十家将机器学习玩出新花样的公司

机器学习 人工智能 深度学习

摘要：

本文介绍了十家不同领域公司对机器学习技术的实践运用，并简要探讨了机器学习领域未来的发展趋势。

正文：

如果我们能从科幻电影中学到点什么，未来一定是一个阴冷可怕的世界，由产生了意识的凶残机器人统治着。

好在上述各种可能性顶多只会有一种成真，但情况很快就不同了，就像末日预言者迫不及待想要告诉我们的那样。

图片来源：Abdul Rahid

人工智能和机器学习是近年来进展最受瞩目的技术。其他领域很少能像机器学习这样对我们的生活造成“颠覆性”（借用一个大家都在用的词）影响，但机器学习技术的很多应用都发生在我们看不见的地方。

想看看机器学习技术在现实中的应用吗？下文介绍的十家公司正在将强大的机器学习技术运用在各种新颖奇特的领域（从中也可以管窥到机器学习技术的未来）。

1. Yelp – 大规模图片管理

体验过一家新餐厅，然后上网吐槽，很少有别的事情能比这更让人不爽的。而这也是Yelp大受欢迎（并且那么实用）的原因之一。

虽然乍看起来Yelp并不是一家技术型公司，但实际上Yelp正在利用机器学习技术改善用户体验。

对人类来说，将图片按室内/室外这样简单的条件分类很容易，但对计算机来说极为困难

图片是Yelp用户评论的重要组成因素，因此不难理解Yelp为何要不断改进图片处理方法。

为此Yelp早在多年前就开始使用机器学习技术，并以此为基础开发了他们的首个图片分类技术。Yelp的机器学习算法帮助这家公司中的人类员工更高效地汇编、分类、标记海量图片 —— 面对上千万张图片，这个任务一点都不简单。

2. Pinterest – 提高内容的可发现能力

无论对于Pinterest的骨灰级用户或以前从未用过这个网站的人，Pinterest都在社交媒体生态系统中占据了重要地位。Pinterest的主要功能是组织整理现有内容，因此有必要通过技术让这一过程变得更高效，而Pinterest恰恰也就是这样做的。

2015年，Pinterest收购了Kosei，这是一家专注于及其学习技术（尤其是内容发现和推荐算法）商用化的机器学习公司。

目前，机器学习几乎已经遍布Pinterest的所有业务运作流程，从垃圾信息审核和内容发现到广告内容货币化以及减少新闻邮件订户流失率，都用到了机器学习技术。很酷！

3. Facebook – 聊天机器人军团

虽然Facebook的Messenger服务依然不温不火……这一点倒是有争议（貌似大家对不同聊天应用都有非常强的粘性），但该服务依然是这个全球最大社交媒体平台最令人激动的服务之一。因为Messenger已经成为一些实验性聊天机器人程序的测试场地。

在通过文字交流的情况下，一些聊天机器人的表现已经很难与人类区分开来了

任何开发者都能基于Facebook Messenger创建并提交聊天机器人。这意味着重视客户服务和客户维系的公司，哪怕还是开发能力有限的小型初创公司，也可以充分使用这项技术。

当然，Facebook感兴趣的机器学习技术还有很多。Facebook已经在使用人工智能技术筛选垃圾信息和质量低劣的内容，该公司还在研究能够为视觉受损用户“读取”图片内容的计算机视觉算法。

4. Twitter – 时间线管理

Twitter最近引发了很多争论（例如他们最近决定将用户头像处理成圆角，并改变通过 @ 提及某人后通知对方的方式，这些决定就受到了很多争议），但对Twitter来说，最大的争议之一可能就来自于对信息源（Feed）算法的改变。

通过算法调整Twitter时间线内容的做法让Rob Lowe极为不爽

无论你是愿意让Twitter将“最佳推文展示在首位”（也不知道这是啥意思），或者按照一定的规则以推文的发布时间排序显示，这些变化都是由Twitter的机器学习技术驱动的。Twitter的AI会实时评估每条推文，并根据不同指标为推文“打分”。

借此，Twitter的算法会展示最有可能吸引用户兴趣的推文，具体因素则可根据每个用户的特征来决定。Twitter的机器学习技术会根据每个人的偏好做出决定，通过算法安排时间线上的内容，对于真真正正的老实人来说这真是糟透了。（真的会有人喜欢算法决定的时间线吗？请在评论中答复，你还真是怪异得可爱。）

5. Google – 神经网络和“有梦想的机器”

近一段时间来，与其劳心费力列举Google，或他的母公司Alphabet研发部门正在努力的技术方向，可能直接列举他们没涉足的领域会更简单些。

毋庸置疑，Google近些年很忙，正在不同领域百花齐放：抗衰老技术、医疗设备，当然还有最让技术宅们激动的领域：神经网络。

精选的Google神经网络画作

Google有关神经网络的研究成果中，最瞩目的可能就是DeepMind网络，“有梦想的机器”。这个网络还绘制了一些前段时间被人们津津乐道的梦幻风格画作。

根据Google的介绍，他们正在研究“围绕机器学习的几乎方方面面”，并获得了一些激动人心的成果，例如Google所谓的“经典算法”，以及包括自然语言处理、语音翻译、搜索评级和预测系统等其他应用。

6. Edgecase – 提高电商转化率

多年来，零售商一直在努力弥补线下实体店购物和线上购物之间的鸿沟。虽然很多人都在说在线零售商敲响了传统零售业的丧钟，但很多电商网站依然很糟糕。

Edgecase，原名Compare Metrics，这家公司想要改变这一情况。

Edgecase希望通过机器学习技术帮助电商企业改善用户体验。除了通过优化电商购物体验提高转化率，Edgecase还计划借助自己的技术为还不太清楚自己到底想要买什么的买家提供更好的体验，他们会分析代表商业意图的用户行为和操作，让无目的的随意浏览变得更有价值，更接近传统的零售店购物体验。

7. 百度 – 语音搜索的未来

Google并不是唯一涉足机器学习领域的搜索巨头。中国搜索引擎百度也在人工智能应用方面进行了巨大的投入。

简化的五步示意图展示了自然语言处理系统的关键环节

Deep Voice是百度研发实验室最受人关注（也最让人不安）的成果之一，这是一种深度神经网络，可以合成人类声音，效果与真正的人类讲话几乎难以分辨。这个网络可以“学习”语调、口音、发音、音高等方面独特且微妙的差异，以精确到可怕的效果重现讲话者的声音。

这并不是什么无聊的实验，该技术的最新版本Deep Voice 2承诺对自然语言处理技术进行持续不断的完善，并将其作为语音搜索和语音模式识别系统的底层技术基础。这会对语音搜索应用产生翻天覆地的影响，并且可以衍生出大量其他领域的潜在应用，例如实时翻译和生物识别安全机制。

8. HubSpot – 更智能的销售

任何熟悉HubSpot的人可能已经知道，这家公司历来喜欢在第一时间采用各种新兴技术，而该公司月初对机器学习公司Kemvi的收购再次证明了这一点。

预测线索评分仅仅是人工智能和机器学习广泛应用领域之一

HubSpot计划在自己的各类应用程序中使用Kemvi的技术，最受关注的是即将应用在其内部内容管理系统中的Kemvi DeepGraph机器学习和自然语言处理技术。

根据HubSpot的首席战略官Bradford Coffey介绍，这种技术可以帮助HubSpot更好地识别“触发器事件”，例如公司结构、管理层以及可能对日常运维产生影响的任何变化，借此HubSpot可以更高效地吸引潜在客户，服务现有客户。

9. IBM – 更好的医疗健康

这里提到IBM看起来可能有点奇怪，毕竟IBM可谓是最大规模，同时也最古老的遗留型技术公司之一，但IBM正在从古老的业务模式向着新的业务模式转型，并取得了不错的成果。在IBM的诸多产品中，与人工智能有关的Watson就很好地证明了这一点。

IBM Watson用于测试并验证自主学习行为模式的范例之一

Watson曾是电视节目Jeopardy!的冠军，但除了在电视游戏节目中打败人类选手外，它还在很多方面取得了傲人的成绩。近些年来，很多医院和医疗中心已经部署了Watson，并在某些类型癌症的诊断方面展现出比人类肿瘤学专家更有效的能力。

除了医疗行业，Watson在零售领域也有这极大的潜力，可以充当顾客的购物助理。因此IBM已经开始通过授权的方式提供Watson机器学习技术，这也是人工智能应用领域首个这样做的典范。

10. Salesforce – 智能CRM

作为技术世界的巨头，Salesforce在客户关系管理（CRM）领域占据了主要市场份额和相关资源。就算最老练的数字化营销从业者，预测和计分工作中也会面临巨大的挑战，因此Salesforce在自家专有的Einstein机器学习技术上下了很大的赌注。

Salesforce Einstein可以帮助使用Salesforce CRM软件的企业分析客户关系的方方面面 —— 从最初的联系到随后持续不断的接触点均可包含在内，借此构建更详细的客户画像，识别销售过程中的所有重要时刻。这意味着用户可以获得更全面的线索计分，提供更有效的客户服务（并改善客户满意度），抓住更多商机。

机器学习的未来

对于进展速度如此快的技术，目前最大的问题之一在于，无论任何原因，我们最终会将这些进步视作理所当然。上文列出的一些机器学习技术的运用哪怕在十年前都是不敢想象的，而科研人员前进的步伐依然让我们惊叹不已。

那么机器学习领域的未来会是什么样？

机器的学习成效更显著

很快，我们将开发出学习成效更高的人工智能。这将大幅改变算法的发展历程，例如人工智能可以在只需最少量人类监管的情况下自行识别、调整、改进自己的内部结构。

网络攻击对抗自动化

网络犯罪和勒索的盛行迫使不同规模的公司重新思考自己该如何对系统化的在线攻击做出回应。很快我们将看到AI在网络攻击的监视、预防和回应方面担任越来越重要的角色，例如数据库入侵、DDoS攻击以及其他威胁的处理等方面。

更有信服力的生成模型

很多生成模型，例如上文提到百度使用的模型，已经足够有信服力了。但是很快我们将完全无法将其与人类区分开来。生成模型的进一步完善使得算法能够创造出更逼真的图像、声音，甚至完全由算法生成的“人”。

更完善的机器学习训练

就算最精妙的AI，学习效率也受制于所获得的训练。以前，机器学习系统需要通过极为海量的数据进行训练，但以后的机器学习系统“学习”过程中需要的数据量将越来越小，需要的数据集越小，也意味着系统的学习速度会越快。

作者：Dan Shewan，阅读英文原文：10 Companies Using Machine Learning in Cool Ways