表示他们的系统可以预测一次基因编辑操作（CRISPR）的有效程度。还有一个叫做Queckt的系统可以预测一个JIRA工单需要多久能被解决。（话说这系统是要用来对付产品经理的么……）

客户管理 KYC

几乎半数的回复都涉及客户管理方面的应用，如：

• Amazon Personalization，亚马逊的个性化推荐系统
• Coursera的个性化课程推荐系统
• 预测客户流失，如AppURI
• 金融/电信行业反欺诈服务，如SkyMind
• 从众多的客户留言中自动筛选出那些“不高兴的客户”

模式识别

• 有一位来自制造业的用户 @altshiftprtscrn 表示他们用声学显微镜进行次品检测，用决策树模型提升系统识别次品的正确率
• @strebler 就职于一家计算机视觉公司，该公司开发了几个针对零售商的产品，可以根据图像自动识别商品并提供后续服务
• Sumo Logic，针对大规模服务器集群（主要是AWS和Azure应用）分析系统日志以协助故障排查。SkyMind也提供了类似的服务针对OpenStack部署。Graphistry也提供类似的服务
• Persyst，用神经网络学习脑电图/心电图，识别各种疾病的症状
• Qualia.ai，识别网络舆论上出现的新生热门话题
• Matterport，针对房地产行业，其系统根据摄像师提供的房屋全景照片制作3D模型与介绍视频
• Attentive.ai，针对安防摄像头拍到的录像进行分析，自动抽取其中的“异常事件”并发送报警
• Diffbot，自动抓取网页中的纯内容，移除与内容无关的页面元素。John Davi在Quora上介绍过Diffbot用来提高抓取准确度的算法

决策助理

• 用户 @iamed2 的系统能够为电网中的交互行为建模，从而提供建议以优化电网的效率。他说，“如果你很了解你的数据关系，那么机器学习也许对你是没用的。但如果你不了解你的数据关系，那么机器学习就变得很有用了。”
• 用户 @ilikeatari 的系统能够针对用户的用车历史提供建议，告诉他们何时把旧车卖掉再买入新车是最划算的。目前，他们的客户主要是美军舰队
• Optimail，邮件推广自动化，自动抓取你的网站以生成推广邮件/短信，配合强化学习算法以提升推广成功率

总结

2016年初，mldb博客上发布了一篇文章：《当机器学习遇到经济世界》（文章第二部分在此）。到2016年底，正如用户 @strebler 在帖子中所说，“AI/ML在最近这段时间的发展，真真切切的将之前的一些不可能化为了可能“。2017年，这个领域的发展将更加值得关注。