沈建苗
随着科技的发展，人工智能和机器学习等技术越来越贴近我们的生活，它们也被应用到了越来越多的行业和领域。虽然形形色色的人工智能并不是“包治百病”的万灵药，但是它们可以帮助企业防御网络攻击，以及提高工作效率。人工智能和机器学习的主旨是帮助公司、企业的员工更轻松、更高效、更好地完成工作，而不是成为取代员工的工具，如果现在人们对人工智能和机器学习的期待是希望它们像电影里那样可以像人类一样独立思考的话，这种过高的期望可能带来的是让人失望的结果。
前美国情报官员德鲁·佩雷斯（Drew Perez）是使用机器学习和人工智能，解读海量数据的行家里手，当初是为了打击恐怖活动，确保国家安全。
佩雷斯凭借30多年积累起来的这方面专长，如今创办了Adatos这家总部位于新加坡的人工智能初创企业。他最近对美国国防和情报部门使用的最新解密的方法和软件稍加改动，迅速获得数据驱动型的洞察力。
佩雷斯说：“几十年来，我们情报部门一直在这么做。这其实并不算新潮，因为它很普遍、实用。”
二战期间，情报部门在位于布莱切利公园的英国政府通讯总部（GCHQ）首次应用了人工智能。正是在那里，情报人员使用后来为计算和人工智能奠定基础的技术，破译了赫赫有名的德国Enigma代码。
佩雷斯表示，自那以后，情报部门和美军一直在使用机器学习和人工智能来处理海量数据，但是以前的信号噪声比较难以管理。
他说：“目前需要打击恐怖活动，这就需要在短短几分钟内获得准确的洞察力。战争的较量体现在认知系统（包括人工和人类）的较量，处理信息，了解战场，比敌人更迅速地决定并执行。”
虽然人工智能和机器学习对军队和情报部门来说不是新技术，但是全世界在过去十年迷恋于它们能够击败国际象棋大师，在智力竞赛电视节目中击败人类对手。
这些发展主要得益于计算能力的迅速提高（想想摩尔定律），以及传感器和移动设备生成的大量数据。
然而，佩雷斯表示，如果人们期望电影《机械姬》（Ex Machina）中的仿人机器人能够像人类那样思考，如今人工智能和機器学习方面的炒作和过高期望可能会让人失望。
佩雷斯说：“如果按模仿人类的认知功能的预期来定义，人工智能基本上处于发展阶段，但是这并不意味着它不能极其高效地解决实际问题。”
亚太地区的实际应用
作为人工智能的一种形式，机器学习已经很普遍，可以立即拿来应用。
Cpgmozant的首席技术官安·乔汉（Aan Chauhan）表示，机器学习这些年来迅速成熟，在许多领域司空见惯，它可以帮助公司部署智能交互系统，以提高效率，增强安全，获得洞察力，提供出色的客户体验。
研究公司IDC声称，2015年到2020年，亚太区的人工智能市场会以63.9%的年复合增长率高速增长，超过全球增长率（55.1%）。
乔汉说：“无论是提供上下文、个性化的服务和客户互动的虚拟认知代理、帮助公司预测的预测分析引擎、帮助业务流程自动化的系统、实现基础设施管理和应用服务自动化的应用软件，还是增强人类专家功能的深度学习系统，机器学习已应用于诸多行业。”
例子包括金融服务业的机器人顾问、零售业的销售预测、物流业的供应链优化、机器人流程自动化，甚至是医疗影像分析，比如筛查视网膜影像，观察有无糖尿病视网膜病变。
乔汉说：“人工智能和机器学习平台需要一段时间来‘学习，但是引擎的效果会不断提高。”
Gartner的个人技术团队研究副总裁特蕾西·蔡（Tracy Tsai）表示，眼下，除了要求人类处理大量信息来做决定的工作外，重复性任务也比较适合机器学习。
比如说，在拥挤的地方，人眼很难在川流不息的人群中识别犯罪分子的脸部。这时候，机器学习和人工智能就可以用于监视识别。
机器学习功能还用于增强网络安全、提高无人驾驶汽车的安全性。
高保真度机器学习
在网络安全方面，机器学习让安全软件能够识别攻击系统的已知威胁，从而阻止威胁趁虚而入。
趋势科技亚太区未来威胁研究的高级经理瑞安·弗洛里斯（Ryan Flores）表示，这个过程还帮助软件建立威胁数据库，让数据库得以逐渐识别并阻止更多的威胁。
然而，在面对系统之前从未遇到过的未知威胁时，传统的机器学习变得不知所措。
弗洛里斯说：“基于传统机器学习的安全软件只能在文件执行前运行测试，在一些情况下会让威胁溜进来。这种方法过时了，因为许多威胁只在执行时才显露恶意企图，等到那时它已进入系统，为时太晚了。”
一种更好的办法是弗洛里斯所说的“高保真度机器学习”（high-fidelity machine learning），它在恶意软件执行之前和过程中运行测试，让安全应用软件可以中途阻止恶意活动，将恶意软件赶出系统。
高保真度机器学习还能够带来其他许多防御功能，比如减少误报、行为分析和阻止操作系统被人钻空子。
弗洛里斯表示，这种机器学习功能可以针对相应的威胁，自主、智能化地选择合适的防御，减轻IT系统的计算负担。
描述性机器学习的帮助
营销人员也在利用机器学习更准确地预测某些客户对各种营销活动有怎样的反应，以及他们在所谓的转化过程中购买的可能性有多大。
MediaMath公司的高级副总裁希瑟·布兰克（Heather Blank）表示，这可以帮助品牌和广告代理公司在开展更全面的营销活动时，通过最佳渠道，在最合适的时机锁定合适的目标群。
然而，布兰克表示，机器学习未必总是具有预测性的，它也可以是描述性的。
她说：“研究机器学习模型有助于解释哪些特点在预测事件（通常是转化）中很重要，哪些特点可能没有意义，甚至可以预测出根本不会发生的事件。”
这可以帮助营销人员过滤掉干扰信息，更清楚地了解消费模式。它还能帮助营销人员真正搞清楚什么对采购周期来说很重要，甚至理想的消费者会是什么样。
过于依赖会有严重后
Cognizant的乔汉特别指出，机器学习迅速得到采用也让它的一些局限性浮出水面。这包括出现孤岛数据、深度学习分析人才有限和算法准确性不一。
随着技术不断成熟，乔汉提醒过于依赖机器学习或误解其功能会有严重后果，尤其是由于基于机器学习的应用软件可能一开始就无法完全理解人类情绪和文化背景的独特性。
他说：“公司要认识到，机器学习的主旨是帮助员工更好地完成工作，而不是取代员工。”
Adatos的佩雷斯表示，然而在一些情况下，机器学习和人工智能可以取代数据科学家。
佩雷斯说：“在金融行业，不是利用数据科学家来构建基于风险的模型，而是使用机器来这么做，而且速度要快得多。”他补充道，“监管部门将不得不开始正视并应对这类模型。”
他说：“由于机器在非常快速而准确地构建这些模型，监管部门必须获得足够的经验来测试和信任机器。”
人工智能现在就行动起来
Gartner的蔡表示，随着机器学习和人工智能技术变得更普及，企业组织对于它们对工作场所带来的影响要有所准备。她说：“我们在今后10年会看到更多的应用案例，所以公司要开始应用起来，以保持竞争力。”
趋势科技的弗洛里斯表示，企业组织要搞清楚哪些重要方面需要机器学习。比如说，它们是否需要更深入地洞察客户？是否想要更全面地了解所使用的产品？有没有一种方法可以改善提供的产品或服务？提出对业务运营很重要的问题，将帮助公司知道自己需要使用机器学习干什么？
但不是所有公司都会拥有构建数据模型、整合人工智能和机器学习所需的人才和技能。蔡说：“它们应求助于在特定行业或特定方面（比如自然语言处理）有着成功经验的供应商。”
MediaMath的布兰克表示：“机器学习是个强大的工具，但有其局限性，它不是什么神奇的盒子。它能解决许多问题，但无法解决所有问题，决定其成功的最重要因素之一就是数据具有的质量、相关性和新颖度。”
