关于企业人工智能，Salesforce爱因斯坦教会了我们什么？

每个企业都有客户，每个客户都需要关怀。这就是为什么CRM对企业重要的原因，但是由于不完整的数据和笨重的工作流，大部分公司的销售和市场运营的都不太理想。

同时，不是每个公司都可以向谷歌或Facebook一样有几十亿美金的研发资金去建立人工智能团队。即使公司有相关的技术人才，也会因为没有足够的数据而无法像科技巨头那样去不断训练最前沿的神经网络模型。

企业人工智能不应该是无法实现的

Salesforce希望通过爱因斯坦来填补这个空白。根据Salesforce首席科学家Richard Socher的描述，爱因斯坦是一个人工智能层，并不是一个单独的产品，在所有的Salesforce云上都注入人工智能的特性和能力。

超过15万个使用Salesforce的客户可以很容易的用通过拨动开关的方式去在系统中部署人工智能。拥有数据科学家和机器学习团队的企业可以通过预测API，例如Predictive Vision和 Predictive Sentiment Services，允许企业了解在图片和视频中的产品特性是什么样的以及客户的感知是如何的。

改进已经显而易见了。根据Socher描述，Salesforce市场云的受众预测特性帮助市场人员在更大范围内进行磨练，并和那些可能退订的用户重新建立交互。利用此技术已经帮助将点击和打开次数提升了25个百分点。使用Salesforce销售云的客户通过线索到商机的线索分数预测增加了300个百分点的转化率，同时使用电商云的客户每个网站站点都增加了7-17个百分点的销售额。

实现这些结果并不便宜。Salesforce的机器学习以及人工智购买了能包含RelatelQ（3亿美金）。BeyondCore（1.1亿美金），以及RedictionIO（5千8百万美金）。以及深度学习专家MetaMind——Scocher之前是这家公司的创建人以及CEO和CTO。马克.贝尼奥夫在2016年花费了超过4亿美金去收购这些人才和技术。

企业技术竞争激励

由于竞争和高期望值，即使有了很多钱和合适的人，推出适用于企业的人工智能产品还是充满风险的。评论家认为该技术至少需要一年半的验证才可能正式被用户认可。

Infer是上述这些提供市场和销售预测分析的独立解决方案公司之一，他们将于Salesforce直接竞争。在当下的关于人工智能大肆宣传的文章中，CEO Vic Singh称大型企业，如Salesforce让机器学习感觉像AWS的基础架构，结果并不体现在使用粘性上。Singh补充说，机器学习不会像AWS，你可以自己运行或是与其他系统进行连接。

Scocher承认存在困难，但是他坚信可以克服挑战。沟通是CRM的核心，但是计算机在很多计算机视觉任务，自然语言处理，自然语言理解等都已经超越了人类。

大多数神经网络方法的问题是他们的训练模型建立在一个单一的任务和单一的数据类型上去解决一个细分的问题。社交交互则需要不同类型的功能。Socher解释到，你需要去了解社交暗示以及视觉世界，逻辑推理以及检索实施。即使运动皮层看上去与语言理解相关。在没有处理多任务的方法前，你不可能学会自然语言处理。

这就是为什么Salesforce的人工智能团队是一个创新的“联合多任务”的学习方法，从神经网络领域到其他领域。从理论上讲，理解语言形态也会加速语义和句法的理解。

在实践中，Socher和他的深度学习研究小组已经能够在主要实体识别的学术基准测试中（确定关键的对象，地点，和人）以及在语义相似性（识别词和短语是同义词）实现最先进的结果。他们的方法可以解决五个自然语言处理任务——组块，依存句法分析、语义关联、文本蕴涵，以及词性标注——以及建立在特征模型处理不完整，拼写错误，或未知的文字。

Socher相信，人工智能研究人员将在2017实现更全面的学习迁移能力，语音识别将被嵌入在我们的生活许多方面。“现在，消费者已经习惯了问Siri关于明天的天气，但我们希望让人们问他们自己独特的问题。”

对于Salesforce的爱因斯坦，Socher正在一个综合问答上建设多任务学习模型系统。要了解更多关于Salesforce公司的AI产品，你可以到San Francisco参加即将到来的有Scocher演讲的关于AI的会议。

人工智能的研究是困难的，但实施工作流程更难

Salesforce拥有成百上千的客户，每个都有他们独自的分析和数据，他解释到。你必须在原在层面上解决问题并抽象出所有客户的复杂场景。同时，人们还想要修改和定制功能来预测他们希望的所有内容。

Socher识别企业AI的三个关键：数据，算法和工作流。数据对于许多公司来说是第一个也是最大的障碍。“理论上，公司拥有的是正确的数据，但你发现数据分布过多的地方，没有正确的合法结构，未标记，或根本无法访问。

雇用顶尖人才也是“有意义的”。不同类型的AI问题有不同的复杂性。虽然一些AI应用程序比较简单，但对非结构化数据（如文本和视频）的挑战意味着能够处理它们的专家很少且需求量大。

最具挑战性的一块是最后一部分：工作流。如果没有人使用你的工作，那有什么意义呢？Socher强调，“你必须非常小心的去思考如何利用你的AI特性去满足用户和客户。这是非常复杂但非常具体的。销售流程的流程整合与自驾汽车有很大的不同。”

在我们发明AI可以发明AI前，迭代数据，研究和操作将是人类一个永无止境的工作。爱因斯坦永远不会完全完成。你总是可以改善工作流程，使他们更有效率，”Socher最后总结到。