AI？ML？Deep Learning？這大概是眼下最紅的幾個詞了！在了解其創造的商業價值之前，先讓我們來看看這幾個名詞的差異：
人工智慧 (artificial intelligence)、機器學習 (machine learning)、深度學習 (deep learning) 差異？
首先，上圖可以看到 AI 是最大的集合，機器學習 (ML) 是 AI 的子集，深度學習 (DL) 則又是機器學習的子集。其中的機器學習又可被分為監督式學習 (supervised learning)，非監督式學習 (unsupervised learning) 及增強學習 (reinforcement learning)。
目前，許多人因為 GPU 的普及，紛紛想把非監督式學習(訓練集沒有人工標注結果)，如深度學習、類神經網路 (neural networks) 等，直接使用在商業情境上，試圖創造更多的商業價值。可惜的是，這些火紅的演算法其實還未真正落地。史丹佛機器學習教授、線上學習平台 Coursera 共同創辦人吳恩達博士 (Dr. Andrew Ng) 認為：有人工標注的監督式學習是目前唯一能創造實際商業價值的機器學習方式。
延伸學堂：史丹佛機器學習教授吳恩達博士在 Coursera 上的機器學習課程
那麼所謂的監督式學習究竟如何創造實際商業價值呢？
AI 應該怎麼在企業裡應用?應該用在哪裡才能創造最大價值？
有一種監督式學習人人都在用！並創造極大的商業價值！那便是垃圾 Email 的分類。
垃圾 Email 的分類流程：把已經標注好垃圾或非垃圾的 Email 資料全部輸入進系統，利用監督式學習的分類演算法計算出準確的分類模型，之後便能用此模型判斷未來的 Email 哪些是垃圾郵件。並根據新的 Email 以及新的標註來訓練更新更準確的模型。
其他實際商業上的應用還包括預測顧客流失與預測工廠人員是否會離職。哈佛商業評論 (Harvard Business Review) 研究了橫跨 19 個產業，400 個落地的 AI 應用，得出「錢在哪裡，AI就該應用在哪裡」。
錢在哪裡，AI 就該應用在哪裡
各行各業皆可看見此現象。對於零售業來說，行銷業務部門提供最高的價值，所以零售業使用 AI 建立顧客買賣的模型，並提供個人化行銷，使實體店面的業績可以提升 1-2%；對於製造業來說，營運帶來最多的商業價值，所以製造業使用AI來預測製造的需求，相較於傳統分析法，AI 可提升 10-20% 預測的準確度，同時降低 5% 的庫存成本及增加 2-3% 的營收。
麥肯錫全球研究院 (McKinsey Global Institute) 認為 AI 最能創造價值的商業價值的業務部門 (Business Function Unit) 有 2 個 ：業務行銷部門及製造與供應鏈管理部門。且 AI 可以對全球行銷業務產生 1.4～2.6 兆美元的價值。其中，前三大產業分別是零售業、旅遊業、保險業；至於對全球製造與供應鏈管理，AI 可以產生 1.2～2.0 兆美元的價值，前三大產業則是一般消費產品、汽車業、與物流業。
由此可知，企業導入 AI 或是機器學習技術去優化業務行銷與製造業相關問題可以創造最大的價值，在市場中取得競爭優勢。
究竟要如何實踐 AI 在企業裡呢？英國巴克萊銀行集團旗下的信用卡業務部門 Barclaycard 的資料科學副總裁提出了以下 6 個步驟：
機器學習落地創造商業價值的六步驟
步驟一 ： 創造一個無縫的資料整合系統
缺乏這個生態圈，企業資料便無法被有效的完全利用，也可能產生資料外洩以及資料根本沒被使用的情況。這是AI與機器學習創造價值的必要基礎建設。
步驟二：招募對的人才
一般招聘的盲點是：企業認為一定要找到少之又少、擁有博士學歷的資料科學家。這不僅不切實際，且資料科學團隊同時也需要其他專業的人才，例如產業領域專家及統計專家。更重要的是，必須避免整個團隊只使用一種機器學習演算法來解決所有問題，例如 XGBoost。企業必須認知到這只是資料科學演算法工具箱裡其中一個工具罷了。找到對的人才，便能有效地幫助全公司推廣機器學習的好處。
步驟三：建立一個實驗室環境
使用機器學習快速建立原形 (prototype) 需要一個科學實驗室的環境，獲取最新穎的演算法以及硬體設備，接著來定義商業問題並驗證預測結果。不斷的嘗試並優化不同的演算法，最終才能得到一個有效的機器學習模型應用場景。
步驟四：將機器學習模型整合進公司既有工作流程
有了好的機器學習模型後，下個步驟就是將此模型部署到公司既有系統內與各部門工作流程中，並且能不斷更新此模型保持最佳預測準度。此時如何有效部署並管理多個關鍵預測模型非常重要。
步驟五：全公司的機器學習技術導入
企業加值可以透過很多不同形式，但重點是機器學習技術可以讓企業流程更快、更好、更有效。當企業管理階層選出一些潛在應用的方向之後，必須優先測試能增加商業價值的應用，以便推廣這些應用至整個企業。
步驟六：企業文化改變
企業必須創造一個終生學習的文化，讓團隊願意接受並導入最新的機器學習技術來幫助公司成長。同時，公司管理階層也要提倡資料導向的決策模式，才能使資料更有效地被整個企業利用。
要達成上述的六個步驟，會需要大量的資料科學家及資料工程師，並且曠日費時。對於許多公司來說，並不簡單。有一個方式能夠加速，便是利用自動化機器學習產品，來讓任何一位資料分析師或是資料科學家都能夠創建準確的預測模型，或是迅速驗證資料來建立準度基準。如此能夠更快、更有效率地為企業創造商業價值，創造更多營收。