作者 | Daniel Faggella

出品｜CDA數據分析師

大多數人工智能解決方案都不適用于小型企業，但隨著時間的推 我決定了解人工智能解決方案現在的位置以及最終如何讓小企業獲得這些解決方案。

本簡短指南討論了企業在某些方面實施人工智能所需的人工智能投資水平和專業知識，以及人工智能供應商需要克服的挑戰，以使自己更易于小企業使用和獲取。

對于小企業主來說，不要因為人工智能的炒作而陷入困境和分心，而是要了解它的本質，并且只關注那些可能會對他們的業務產生影響的人工智能解決方案。本報告旨在為小型企業所有者提供對機器學習在小企業整體技術范圍內的適用性的理解，使他們能夠防止人工智能炒作，并在人工智能在小型企業領域實現可訪問時更有效地利用人工智能。

在本報告中，我將討論以下內容：

• 實施AI所需的投資和專業知識水平
• AI供應商需要解決兩個問題，以便小型企業可以訪問AI
• 小型企業在查看機器學習解決方案時需要避免陷阱

實施人工智能所需的投資水平和專業知識

有三個級別的投資和專業知識可確定哪些企業能夠訪問AI解決方案。它們如下：

• 創建AI解決方案
• 與AI供應商合作
• 使用AI工具

創建AI解決方案

希望創建自己的AI解決方案以解決其特定業務問題的企業將需要最大量的投資和最高水平的AI專業知識。更具體地說，這些企業將需要：

• 大量數據
• 強大的數據基礎架構和數據清理流程
• AI領導團隊的專業知識
• 深入的領域專業知識以及AI在該領域的作用
• 風險投資

熟悉的基于人工智能的推薦引擎（如Netflix和亞馬遜）可以預測哪些推薦會促使特定用戶執行理想的操作，例如觀看更多電影和購買更多產品。這是因為這些公司擁有大量數據可供繪制。對于每天進行20筆交易的小型企業而言，情況并非如此。

此外，這些公司雇用大型數據科學家團隊來構建，清理和更新他們的數據庫和人工智能解決方案，這是小型企業根本無法承受的，除非他們得到風險資本家的支持，這些資金可以幫助企業構建他們的AI解決方案在它進入市場之前。

與AI供應商公司合作

雖然希望將AI解決方案集成到其工作流程中的企業可能會向供應商公司付費，但他們可能需要達到與希望構建自己的AI解決方案的公司相同的先決條件。

在某些情況下，即使有一些數據科學人才，也可能需要數月的集成時間才能實現人工智能軟件，而軟件仍然無法提供預期的結果。設置和集成AI解決方案的困難可能在很大程度上破壞軟件的任何好處，除非企業已經擁有合適的人工智能人才，這將使整合順利進行。

客戶保留營銷公司 Optimove可能能夠與 1-800-Flowers.com這樣的公司合作，因為它可能擁有當地草坪護理公司所不具備的數據科學人才。Digital Genius，Luminoso和 Acquisio]等公司也是如此。如果可能的話，他們會喜歡與媽媽們合作，但是如果他們還沒有必要的數據科學人才來設置并將AI軟件集成到他們現有的系統中，那么那些媽媽和流行音樂網點尚未準備好進行AI。

在大多數情況下，了解供應商是否擁有真正的小型企業解決方案的最佳方法是檢查其網站的客戶或案例研究頁面。如果網站上提到的所有公司都有200名或更多員工，可以說供應商不提供小型企業能夠實施的軟件。例如，Acquisio 為小型企業提供促進潛在客戶和PPC活動的推廣，但它沒有在其成功案例頁面中提及任何小型企業。

使用AI工具

這些強大的先決條件對于小型企業來說難以滿足，因此事實是，對于小型企業來說，實施AI解決方案，該解決方案必須真正“開箱即用”。這意味著它可以隨時使用任何培訓，才能或調整。只需通過幾個在線教程或閱讀手冊，任何人都可以在短時間內學會使用它。

我將這些解決方案稱為“工具”。人工智能工具不需要內部數據科學人才，數據基礎設施，風險資金 - 這些都不是。不幸的是，AI工具只是AI業務解決方案領域的一小部分，但它們確實存在。

一個例子是 谷歌地圖，各種規模的企業都可以實現良好的效果。Facebook廣告同樣易于使用。兩者都使用機器學習API，但都不需要數據科學家使用和維護。當某些東西對消費者友好時，小企業可以使用它。

AI供應商需要解決的兩個問題，即AI可以訪問小型企業

AI供應商都希望進入小型企業市場。因此，他們不斷努力提出類似于谷歌地圖和Facebook廣告的解決方案，這些解決方案對小型企業來說非常容易獲得。亞馬遜也很擅長通過其推薦引擎幫助小企業推銷其產品。

但是，這些解決方案都不會在一夜之間獲得。例如，Facebook在第一天就沒有設法提供適合消費者的廣告解決方案。經過多年的努力和大量的預算才能使它達到今天的水平。

Optimove等公司希望能夠為他們的PPC活動提供一個五人電子商務公司可操作，現實和合法的建議。不幸的是，由于兩個大問題，現在不可能：

• 數據問題
• UI問題

數據問題

小型企業沒有大量的數據記錄，這將繼續成為一個問題，直到企業發展到擁有足夠數據的程度。對于離線業務來說，這更是一個問題，因為他們的數據很可能無法數字化到人工智能解決方案為其提供價值所需的容量。

例如，在網站上，企業可以假設地跟蹤每次點擊和鼠標移動而沒有太多麻煩，這將為企業提供關鍵數據點。對于實體店而言，情況并非如此，數字化跟蹤客戶從過道到過道以及產品到產品的移動更難以捕獲。

小企業數據問題的唯一解決方案是聚合。理論上，AI供應商可以從數千名每天銷售20種產品的小型商業軟件用戶那里收集足夠的數據，然后培訓機器以與亞馬遜相似的水平進行操作。它可以聚合數據以便訓練其推薦引擎軟件，然后可以向任何小型企業提供相同質量的推薦并幫助他們銷售更多產品。

但是，為了做到這一點，成千上萬的小企業必須首先購買該軟件。一個擁有風險投資的初創AI供應商可能會以beta形式推出軟件來收集這些數據點，但這需要很長時間。為了達到這種級別的聚合，軟件必須為大型企業提供可靠的高投資回報率。

數據聚合的另一個問題是它可能在某些扇區中不起作用。數據聚合的價值源于共性。為了使機器學習軟件識別模式，數據需要具有共同的基本點。例如，如果供應商可以匯總每天銷售20件T恤的1,000家小企業的數據，那么它可以識別觸發更多銷售的行為模式。

對于利基產品或業務，數據聚合成為問題。制造和銷售錫制定制高爾夫紀念品的公司可能只是少數類似企業中的一個。無論有多少電子商務網站插入其中，都可能無法獲得足夠的數據來訓練AI系統對該業務有多大用處。

同樣重要的是要注意，并非所有數據都具有機器學習的價值。正如數據必須具有某種程度的共性一樣，它也必須是“干凈的”。清潔數據是相關的，并且最近的信息具有統一或一致的結構。這允許機器學習軟件從中學習。數據還必須與業務的快速變化趨勢和細微差別相關，否則將不會產生可用的結果。換句話說，干凈的數據比大數據更好。

在某些時候，AI開發人員會提出更好的算法，可以訓練更少的數據。然而，可擴展性不太可能達到可以幫助待在家里的媽媽烘焙蛋糕出售的程度。所有這些數據問題最可能的解決方案是數據聚合和算法的組合，可以訓練更少的數據。

UI問題

使小型企業可以訪問AI解決方案的第二個障礙是軟件或UI的用戶界面。對于不是數據科學家的人來說，今天的AI軟件UI非常難以理解。它們不是用戶友好的，這就是為什么企業需要數據科學家來設置，集成和管理前面提到的軟件。

很有可能，這將來不會成為問題。公司將找到一種方法讓人們更容易與人工智能軟件交互，但可能需要很多年。

這將不是新軟件第一次發展成為更加用戶友好的。一個例子是 MailChimp，這是2001年推出的流行的營銷自動化軟件。與 Marketo相比，它是相對簡單的軟件，但是當它第一次出現時，需要有技術知識的人才能使用它。

隨著時間的推移，人們通過反復試驗找出隱藏在幕后的復雜過程的方法，這樣用戶只需拖放電子郵件或點擊按鈕即可構建自動化廣告系列，而無需了解一行代碼。如今，沒有技術背景的人可以通過幾個教程視頻來感受自動化系統，但是要花費超過15年才能達到這一點。

在查看機器學習解決方案時，小型企業需要避免過度陷阱

聊天機器人

聊天機器人是機器學習的應用程序，似乎在各個行業中獲得了很大的吸引力。例如，醫療保健行業是該技術的早期采用者。但是，聊天機器人對小型企業的限制仍然與其他類型的AI迭代相同。聊天機器人仍需要一定數量的干凈數據和一定的技能來訓練和使用它們。提供真正價值的開箱即用聊天機器人根本無法使用。

重要的是要注意，聊天機器人僅在明確定義的窄范圍內使用時才是實用的。 用例顯示了解聊天機器人限制的價值，特別是對于小型企業。當使用較少時，它們最有可能提供強大的ROI。

例如，具有許多傳入查詢的企業可以使用聊天機器人在路由到正確的人之前響應前兩層問題。即使這樣，它也可能無法為小公司提供強大的投資回報率。在大多數情況下，很多聊天機器人都是玩具應用程序。

玩具應用程序是那些專門為滿足自身需要AI并且大部分都是陷阱的人而設計的應用程序。許多公司將AI用于除解決業務問題之外的其他目的。時尚品牌采用聊天機器人，因為他們看到有關競爭對手使用其中一個的新聞稿，所以他們覺得他們也應該有一個。

供應商非常愿意鼓勵這種思維。然而，有關聊天機器人的真正強勁和強烈的積極投資回報率的證據并不是現在無處不在的。

當我采訪Conversica的首席科學家Sid J Reddy時，他說：

為了使公司能夠成功構建會話系統，他們需要非常擅長自然語言處理和機器學習...我們沒有一個模型可以理解每個上下文的所有內容......特定的模型只能基于它的例子。因此，不同的公司專注于不同的意圖和實體。

也就是說，聊天機器人的概念仍然具有強大的吸引力。全自動服務將是企業和客戶的理想選擇。但是，在目前的聊天機器人開發狀態下實施它需要花費大量的金錢，時間和精力。對于大多數小企業來說，這比它的價值更麻煩。

營銷語言

供應商通常將自己推銷為提供機器學習解決方案，而實際上他們只是利用人工智能炒作。我之前討論了三個經驗法則，用于在我網站上最喜歡的作品之一中切斷人工智能炒作。營銷語言本身通常包括流行語，宣傳公司的解決方案，好像它會神奇地解決企業的問題，好像它是一個人工智能工具。

如前所述，大多數人工智能解決方案都不是工具，供應商往往不與那些沒有大量清潔數據和內部數據科學家的公司合作完成整合過程。

小企業主的小貼士

AI供應商希望說服小型企業將AI解決方案集成到他們的工作流程中，特別是當小型企業是一個巨大的市場時，但遺憾的是，AI解決方案在2018年對小型企業來說并不可行。

這是因為在實施AI時，小企業有幾個缺點。例如，如果任何規模的企業尚未擁有有能力的數據科學家的空間，那么許多人工智能解決方案對該企業來說不是合理的投資。人工智能軟件需要對科學及其背后的大量風險資金有一個堅定的理解，因為它不會經常在實施的第一天向企業提供結果。

一些企業最近才開始雇用人工智能和數據科學人才，因此他們可以利用人工智能來解決他們的業務問題，小企業可能無法做到這一點。

小型企業構成了市場的重要組成部分，這使其成為人工智能供應商公司的一個有吸引力的目標。然而，大多數人工智能和機器學習系統仍然過于復雜和昂貴，無法被小型企業訪問。

小型企業主可以輕易獲得人工智能的唯一方法是將其商品化，使其變得對消費者友好。要做到這一點，它必須從頂部開始。大公司必須找到一個有利可圖的人工智能解決方案，以便他們投資它，反過來，供應商可以繼續開發該解決方案，使其成為任何人都可以使用的東西。這就是小型企業可以獲得機器學習的方式。