如今，人工智能技術已經(jīng)廣泛應用在各行業(yè)和領域：可穿戴設備、汽車、生產(chǎn)力應用程序、軍事、醫(yī)療保健、家庭娛樂等等，行業(yè)專家對人工智能如何革新業(yè)務流程進行了解釋和分析。

由于在過去的五年中出現(xiàn)了許多不同的情況，形成了重要的融合，因此人工智能和機器學習除了在數(shù)據(jù)中心或家庭中通常使用的設備之外，也越來越多地應用在云平臺和邊緣計算設施中。

例如，高速帶寬、5G連接性、超高質(zhì)量的代碼和代碼庫、前所未有的強大處理器（比以前的型號功耗更低）、無限的存儲容量、設計巧妙的移動和固定連接設備、種類繁多的云服務等，那么下一步的發(fā)展是什么？

總部位于加利福尼亞州的Mounworks公司首席技術官兼聯(lián)合創(chuàng)始人Vaibhav Nivargi撰寫了一篇問答式文章。該公司將人工智能技術廣泛應用于IT用例。

人工智能技術給許多行業(yè)領域帶來影響，但是在IT支持方面似乎服務不足，是這樣嗎？

Nivargi：在大多數(shù)情況下，IT支持仍由組織的IT團隊進行管理，這意味著該過程往往會非常緩慢。在各行各業(yè)中，我們發(fā)現(xiàn)每個IT支持服務平均需要3個工作日才能解決，而在完全依靠技術來完成任何事情的時候，有些工作就陷入了停滯狀態(tài)。而且，由于IT團隊不愿解決重復而頻繁的技術問題，例如重置密碼和編輯電子郵件組，因此他們沒有時間專注于關鍵的數(shù)字化轉(zhuǎn)型項目。

除了對生產(chǎn)力和數(shù)字化轉(zhuǎn)型的影響之外，獲得IT人工支持的方法還直接影響到利潤。例如，就算每名普通員工每月提交一張IT票證。平均來說，使用傳統(tǒng)的方法處理每張票證大約需要25美元的成本，例如采用服務臺代理、工作流工具、服務中心等等。對于一家擁有1萬名員工的公司來說，每年僅用于支持成本的支出就達到300萬美元。

Moveworks公司所做的工作使IT團隊能夠使用人工智能技術自動解決這些故障單，而花費很少的成本。人工智能和機器學習已經(jīng)幫助加速和擴展了各個業(yè)務領域的大量流程。將這種邏輯擴展到支持工作中的員工現(xiàn)在可以產(chǎn)生類似的強大結果。

IT技術一直在推動現(xiàn)代化已有一段時間。是什么阻礙了它？

Nivargi：根據(jù)我們的經(jīng)驗，許多大公司的首席信息官擔心添加任何新的人工智能解決方案，其實他們應該提倡IT現(xiàn)代化。他們通常有兩個反對理由：一方面，他們擔心增加更多的工具會增加最終用戶的復雜性;另一方面，他們擔心維護人工智能將需要團隊成員做太多的工作，導致最終結果將是負面的。當然，這些都是合理的考慮。大多數(shù)企業(yè)已經(jīng)使用了更多的工具和應用程序，而且許多人工智能解決方案實際上是IT團隊必須自己構建和管理的“人工智能工具包”。

而抵制IT現(xiàn)代化很有趣，因為這樣做的主要目的是減少最終用戶的復雜性和IT團隊的負擔。因此，我們采用的方法是處理聊天機器人的語言處理模型和后端集成，以便使幕后技術對員工和代理商不可見。最終，現(xiàn)代化的IT意味著簡化IT：無需進行IT團隊的參與，即可通過與機器人對話，使員工自動獲得所需的支持。

對于IT團隊來說，這是有趣的一年，因為他們必須保持遠程勞動力的生產(chǎn)力。您和您的客戶感覺如何？

Nivargi：我們從來沒有預料到我們的平臺會被廣泛地應用于任何地方的工作場景中。幾乎在一夜之間，部署IT服務臺就成為了各行業(yè)組織內(nèi)部每個部門的關鍵任務?，F(xiàn)在，獲得技術支持比以往任何時候都更為迫切，無論員工身在何處，何時提出要求，他們都需要立即得到幫助。這是為人工智能量身定制的問題。

在服務臺方面，最初向在家遠程工作的轉(zhuǎn)型面臨著大量的請求，同時面臨新的挑戰(zhàn)，例如使遠程員工保持最新狀態(tài)并回答有關企業(yè)政策的問題。

例如我們的客戶Unity Technologies公司，該公司的員工第一個月在家遠程工作非常繁忙，對Zoom許可證的請求增加了6倍，對政策的質(zhì)疑增加了5倍，IT問題的總數(shù)幾乎翻了一番。

Unity公司工作人員則求助于Moveworks公司聊天機器人Ninja Unicorn。在轉(zhuǎn)移到遠程工作的過程中，與Ninja Unicorn交互次數(shù)是原來的三倍，其結果是Unity的IT團隊成功地滿足了不斷增長的支持需求。

雖然工作的未來充滿不確定性，但是毫無疑問，人工智能將發(fā)揮核心作用。

很多組織對人工智能技術感到好奇，因為IT部門傾向于使用較小的數(shù)據(jù)集，人工智能不需要大量的數(shù)據(jù)集來產(chǎn)生結果嗎？

Nivargi：這是一個很好的問題。確實，有效地訓練機器學習（ML）模型需要“大數(shù)據(jù)”，即數(shù)百萬個數(shù)據(jù)點，這些數(shù)據(jù)點最終使模型可以做出可靠的預測。問題在于大多數(shù)公司根本沒有太多例子可以使用。例如，一家規(guī)模較小的公司可能只有30個相關數(shù)據(jù)需要自動處理，而谷歌公司可能有30萬億個相關數(shù)據(jù)需要自動處理。

但是，如果能夠克服它對于機器學習的明顯缺點，則企業(yè)中的“小數(shù)據(jù)”實際上非常有用。例如，小數(shù)據(jù)比大數(shù)據(jù)具有更大的個人相關性潛力，因為小數(shù)據(jù)可以從極其特定的環(huán)境中捕獲模式和趨勢。

由于有了更大的數(shù)據(jù)集、更多預算和機器學習團隊，大型科技公司仍然擁有優(yōu)勢。但幸運的是，幾乎任何組織都能夠以最小的努力使人工智能投入工作，而無需雇用專門的專家團隊來維護它。借助集體學習等技術，第三方人工智能供應商可以為中型組織提供支持，并幫助他們從強大的機器學習中受益。對于來自多個公司的數(shù)據(jù)中出現(xiàn)統(tǒng)一模式（例如IT支持）的用例尤其如此。

簡而言之，不必因“小數(shù)據(jù)”問題而妨礙機器學習的努力。

在IT高管和首席信息官考慮在2021年加速IT支持時，有什么建議嗎？

Nivargi：服務臺需要停止IT支持的惡性循環(huán)，在這種惡性循環(huán)中，代理商忙于解決個別IT問題，以至于他們沒有時間解決根本問題和效率低下的問題，從而給最終用戶帶來更多問題。

當然，這說起來容易做起來難。以下是IT團隊可以采取的一些步驟：

從所有IT票據(jù)收集和綜合數(shù)據(jù)，以發(fā)現(xiàn)用戶行為趨勢。始終如一地跟蹤所有票證（無論是人工處理還是使用自動化系統(tǒng)），都可以為優(yōu)先級最高的人工智能用例確定優(yōu)先級。

確定更常見和更耗時的支持請求，這些請求是自動化的潛在候選者。例如，解鎖用戶帳戶、配置軟件、編輯電子郵件組以及訂購設備。

實現(xiàn)無需服務臺干預即可解決這些常見請求的人工智能聊天機器人。一些聊天機器人（包括Moveworks公司的聊天機器人）還提供了用戶行為趨勢的可視性，以加快步驟。

我們的一些客戶擔心在初次與人工智能和機器學習合作時，他們的環(huán)境還不夠成熟。因為在采用解決方案之前，通常不知道會面臨什么問題，尤其是在機器學習中，而這一解決方案通常是一種有價值的資產(chǎn)，并且隨著時間的推移影響力會越來越大。
責編AJX