每個貿易需要消費者，每個消費者都需要被關心。這就是企業服務AI-CRM對至關重要的原因。然而，不完整的數據和沉重的工作流程讓大多數公司的銷售和市場運作差強人意。

?

與此同時，除了Google和Facebook之外的公司也沒有大筆的預算建立AI團隊，以此完全替代人力成本。盡管個別公司擁有合適的技術人才，但仍然缺少專家來開發基于神經網絡模型的系統架構。

?

企業AI大有可為

?

Salesforce計劃將其產品與AI的鴻溝嫁接起來。首席科學家Richard Socher表示，Einstein是一個“融合所有Salesforce Cloud特性和功能的人工智能層，而非獨立的產品。”

?

15萬多家Salesforce企業用戶應該可以輕松拓展AI功能。擁有自己的數據科學和機器學習團隊的機構可以通過Predictive Vision和Predictive Sentiment Services這樣的API來延展基本功能，使公司通過圖像和視頻的方式來了解他們的產品特性和消費者反饋。

?

這些改進已經顯而易見。Socher表示，Salesforce Marketing Cloud的消費者預測功能不但幫客戶迅速掌握高價值的活動，而且讓取消訂閱的用戶再次回歸。該技術評價提升了25%的點擊量。Salesforce中，Sales Cloud的客戶已經在預測性分數中看到了300%的增長，而Commerce Cloud的客戶從每個網站訪問者利潤中獲取7-15%的增長。

?

達到這些結果并不容易。Salesforce的機器學習和人工智能收購了包括RelateIQ (3.9億美元), BeyondCore (1.1億美元), PredictionIO (5800萬美元)，以及Socher曾擔任CEO和CTO的深度學習專家Metamind。2016年，Marc Benioff花費了超過40億美金收購優秀的人才與技術。

?

企業技術競短爭長

?

即使有足夠的資金與合適的技術人員，由于競爭與高期望，向企業推出人工智能服務依然危機重重。Gartner分析師Todd Berkowitz指出，Einstein的性能在市場中“不像獨立解決方案那么高級“。其他的評論家指出，這門技術“離完全成熟起碼還有一年半。”

?

Infer是一個上述獨立解決方案之一，它為銷售和市場提供預測性分析，使其能夠直接與Salesforce競爭。在一篇關于當前AI炒作的論文中，首席執行官Vik Singh質疑，像Salesforce這樣的大公司“把機器學習做成了像AWS這樣的基礎設施，很雞肋”。Singh還表示 “機器學習不同于簡單的運行然后神奇的連接到某些系統的AWS。”

?

挑戰是暫時的，未來是光明的

?

Salesforce首席科學家Socher表示困難是存在的，但是克服只是時間問題。

?

通信是CRM的核心，盡管計算機在很多關鍵的視覺系統工作上超過了人類，但自然語言處理（NLP)和自然語言理解 (NLU)還不能在高風險的企業環境中運行。

?

大多數神經網絡方法存在的問題是，它們只會在單個任務和單個數據類型上建立訓練模型以解決一個狹窄的問題。另一方面，對話需要不同類型的功能。“你必須能夠理解社交要點和視覺世界，邏輯推理，并檢索事實。雖然運動皮層看似與語言理解相關，”Socher解釋說，“如果沒有多任務處理方法，你無法解決智能NLP。”

?

這就是Salesforce AI研究團隊正在創新利用的“聯合多任務”學習方法，將神經網絡一個領域的知識擴展開來。理論上講，理解語言形態應該也會加速語義和語法的理解。

?

在實踐中，Socher和他的深度學習團隊已經能夠為實體識別的學術實現最先進的基準測試結果（你能識別關鍵對象，位置和人員嗎？）和語義相似性（你能識別作為同義詞的單詞和短語嗎？）。他們的方法可以一次解決五個NLP任務 - 分塊，依賴性解析，語義相關性，文本內容和部分語音標簽 - 并且優化以處理不完整，拼寫錯誤或未知的單詞。

?

Socher認為，AI研究人員將在2017年在深度學習領域取得巨大進步。我們生活也將嵌入更多的語音識別。“現在消費者僅僅向Siri詢問明天的天氣，但我們希望讓人們能夠就自己獨特的經歷提出問題。”

?

AI研究困難，應用則更加困難

?

解決困難的研究問題只是第一步。“令人驚訝的是，你可能已經解決了一個關鍵的研究問題，但為客戶實施您的工作，整個公司需要做更多工程與協調。”Socher透露。

?

“Salesforce擁有成千上萬的客戶，每個客戶都有自己的分析和數據，”他解釋說，“你必須在戰略層面了解這些問題，并理解為每個客戶做這些的所有復雜性。同時，客戶還會試圖修改和定制功能以達到他們想要的結果。”

?

Socher指出了企業服務AI的三個關鍵點：數據，算法和應用。數據往往是許多公司的最大障礙。“理論上講，公司理應擁有正確的數據。但現實生活中，數據則太過分散，沒有正確的結構或標簽，甚至根本不可訪問。“

?

招聘頂尖人才也意義非凡，正如計算機科學家喜歡說的。不同類型的AI問題具有不同的復雜性。雖然一些AI應用程序更簡單，但挑戰非結構化數據（如文本和視覺）意味著可以處理它們的專家的供不應求。

?

最具挑戰性的是最后一部分：應用。如果沒有用戶，那么AI研究的意義究竟是什么？ Socher強調，“你必須非常仔細思考如何使用AI功能為用戶和客戶賦權。這是非常復雜，但也非常具體的問題。銷售流程與自駕車的應用方式有天壤之別。”

?

除非我們使用AI發明新的AI，否則迭代數據，研究和操作將是人類一個永無止境的工作。“Einstein永遠不會被完成。你可以隨時改進工作流程，使它們更高效，”Socher總結說。