從不斷增加的資料集做出更具智慧且更快速的決策
許多企業問題的複雜程度可能令人抓狂，包含分析極大量且多元化的資料集。組織通常會遇到這類問題：「IT 是否能夠建立垃圾訊息搜捕應用程式來遏止發佈垃圾訊息，以免導致公司的社群網站論壇堵塞？」
回答並對此類複雜、資料密集問題採取動作，可能超出了傳統商業智慧 (BI) 和規則型分析系統的能力範圍。在來自雲端、社群媒體、智慧行動裝置和物聯網 (IoT) 的大數據氾濫的動態商業環境中，這些方法具有的前瞻性或靈活性可能不足。為了充分瞭解和解決涉及龐大資料寶藏的瞬息萬變挑戰，各行各業的公司（從醫療保健業到銀行業、運輸業到製造業、教育業到零售業等行業）都在使用機器學習升級其分析功能。
機器學習是人工智慧 (AI) 的子集，它使用專門的軟體演算法反覆進行「學習」，並調整為篩查大規模資料集的程式。這些範例能讓組織探索模式、深入解析和趨勢，並對其採取動作。此外，這在一段時間後也會產生更完善的結果，無需人為介入。這些優勢讓機器學習每天都在逐漸成為主流。學習推動各式各樣現實世界應用的電腦：IoT 資料分析、電腦伺服器監控、目標式廣告、影像辨識、路由排程、基因序列、遊戲、自動駕駛車輛、能源勘探、臉部辨識等眾多應用。
機器學習會從極大型資料集產生資料導向深入解析和複雜且可採取動作的決策，這比人工分析、傳統 BI 或其他 AI 方法更加快速且可靠。機器學習促進企業營運的效率提升、改善安全性，並激發由資料推動的創新，提供專為客戶行為量身打造的新產品與服務。
建立更具智慧的內部業務程序
根據 Bain & Company 進行的一項最新研究，使用機器學習和分析的公司與其競爭對手相比，做出資料導向決策的可能性為其兩倍、更快速做出決策的可能性為其五倍、更快速執行這些決策的可能性為其三倍，獲得名列前四分之一的財務成果的可能性為其兩倍。對許多組織而言，隨著機器學習不斷遞增的商業智慧成熟度曲線是從使用機器學習開始，能夠改善關鍵內部業務程序。
一些概覽範例包括：
改善雇用和員工績效：某家全球速食公司採用機器學習，以取得有關人才網羅、留用和員工績效的深入解析。此類「人員分析」在多個整合式資料來源上使用預測模型技術，以提供有關 HR 資料的深度深入解析。
自訂行銷：某家義大利大型銀行建立認知分析系統，以分析客戶資料並找出隱藏的商機熱點。該方法產生鎖定目標的推播式行銷計畫，大幅改善了轉換率。
自訂價格報價：某家頂尖全球軟體公司使用由機器學習推動的電腦化價格報價，以針對所有客戶和潛在客戶量身打造精確的目標式選項。該公司有更準確且成功在望的預測，因為機器學習與客戶關係管理 (CRM) 及企業資源規劃 (ERP) 系統相互整合。
個人化醫學：越來越多的醫療保健提供者使用機器學習，帶動資料導向的精準醫學方法，識別最符合成本效益的個人化治療方案。
對於許多醫療保健和其他領域的早期採用者而言，機器學習正在透過改善效率、新增探索、改善產品與服務或提升客戶體驗來重塑其企業。
1.IT 是否能夠建立垃圾訊息搜捕應用程式來遏止發佈垃圾訊息？
機器學習的核心優勢之一，就是能夠在瞬息萬變的情況下，在廣大的資料集區內辨別不尋常的模式，使該技術非常適合在安全性領域中進行更快速的偵測和緩解。舉例來說，機器學習演算法會尋找雲端資料存取方式的模式，並回報可預測安全漏洞的異常。支付處理器會使用學習演算法來追蹤信用卡和簽帳金融卡使用者的購買模式，標示不尋常的購買金額或與商家的互動等異常情況，或在指向可能是詐騙的地理位置。
舉例來說，Intel 公司在為客戶、合作夥伴和員工提供服務的社群論壇網站上，使用機器學習技術來研究和遏止垃圾訊息。Intel 的一個大型論壇每天遭到多達 10,000 則垃圾訊息貼文淹沒。
通常會採取的補救措施是募集自願仲裁人來刪除垃圾訊息貼文，但這無法擴充規模，而且耗用了太多的員工時間。而且也無法使用篩選器來遏止此問題。越來越多且無處不在的新垃圾訊息機器人讓我們更難以定義一個封鎖特定字詞的通用規則。該訊息是否宣傳了海上賭場賭博，或該訊息是否來自 Intel 的其中一個娛樂產業客戶？
在感到沮喪之下，Intel 的 IT 小組採用了另一個解決方案。該公司已將自動化應用於許多領域，例如電腦健康監測和工廠程序。由於自動化提升了這些領域的效率和成效，何不將機器學習用於自動垃圾訊息管控呢？Intel 工程師使用複雜的機器學習技術打造垃圾訊息篩選服務，自動封鎖不必要和惡意的訊息。文字分析可讓系統偵測 75 種語言的褻瀆和令人反感的內容。此外，信譽引擎會監控使用者設定檔，以辨別特定來源提交垃圾訊息的可能性。
在 Intel 實作此計畫後，攻擊數立即下降，而且垃圾訊息量一直保持在可控範圍內。由於該服務能夠動態學習並封鎖不必要的訊息，垃圾訊息貼文激增的狀況已經差不多都消失了。
2.我們如何以更具智慧的方式使用感測器？
對於許多企業而言，機器學習最重要的用途是，理解並利用來自數兆個感應器及其他連線至物聯網（IoT）和工業物聯網（IIoT）之裝置的資料洪流。在過去一年內，汽車和工具製造商、製藥公司、車隊業者和其他產業的公司已經開始或擴大機器學習與分析在 IoT 中的應用，以做為自動化製造的基礎。
舉例來說，Siemens AG 跨出了建立自動化製造工廠的第一步，建立了一個雲端型開放式 IoT 生態系統並稱之為 MindSphere*。此健全數位平台會擷取、儲存和分析製造控制系統及透過 IoT 連線設備上的感測器所產生的資料1。Siemens 使用機器學習來研究此資料並分析整個供應鏈。如此一來，這個國際工業巨擘就能判斷製造產線中有哪些地方需要改善，進而為公司帶來最大的收益。這種「智慧資料」為 Siemens 經理提供了可採取動作的深入解析，改善設備運作時間並提高生產營運的效率。
機器學習和分析是自動化製造的基礎，所有程序最終幾乎都會數位化和高度自動化。學習演算法的迅速成熟讓製造商能夠即時收集、儲存和分析大量資料，並將該資料轉化為可採取行動的資訊集合。更重要的是，機器學習可新增利用動態機器學習技術來瞭解其環境、使用者和記錄的主動式裝置，藉此協助分析師做出營運決策，進而協助公司變得更具智慧。
3.我們是否可以彙總許多人的財務記錄，以協助偵測詐騙？
改善目前業務程序只是善加利用機器學習強大功能的第一步。此方法產生的前所未有深入解析可以激發新產品、服務和新的業務往來方法。它可以讓所有產業進行轉型。
請想想看零售業。實體店面在彼此競爭以及與線上勁敵競爭時，經常努力進行自我重塑。專家表示，零售業的致勝及生存之道取決於是否能建立高度個人化的線上與店內銷售整合。一家零售公司體認到，只要瞭解客戶感興趣的產品（並在適當的時機讓這些產品呈現在這些客戶面前），就能消除銷售程序中的許多阻力。這必須結合連線裝置與分析軟體 2。
該公司建立了一個應用程式，使用店內感測器和機器學習技術擷取並分析風格偏好及購買趨勢，來為服裝設計師提供指導建議。
該零售商的另一個應用程式可根據初始用途建議其他商品，藉此協助將選項新增到客戶已經購買的整套服裝。如果客戶從該品牌的電子商務網站購買了一件襯衫，以 AI 為基礎的平台會顯示包含其他衣服和配件的功能表來建議「完整穿搭」。此方法大幅改善了銷售點的收益。的確，該零售公司目前每天會向客戶提供 450 萬個建議。感測器與選項配對應用程式都為零售商提供了有關客戶偏好和行為的大量重要資訊，可用來個人化並改善銷售量及服務。
隨著頂尖零售商逐漸將其焦點轉變到機器學習與分析，顯然在整個產業努力進行自我轉型之際，資料正成為一股推動力。隨著 Lowe's* Home Improvement 和 Amazon* Go 雜貨店等零售商部署裝滿感測器的機器人來進行即時貨架稽核以最佳化庫存，此趨勢可能會不斷增長。此零售範例展現了機器學習所提供的商機。採用該技術與不採用該技術的公司之間的差異，將會決定哪些公司能夠成為產業顛覆者，而哪些公司會失敗並逐漸瓦解。
Intel 如何協助實現機器學習優勢
機器學習和資料分析有助於讓組織變得更具智慧、更快速、更有效率且更具有創新能力。更完善且更快速的即時決策可促進改善營運和新產品及業務模式，提供真正的競爭優勢。無論企業是剛開始使用機器學習試行方案或已實行更具野心且進階的分析專案，Intel 均可提供各種資源與技術，協助建立機器學習技術所需的穩健端對端架構。
Intel 的效能最佳化產品組合和豐富的解決方案生態系統可支援朝著進階機器學習分析不斷進展。Intel 採取的做法是與頂尖系統整合商和技術廠商合作，提供分散式儲存和大數據處理的架構。
該公司的專家以及經驗豐富的合作夥伴協助組織根據各種機器學習技術和實作需求，做出最佳決策。
重點在於，分析領域的機器學習時代已經到來。Intel 已經證明，無論是對於其自身企業或其客戶和合作夥伴，機器學習都能發揮極大的價值。