德勤發布《2017德勤技術趨勢》報告，以“運動中的企業”為主題，全面分析未來 8 年影響商業領域的核心技術及其影響，還包括企業應用和策略上的建議。報告特別提出了機器智能（MI）這個新概念，MI 包含機器學習、深度學習、認知分析，到 2019年全球商業支出將達 313 億美元。

今年德勤技術趨勢報告的主題是“運動中的企業”（the kinetic enterprise），這一概念描述了正在發展靈活性和愿景的公司——如今，公司不僅要克服運營上的慣性，還要在一個不斷發展并將持續變動的商業環境中茁壯成長。

要做到這一點很難。雖然科技進步讓我們看到了潛力，但只有少數幾種技術可能最終讓我們實現真正的價值。更多的實際上是炒作。只有認真鑒別、主動出擊，才能將潛能轉化為現實。

在這樣的理念推動下，德勤推出了他們迄今第 8 份《德勤技術趨勢報告》。在這份最新報告中，五大宏觀領域——數字化、分析、云、核心系統和基礎設施重構，以及 IT在企業中不斷變化的作用——保持不變，這些都是年復一年推動企業創新和轉型的力量。不過，盡管這五大力量無處不在，各個企業在采用方面仍然存在很大差異。

今年報告新增的 3 個分領域：機器智能（Machine Intelligence，MI）、混合現實和區塊鏈。其中，機器智能更是作為新增技術之首，在今年的報告中占據了很大的篇幅。根據德勤預測，到 2019年，全球商業在機器智能（MI）的支出將達到 313 億美元。

值得注意的是，德勤報告認為，人工智能（AI）是機器智能（MI）的一部分，機器智能是一個更加廣泛，也是更加重要的領域。機器智能的幾個主要分支包括：機器學習（ML）、深度學習（DL）、認知分析、機器人過程自動化（RPA）和 Bot。報告指出，“總體來說，這些技術和其他工具共同構成了機器智能（MI）”，我們可以將 MI 理解為算法的能力，這些算法能夠增強員工績效、將日益復雜的工作自動化，并開發出模擬人類思維、參與人類工作的“認知代理”。

德勤指出以下三個因素推動了 MI 的發展：

• 　　數據呈指數級增長：如今企業中充斥著數據，迫切需要工具來分析和處理信息。德勤報告指出，公司收集的數據量每12個月翻一番，到2020年將達到約 44 ZT。

• 　　更快的分布式系統：與數據暴增一樣，計算能力和速度也在飛速提升，現在的物聯網、各種傳感器和嵌入式智能設備構成了規模龐大的分布式網絡。

• 　　更智能的算法：報告指出“MI 算法穩步發展，在實現認知計算模擬人類思維過程初衷的方面有了初步成果”，報告還預測在未來18到24個月的時間里，MI 算法將得到廣泛的使用，包括優化、規劃和調度；確定概率；實現機器人過程自動化及其他任務。

總的來說，語音識別、自然語言處理和機器學習等 MI 技術將幫助企業自動執行傳統上由人類完成的許多任務，從而提高效率和生產力。諸如 Alphabet、亞馬遜和蘋果這樣的大型科技公司則打算向企業提供這些服務。反過來，風險投資公司也將其投資組合加到整個食物鏈的底層。

在德勤 2016 年全球 CIO 調查中，1200 名IT 高管被要求說出他們計劃在未來兩年投入大量資金的新技術：其中有 64% 的人列舉了認知技術或 MI。

德勤報告中還包括了對企業應用 MI 的一些建議。亞馬遜副總裁兼 CEO 技術顧問 Maria Renz 和亞馬遜 Alexa 總監 Toni Reid 在報告中寫道：“我們建議你分析客戶群，傾聽他們，了解他們的核心需求以及如何讓他們的生活更容易……不要害怕代替客戶發明新的東西——客戶并不總是知道自己想要什么。如果你在客戶體驗方面正確聚焦，其余的自然水到渠成。”

機器智能——技術模擬人類認知來創造價值

人工智能快速的進化已經帶來了大量獨特的東西，盡管它們總是被誤解的。AI 的能力，比如機器學習、深度學習、認知分析、機器人自動化（RPA）、bot等等。總體上，這些和其他的工具組成了機器智能：算法的能力可以增強雇員的表現、將越來越復雜的工作自動化，并且開發出能夠模擬人類思維和參與的“認知智能體”，在高級的分析方法中，機器智能代表了未來。

數據（DATA）作為一種關鍵商業資產的崛起一直是每個“技術趨勢”報告中的一個主題，從管理其爆炸式增長的數量和復雜性所需的基礎功能到越來越復雜的分析工具技術，再到從數據庫中挖掘業務洞察都是如此。

通過利用分析來發掘在不斷增長的數據存儲中隱藏的模式，洞察和機會，一些公司已經能夠開發新的用戶參與方式、增強員工的技能和智力、培育新產品和服務、探索新的商業模式。今天，越來越多的CIO正在積極奠定讓其組織更具洞察能力所需的基礎。

人工智能（AI）——能夠執行通常需要人來完成的任務的人工智能（AI）技術—正在成為這些分析工作的重要組成部分。然而，AI 只是認知計算領域中更大、更引人注目的一系列發展的一部分。比AI 更大的是機器智能（MI），這是代表新的認知時代的一系列進步的總稱。我們在報告中提到了近年來取得快速發展的一些認知工具：機器學習，深度學習，高級認知分析，機器人自動化和 bot，僅舉幾例。

我們已經在各個領域看到開始出現機器智能的早期使用案例。例如，在美國，一家運行全美最大的醫學研究計劃之一的醫院正在“訓練”其機器智能系統以分析存儲在醫院數據庫中的100億張遺傳和基因圖像。在金融服務中，認知銷售助理使用機器智能與有希望的銷售線索發起聯系，然后鎖定，跟進并維持這種聯系。這個認知助手可以解析自然語言，以了解客戶的對話問題，同時處理多達27,000個會話和幾十種語言。

在接下來的幾個月中，我們會看到類似的應用案例，因為會有更多的公司正在試圖利用機器的力量。在機器智能各個方面的投入已經增加，預計2019年將達到近313億美元。機器智能也成為CIO的優先考慮事項。德勤的2016年全球CIO調查中，1,200名IT高管提到了他們計劃在未來兩年內大幅投資的新興技術，其中 64％的人提到了認知技術。

數據：現在遠比從前多得多

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、數據指數級的增長

如今，我們創建和復制的數據，每12個月大小增加一倍。實際上，到2020年，全球的數字預計將達到44澤字節（zettabytes）。我們還知道，隨著物聯網，暗分析（dark analytics）和其他數據來源的激增，數據將增長得更快。從商業角度來看，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據源。除了使用傳統的分析技術，這些大量的結構化和非結構化數據，以及存在于深層網絡中的大量非結構化數據，對于機器智能的進步至關重要。這些系統消耗的數據越多，它們在發現關系，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據需要更高級方法，來掌控數據、存儲、保留、訪問、情景和管理。

從聯網設備生成的信號，到所有業務所有功能中的歷史轉換數據中隱藏的字符行級別的細節，處理數據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

隨著數據量越來越大，分析越來越復雜，讓數據對個體用戶可訪問的分布式網絡現在的能力已經得到指數地提升。今天，我們可以快速處理，搜索和控制幾年前無法實現的數據。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，它支持高級數據存儲技術，支持對歸檔數據的快速檢索和分析。正如我們看到的MapReduce、內存計算和硬件優化的MI技術，如谷歌的張量處理單元。技術正在進一步優化我們管理指數級數據的能力，使之更有效。

除了純粹的功率和速度的增加，分布式網絡的覆蓋范圍也越來越大。它們現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據。它們還提供分析和驅動來自“邊緣”功能（如物聯網，傳感器和嵌入式智能設備）的流數據所需的能力。

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，實現認知計算的最初目標——模擬人類思考過程，也獲得了穩步的進步。

隨著機器智能使用案例在接下來18至24個月內不斷涌現，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：

優化，規劃和調度：在更成熟的認知算法中，優化自動化的、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：計算機系統正在通過數據來發展提高自身的能力，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據中發現模型。一旦經過確認，模型能被用于做預測。

深度學習（Deep Learning）：開發人員正在研究涉及人工神經網絡的機器學習算法，這是啟發自大腦的結構和功能。其中，互相連接的模塊運行數學模型，這些模型根據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督學習和無監督學習。

概率推理（Probabilistic inference）：使用圖形分析和貝葉斯網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 。這些信息被用于數據分類，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。自然語言引擎通常可以分為兩類，一是針對人類語言的自然語言處理技術，二是針對創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行例行的業務流程。企業開始結合采用 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行的。

機器智能如何創造價值？

對 CIO 而言，轉向機器智能需要一種新的理解數據分析的方式。數據分析不僅僅是一種創建靜態的報告的方式，還是一種利用更大型、更豐富的數據庫來自動執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，不僅對已經發生的事情，而且包括現在正在發生的事情和接下來可能發生的事情。這可以幫助企業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。目前，這項技術主要服務對象是消費者而非企業。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業務，并且新的應用領域開始出現。認知智能體將能夠接入復雜信息，執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深度的專業領域知識（例如，按行業、職能或地區區分），然后自動化執行相關的任務。我們已經看到有機器智能的系統能夠自動化執行從前需要經過訓練的人力進行的工作。例如，有醫療公司應用深度學習技術進行醫學圖像的分析，在測試中，系統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。

協同機器人（Co-Bots），不是機器人（Robots）

面對成本壓力，長期低利率，競爭的加劇，以及不斷變化的客戶和市場動態，全球保險供應商美國國際集團公司（AIG）發起了戰略重組，以簡化其組織和提高運營效率。這個目標涉及處理不斷加劇的技術債務問題，以及一個對運營穩定性產生挑戰的分布式IT部門。

根據AIG全球首席技術官Mike Brady的說法，通過將IT重組為一個向CEO報告的單一組織，AIG為創建新的企業技術模式奠定了基礎。這一變革性計劃的第一步涉及到建立基礎能力，為此團隊制定了一個三部分的方法：

維穩：因為用戶幾乎每天都遇到嚴重的中斷，虛擬網絡每周就會癱瘓一次，所以整體網絡性能需要改進。

優化：該策略側重于自助服務配置，自動化和成本效益。

加速：為了快速前進，團隊實施了DevOps戰略，以創建持續集成/連續部署工具鏈和流程，以實時部署軟件。

AIG借助了機器學習來實現這些指令。該公司開發了一個先進的協作機器人程序，這個程序可以利用內置的算法能力，機器學習和機器人過程自動化。這些虛擬工作者被稱為“協同機器人” ，公司希望每個人都能將虛擬員工作為員工的延伸和助理。

2015年10月，AIG部署了“ARIES”，該公司的第一臺機器學習虛擬工程師，以解決全球網絡問題事件。在90天的試驗計劃期間，ARIES接受了“策展和監督”模式的培訓，在這種模式下，機器與人類一起操作，并從人類的行為中學習。在這種方法中，ARIES通過觀察和實驗來了解如何評估運行中斷的來源并確定可能的原因和應急響應。協同機器人在第91天時就已經準備全部的部署。這不是因為這些機器本身工作效率高；事實上，AIG發現，人類平均需要8到10分鐘解決一個典型的問題，而協同機器人用時平均8分鐘。這也就是說，機器人最大的好處是它的規模：機器人可以全天候工作，不間斷或睡眠，它們可以迅速解決事件，排隊和積壓從不發生。

在ARIES參與工作的六個月內，這個自動化系統識別和解決了超過60％的網絡運行中斷。在一年內，ARIES的機器智能，加上監測AIG環境健康狀況的傳感器的增加，使其有可能在問題影響業務之前，以編程方式解決各種各樣的警報。虛擬工程師可以自動識別不健康的設備，執行診斷測試以確定原因，并登錄以實施修復或將問題上報到技術人員并提出“建議”。

另外，協同機器人涉及到網絡問題，如果數據模式顯示一個設備在一個月內造成50起事件，IT團隊就知道此設備需要更換。這些問題在過去一年中將嚴重性等級1和2的問題數量減少了50％。他們還提高了技術人員的工作滿意度。技術人員現在可以專注于更具挑戰性，更有趣的任務，而不必執行普通和重復性的任務，而且可以從協同機器人的建議展開自己下一步的工作。

另外還有四個由管理人員操作的協同機器人，協助負責治理、工作、培訓和學習，甚至績效管理，已經成功上崗了。

隨著IT中的協同軟件程序的成功，AIG正在探索在業務操作中使用機器學習的機會。 “我們希望企業使用機器學習，而不是占用更多的資源，”布雷迪說。 “我們需要利用大數據和機器學習作為新的資源，而不是將其視為新的成本。”內部試驗正在開發，以確定協同機器人是否可以審查損害索賠，并立即授權付款檢查，以便客戶不需要延遲治療。其他機會有可能出現在增強型認知的自助服務，增強代理輔助渠道，甚至可能使用認知代理作為他們自己的面向客戶的窗口。

“協同機器人的方法需要磨合，”布雷迪補充說， “如果一個問題真的很復雜，你不希望團隊內部打架。這就是設計思維的有用之處。自從我們在一年前開始啟用機器人系統，我們已經解決了145,000次事故，令人難以置信的好。將其轉移到業務流程，最終達到認知客戶交互是一條必經之路。

服務患者

隨著醫療保健轉向基于結果的模式，患者正在尋求健康保險公司提供與許多零售商和銀行相同水平的高度個性化的客戶服務。為了滿足這一期望，作為美國最大的健康福利公司之一，Anthem正在探索如何利用認知計算的力量來簡化和增強與客戶的聯系，并使客戶服務更有效，更靈敏，更直觀。 Anthem的最終目標是改變公司與保險用戶在整個受保周期內的交流方式，而不僅僅是在被保人申請索賠時。

Anthem的戰略涉及機器智能的三個維度：洞察，自動化和參與。在第一階段，公司正在對索賠裁定流程應用認知洞察，以便為索賠審查人員更好地了解每個案例。Anthem的臨床分析及人口健康管理副總裁Ashok Chennuru表示，“我們正在整合內部付款人數據索賠，成員資格，提供者人口統計數據與外部數據，包括社會經濟，臨床/ EMR，生活方式和其他數據，以建立健康計劃成員的縱向視圖。“

目前，審查者從文檔審查、患者歷史發現和取證收集開始，來確定下一步驟。但是通過認知洞察，新系統正在不斷地審查背景中的可用記錄，從一開始就提供全面的圖像，包括補充信息，例如患者的重復住院以通知可能的護理計劃或有針對性的干預，以及應用智能來解決索賠的任何潛在問題。在索賠代表收到案件時，他有評估所需的全面信息.

在下一階段，Anthem將開始為索賠處理增加認知自動化，從而騰出時間讓審核員去幫助需要更復雜幫助的患者。 “通過部署預測性和規范性分析和機器學習算法，我們將能夠以更具成本效益的方式處理結構化和非結構化數據，”Chennuru說。首先，系統將識別需要解決的任何潛在問題，并推薦具體的行動方案。隨著系統的成熟，如果它的分析基于所有信號和輸入達到一定的確定性值，它可以自己開始解決某些問題。如果確定性水平低于該值，則審核員仍將手動審核和解決索賠。由于系統的持續學習能力監控審核員如何成功地解決問題，系統會將特定問題與適當的行動方案相關聯，以不斷提高其自動化分辨率的準確性和效率。

在第三階段，隨著Anthem更深入認知參與，公司將更廣泛地利用其神經網絡和深度學習，與醫療保健提供者一對一地參與，為患者推薦個性化護理計劃。在從簡單的反應到索賠轉變為主動參與客戶的護理，Anthem將能夠審查病人的病史，并聯系醫療機構，提供護理計劃的建議。

Anthem的半監督機器學習能力教會幾桶如何分解問題，組織它們，并確定最佳響應。在測試期間，觀察者將比較系統行為和性能與傳統的人為驅動方法來衡量系統的效率和準確性。

該公司目前正在收集和處理數據，培訓系統，并簡化其解決方案架構和技術，并且由于理賠管理認知洞察而獲得了全面的積極成果。自動化裁決系統的原型計劃于2017年推出，然后會在幾個月后啟動一個最低可行產品版本（MVP）。

Anthem已經建立了廣泛的認知能力，有多個團隊通過案例學習的方式來實現結果，評估有價值的證明，并優化團隊如何準備數據，調整算法和提供程序可用性。 “最終，”Chennuru說，“我們將能夠在諸如價值分析，人口健康管理，質量管理等許多領域中利用該平臺，并洞察醫療服務和醫療成本之間的差距。”Anthem希望使盡可能多的企業認知服務，能夠訓練其模型，優化其計劃，并發展其認知智能，以幫助公司更好地為會員服務。

如何在企業中運用機器智能（MI）？

很少有機構能夠宣布在數據上和數據相關方面取得了勝利。即使數據是大部分是結構化的，并被限制在公司限制在內部信息中，管理和分析也是極具挑戰性的。今天，復雜的算法和分析技術使我們能夠解決復雜的情況，我們可以從被動描述發生了什么過渡到主動自動化業務響應。然而，即使具有快速發展的能力，一些組織仍然在數據上苦苦掙扎。

好消息是，機器智能提供了新的方法和技術，可以幫助我們最終克服一些長期的數據難題：

策略數據：MI技術可以以很大程度上自動化的方式應用于數據分類和本體以定義，合理化和維護主數據。MI可以分析每一塊數據，其中關系，并創建與數據的質量相近的派生導出。同樣，它可以潛在地提供用于補救出現的內容或上下文問題的手段。

有限和有目的：專注于獲得商業問題的洞察，如果解決，就能提供更加有意義的價值。讓問題陳述的范圍決定所需的數據輸入、適當的MI技術以及周圍的架構和數據管理需求。通過解決這些問題中的一些，您可以獲得更大的認可，以將MI應用于更復雜的問題。

夏爾巴人的歡迎（Sherpas welcome）：MI正在享受自己的啟蒙時代，學術界，初創企業和成熟的供應商都在爭相提高能力和添加新技術。考慮與供應商的合作，將是對你的努力的聯合投資、與能夠提供無限訪問寶貴專業知識的學者和思想領袖合作也是如此。

產業化分析：數據已成為關鍵的戰略性企業資產。但是，進行有目的的投入的、全面承諾培養、策劃、并在整個企業中利用此資產的企業數量還是很少。工業化分析指的是，為所有維度的數據企業包括機器智能，推動方法、平臺、工具和人才的一致性和可重復性的。在策略上，這可能會帶來數據攝取，集成，歸檔，訪問，授權，加密和管理的服務。

隨著2017年人工智能歷史上最令人興奮時刻的到來，亞馬遜團隊現在有能力想得更大更遠并探索新的領域。

在亞馬遜，我們相信語音將會，并在許多方面已經從根本上改善了人們與技術交互的方式。雖然我們距離能夠以人類的方式做事情還有很長的路要走，但我們正處于AI和語音技術的轉折點。

Amazon Echo的原始靈感是星際迷航計算機。我們想在云上創建一個完全由語音控制的計算機 - 你可以問問題，請求它做事情，為你做事，為你找到一些東西。很容易的以自然的方式交談。現在還不能完全做到，但這是我們的愿景。

Alexa的主要功能之一是Echo背后的語音和大腦，它是一個基于云的服務，在自然語言理解以及提高準確性方面總是變得更聰明。因為她的大腦在云中，她每天每小時不斷地學習和添加更多的功能，這只會使代表客戶創新和添加功能變得更容易。

自2014年11月推出Echo以來，我們為Alexa增加了7000多項技能。她的足跡遍布Echo系列設備，現在嵌入其他亞馬遜硬件（Fire TV和Fire平板電腦）和第三方設備，如Nucleus對講系統，Lenovo Smart Assistant揚聲器和LG Smart InstaView冰箱，并將Alexa嵌入到福特和大眾汽車公司的汽車中。

在她涉及的領域和她在搜索材料中的準確性方面，Alexa能有效地理解用戶。 即使如此，語音技術仍然面臨著持續的挑戰。 當我們最初開始時，這項技術甚至不存在 - 我們不得不發明它。 我們很幸運可以借助AWS云的力量，我們有令人難以置信的智慧的語音專家團隊，包括有才華的語音學家，來努力解決這些問題。

我們認為 AI 對客戶的好處和機會可以說是無限的。現在，Alexa 主要是在 Echo 上運行，但將來它可以通過無數的系統和應用程序實現擴展。我們通過使用 vAlexa Skill Kit（ASK），Smart Home Skill API 和 Alexa Voice Service API為開發人員提供一系列免費、自助的公共 API，從而使實施過程變得更加簡單。

最終，我們在機器智能，神經網絡和語音識別領域的發展將能為我們的客戶提供更多新功能。

在網絡安全層面，人工智能同時帶來了回報和挑戰。所謂回報，是指借助機器自動化的高速高效來保證風險控制某些方面的自動化，以快速有效地識別、警戒、觸發（或者相反地——消除）潛在的威脅。人工智能對網絡系統的杠桿作用可以幫助進行數據分析，并在這些工具識別風險后自動采取特別措施。

具有預知作用的風險和網絡模型將數據挖掘的范圍進一步延伸到了廣大的未知領域，例如暗網，并識別了可能遇到的新威脅。這進一步加強了人工智能在這一領域的有效性。

企業還可以借助人工智能來推進項目，制定策略，以及規劃產品。舉例來說，通過人工智能的深度學習能力，銷售團隊可以憑借社交媒體、公共記錄或其他網絡資源上已經存在的信息，構建起比較詳細的客戶資料。

不過，人工智能的客戶側寫能力也存在潛在缺點：上述過程可能會帶來網絡安全隱患。人工智能可能會做出一些引發新風險的推斷，尤其是當這些推斷本身就存在錯誤的時候。通過建立關聯，人工智能也可能會產生一些引發隱私問題的原始數據。歸根結底，企業應該仔細考量這些基于推理和關聯的原始數據。

確實，隨著人工智能在高效和節約成本方面的能力逐漸顯現，許多人開始討論更廣泛的倫理和道德問題。目前人類采用的人工智能會對社會、經濟和個體組織獲取機會方面產生怎樣的影響？你的企業如何面對主動出擊的人工智能所直接引發的品牌和信譽危機。還有，你的公司能否在已經被描述為“后工作經濟”的時代長期生存？

最后，關于風險的討論也應該包括許多人工智能技術采用“暗箱操作”的現實。眼下，清楚地解釋出某些決策和推薦是如何做出的，還不太可能。雖然有呼吁希望能進行算法的透明化，以最終推動審查和理解假設、觀察模式和解釋結論如何產生的新途徑，但這些途徑目前現在還不存在。在此之前，嘗試確定哪部分的透明度不足可能會是一個問題（法律上、名譽上和學術上），因此需要相應地調整計劃。

當我們駛入這些未知水域，CIO、CEO和其他領導者們應該出于對股東利益的考慮，仔細權衡這些名譽、安全、財務以及其他可能會在未來產生的各方面的風險。