人工智能的时代才刚刚开始。首席信息官们（Chief Information Officer/CIO）正努力帮助各家公司变得更有洞察力，而一套快速演化的认知工具——从机器学习，深度学习和高级认知分析到机器过程自动化和机器人程序——是其中的关键。德勤最近发布了一篇报告，为机器智能时代的企业应用与策略提供了建议。
人工智能的快速演进已经让其具备了无数种不同——甚至经常被误解——的能力，例如机器学习，深度学习，认知分析，机器人过程自动化（RPA）和机器人程序等等。总的来说，这些工具了构成机器智能：它可以提高员工绩效的算法能力，自动化日益复杂的工作量，并发展模拟人类思维和参与交互的「认知智能体」。机器智能代表着高级分析之旅的下一章。
数据作为关键业务资产的出现，在每个技术趋势报告中都是绕不过去的主题，从管理大规模和复杂性任务所需的基础能力，到越来越成熟、用来从数据库中挖掘业务洞见的分析工具技术。通过利用分析来阐明在不断增长的数据库中隐藏的模式、洞见和机会，很多公司已经开发出了与客户交互的新方法、增强员工的技能和智力、培育新产品、服务和工作以及探索新的商业模式。今天，越来越多的 CIO 正在为它们打下基础，让洞见成为组织驱动力。
执行通常需要人类来完成的任务的人工智能（AI）技术，正成为这些分析工作的重要组成部分。然而，人工智能只是认知计算领域引人注目的一系列发展中的一部分。更大的主题是机器智能（MI），一个代表新认知时代所有进步的总称。在这里，我们讨论的是一些近年来发展迅速的认知工具，仅举几例，如机器学习，深度学习，高级认知分析，机器过程自动化和机器人。
我们已经见证过在各个领域出现的机器智能早期使用案例。例如，一家运行着美国最大医学研究计划之一的领先医院，正在「训练」其机器智能系统分析存储在数据库中的 100 亿个表型和遗传图像。在金融服务领域，认知销售代理使用机器智能主动联系潜在的客户，然后获取资格进行随访，维护这一商机。这个认知助手可以解析自然语言，理解客户对话问题，同时处理多达 27,000 个会话，支持语言多达几十种。
随着越来越多的公司正在应用机器力量，在接下来的几个月中，我们有望看到更多类似的案例。机器智能在各个领域的支出已经增加，预计在 2019 年将达到 313 亿美元左右。[1] 它也成为 CIO 的优先考虑事项。德勤「2016 年全球 CIO 调查」要求 1200 名 IT 高管指出他们计划在未来两年内大幅投资的新兴技术。包括认知技术，其中机器智能占到 64％。[2]
一、数据，前所未有
我们今天认为，在 20 世纪 50 年代发展的认知计算很有远见，它能够使技术模拟人类智能。虽然有些原始的人工智能技术在 20 世纪 80 年代具有商业可用性，但是直到 21 世纪，人工智能——以及包括新兴机器智能趋势在内的认知计算能力，才真正地起飞。[3]
指数级数据增长：数字世界——即我们每年创造和复制的数据——每 12 个月就会翻倍。事实上，预计到 2020 年它将达到 44 皆字节（zettabyte）。我们还知道，随着来自物联网，暗物质分析和其他来源的新信号激增，数据将增长得更快。从商业角度来看，这种爆炸式增长将转化为比以往任何时候都更有潜在价值的数据源。除了使用传统分析技术揭开新洞见的潜力之外，这些结构化数据以及大量驻留在深度网络中的非结构化数据，对机器智能的进步至关重要。这些系统消耗的数据越多，通过发现关系，模式和潜在暗示，它们就能变得「更聪明」。
要想有效管理快速增长的数据量，就必需用高级方法来掌握数据，存储，保留，访问，上下文和管理。从连接设备生成的信号到所有业务和功能系统历史交易数据背后的线路电平（line-level）细节，处理数据资产成为机器智能目标的关键组成部分。
运行速度更快的分布式系统：随着数据量和分析复杂度的增加，能让个人用户可以访问数据的分布式网络已然更加强大。如今，我们可以快速地处理、搜索和操纵大量数据，这在几年前是不可能的。当代微处理器的性能是 1971 年出的第一款单芯片微处理器性能的 400 万倍 [6]。微处理器的这种强大性能使得先进系统（比如，支持多核和并行处理）的设计成为可能。同样，它也使得我们能够设计出先进数据存储技术，用来支持快速检索和存档数据分析。从 MapReduce、内存计算、机器学习技术（比如谷歌的张量处理单元）的硬件集成中，我们可以看到技术正在发展，优化我们有效处理指数级数据的能力。
除了纯粹性能和速度方面的提高，分布式网络的应用范围也越来越广。它们现在可以与云基础设施、云平台和云应用程序进行无缝对接，并能够消化和分析不断增长的云数据体量。它们也提供对来自网络「边缘（edge）」功能，比如物联网、传感器和嵌入式智能设备的流数据进行分析和驱动所需的能力。
更智能的算法：近年来，日益强大的机器学习算法正朝着实现认知计算的原始目标——模拟人类思维过程——的方向稳步推进。
由于机器智能使用实例将于未来 18 到 24 个月内出现 [7]，以下这些算法性能可能会在公共及私营单位得到更广泛的应用：
优化、规划、调度：在更成熟的认知算法中，优化实现了有限资源权衡和复杂决策的自动化。同样，规划和调度算法设计了一系列动作来满足目标处理和约束观察的需求。
机器学习：通过接触数据而无需遵循明确编程指令，计算机系统正在增强改善性能的能力。机器学习的核心是自动发现数据中的模式。模式一旦确定便可用来做预测。
深度学习：开发人员正致力于涉及人工神经网络的机器学习算法，其灵感来源于大脑结构和功能。互联模块运行的数学模型是基于大量输入数据的处理结果进行连续调整。深度学习可以是监督型（需要人为干预来训练基础模型的演化）或无监督型（基于自我评价来自主改善模型）。
概率推理：人工智能的新性能是使用图形分析和贝叶斯网络来确定随机变量的条件依赖性。
语义计算：此认知范畴包括计算机视觉（分析图像的能力）、语音识别（分析和解释人类语言的能力）和各种文本分析能力，用以理解自然表达中的意图和计算内容的语义等。然后使用这些信息来支持数据的分类、映射和检索。
自然语言引擎：自然语言引擎可以理解人类的手写文本，还能以许多复杂的方式来操纵那些文本，比如自动识别文档中提到的所有人和地点；识别一个文档的主题；或从一堆人类可读的合同文本中提取出条件和术语并制成表格。两个常见的自然语言引擎是：侧重于消费人类语言的自然语言处理技术和侧重于创建自然语言输出的自然语言生成技术。
机器人程序自动化（Robotic process automation/RPA）：软件机器人，或者说「bot」，可以通过模仿人类与软件应用程序的互动方式来执行日常业务流程。企业开始采用 RPA 配合认知技术（比如语音识别、自然语言处理、机器学习）来自动执行感性的和理性的、曾经是人类专属的任务。[8]
二、机器智能如何创造价值
对于 CIO 来说，应用机器智能将需要一种新的数据分析思考方式——它不仅仅是一种创建静态报告的手段，也是一种利用更大、更多样的数据语料库来自动执行任务和提高效率的方法。
在机器智能方面，以下是可供 CIO 参考的一系列机会：
认知见解（Cognitive insights）：机器智能可以提供深度的、可操作的可视性——不仅是针对已发生的事情，还有正在发生和即将发生的事情。这可以帮助企业领导人进行预先决策以帮助工作者提高其工作表现。例如在全球各地的呼叫中心，服务代表使用多功能的客户支持程序来进行产品答疑、订单处理、帐单问题调查及其它客户服务。在很多这样的系统中，工作者一般必须在屏幕之间来回跳跃以访问所需回复特定查询的信息。
认知参与（Cognitive engagement）：机器智能价值树的下一个层次是认知代理（cognitive agents），即采用认知技术来与人进行交互的系统。目前，这种技术更多应用于消费者服务而非企业服务。它们响应语音命令来降低恒温器温度或打开电视频道。然而也开始出现了一个新的应用领域，有一些商业任务和流程可受益于这种认知参与。它们或许能提供复杂的信息，执行一些数字任务，比如病人入院或推荐产品和服务。它们可能会在客户服务方面提供更大的商业潜力，也即认知代理可能通过处理帐单或帐户交互、应付技术支持方面的问题以及回答员工人力资源相关的问题来取代一些人类代理。[9]
认知自动化（Cognitive automation）：在第三个——可能是最具破坏性的一个——机器智能的机会中，机器学习、RPA 和其它认知工具深入发展特定领域的专业知识（例如产业、功能或地区方面）然后自动化相关任务。我们已经看到设计有自带机器智能的设备用来自动化那些传统上由训练有素的工人所进行的工作。例如，一家医疗保健初创公司正在应用深度学习技术分析放射学图像。在其测试中，该系统在判断恶性肿瘤方面已达到人类放射专家 50 % 的准确度。[10]
在教育领域，嵌入于线上学习计划中的机器智能性能模仿了一对一辅导的优点，即通过跟踪学习者在问题处理任务期间的「心理步骤」来诊断他对知识的错误理解。然后它们向学习者提供及时的指导、反馈和解释。[11]
三、来自先行者的经验教训
协作机器人（CO-BOT），而不只是机器人（ROBOT）
面对长期的低利率、竞争的加剧以及不断变化的客户和市场的动态所导致的成本压力，全球保险商美国国际集团（American International Group Inc./AIG）启动了战略重组来简化其组织和提高运营效率。其中一部分内容涉及了对日益增加的技术债务以及一个努力维持运营稳定的分布式 IT 部门的处理。
据 AIG 全球首席技术官 Mike Brady 称，通过将 IT 部门重组成一个向 CEO 汇报的单一组织，AIG 奠定了创造新企业技术范式的基础。这一转型的第一步涉及基本能力的建立，为此该团队制定了一个分成三部分的方法：
稳定（Stabilize）：整体网络性能需要改进，因为用户几乎每天都会经历十分严重的中断，而且虚拟网络性能每周都会下降一次。
优化（Optimize）：此策略专注于自助服务、自动化和成本效率。
加速（Accelerate）：为使处理进度迅速向前推进，该团队实施了一个 DevOps 战略来创建一个连续集成/连续部署工具链和流程流了来实时地部署软件。
AIG 寻求机器学习的帮助以实现这些方向。该公司开发了一个先进的协作机器人程序，它可以利用内置的算法能力、机器学习和机器人流程自动化。这些虚拟的工人被称为「co-bot」——表达了公司希望所有员工将虚拟员工作为人类员工的一种扩展和助手的期望。
2015 年 10 月，AIG 部署了「ARIES」——该公司的第一个机器学习虚拟工程师——来解决全球的网络事件。在一个 90 天的试点项目中，ARIES 被训练为沿着一种「管理和监督（curate and supervise）」模式进行操作，并向其人类同事们学习。在这种方法中，ARIES 通过观察和实验来学习如何评估中断源以及如何确定可能的原因和反应。该 co-bot 已准备好在第 91 天时实现全面部署。这并不是说这些机器有多快——事实上，AIG 已经发现人类平均需要 8 至 10 分钟来解决一个典型的问题，而 co-bot 则平均需要 8 分钟。这要归功于其规模：co-bot 可以不休息、不睡觉地进行连续工作，而且解决问题极为迅速，不会造成任务积压。
在部署 ARIES 的 6 个月内，自动化识别并处理了超过 60% 的中断。一年之内，ARIES 的机器智能加上它对环境健康监测传感器的扩充使用，使它在愈加严重的网络问题扩大化之前以编程方式对其进行了修复。虚拟工程师可以自动识别不良设备、进行诊断测试以确定原因，并登录以实现恢复性修理或升级为「咨询」技术员。此外，该 co-bot 将网络问题关联了起来，因此，例如数据模式显示某设备在一个月内造成了 50 个事故，那么 IT 团队就知道它需要更换了。在过去的一年间，这些工作减少了 50 % 的严重等级为 1 和 2 的问题。它们还增加了技术员的工作满意度。由于不用再执行普通而繁复的任务，技术人员现在可以专注于更具挑战性的、有趣的任务，并从 co-bot 的诊断建议中受益。
还有额外四个 co-bot 各与一名经理共同经营公司，负责管理、工作、培训和学习方面的内容，甚至包括绩效管理，该举措已取得一系列的成功。
沿着 co-bot 在 IT 部门所取得的成功路径，AIG 正在挖掘机会将机器学习应用于业务操作中。「我们希望企业使用机器学习，而不是需要更多的资源，」Brady 说。「我们需要利用大数据和机器学习作为新的资源，而不是把它们当成新的成本。」内部试验正在进行中，以确定 co-bot 是否可以审查伤害索赔并立即授权支付支票，这样客户就不需要延迟处理了。其它机会可能会出现在认知增强的自助服务领域、代理增强辅助渠道，甚至是使用认知代理作为自己面向客户的渠道。
「co-bot 方式仍需改进，」Brady 说。「如果它真的很复杂，就会与团队操作的便捷性相矛盾。这就是设计思维的源泉。自从一年前我们开始做这件事以来，已经解决了 14.5 万起事故。它做得非常好；只是还需将它推进到业务流程直至客户认知互动方向。[12]
病人这边请
随着医疗保健走向了成果导向的模式，患者正在寻找健康保险公司来提供与零售商和银行同等水平的高度个性化客户服务。为了满足这一期望，美国最大的健康福利公司之一 Anthem 正在探索如何利用认知计算能力来流程化和增强其与客户的接触，并使客户支持服务更加高效、响应敏捷和直观。Anthem 的最终目标是在整个政策周期内改变公司与其下属健康计划公司成员的交互方式，而不是仅仅在索赔发生时。
在第一阶段，该公司通过将认知洞见应用于索赔审判过程，使索赔审查人员对每一种情况都有了更深入的了解。根据 Anthem 副总裁（供应商/临床分析和人群健康管理方面）Ashok Chennuru 的说法，「我们正在整合内部索赔数据、会员资格、供应商统计和外部数据——包括社会经济学、临床/电子病历（EMR）、生活方式等方面的数据，以建立一个健康计划公司成员的纵向视图。」[13]
目前，评审人员从文档审查、病患历史调查和取证收集这些过程着手以确定接下来的步骤。有了认知见解，新系统正在不间断地审查后台的现有记录，从而向审查人员提供记录全貌（包括某病人的重复住院情况这种补充信息）来向他们提供可能的医疗计划或有针对性的干预，以及应用智能来标记出索赔相关的任何潜在问题。一旦索赔代表收到案件，她就有了进行全面评估所必需的信息。[14]
在其下一阶段，Anthem 将开始把认知自动化加入到理赔处理过程，为裁判腾出时间来关注那些需要添加支持水平的患者。「通过部署可预测的和规定好的分析以及机器学习算法，我们能够处理以一个更具成本效益的方式处理结构化和非结构化的数据，」Chennuru 说。首先，该系统将识别出任何叩待解决和需要具体行动过程建议的潜在问题。随着系统的成熟，如果它的分析达到一定的确定性阈值，它自己便可以基于所有的信号和输入开始解决某些问题。如果确定性水平低于该阈值，那么裁判将手动查看并解决索赔问题。由于系统的持续学习能力可以随着时间推移对裁判成功解决问题的过程进行监控，该系统将把适当的行动与具体问题相关联，从而不断提高其自动分辨精度和效率。
在第三阶段，随着 Anthem 对认知参与的深入实践，该公司将更广泛地利用其神经网络和深度学习，来一对一地为医疗保健供应商推荐个性化的病患护理计划。在从单纯的索赔处理任务到积极参与进客户关怀的转变中，Anthem 将能够审查病人的病史并向供应商提供未来护理计划的建议。
Anthem 半监督机器学习能力基准教导系统如何打破问题、组织它们并确定最佳反应。在测试期间，观察者会将系统行为与性能和传统的人为驱动方法进行比较，以衡量系统的效率和准确性。
该公司目前正在收集和处理数据、训练系统以及流程化其解决方案架构和技术，且由于索赔管理认知洞见的帮助，全部成果都很乐观。自动裁决系统的原型计划将于 2017 年推出，随后几个月会有一个最低可行的产品版本问世。
在多团队合作——映射用例以实现结果、评估价值证明并优化团队在数据准备、算法调整和程序可用性供应方面的方法——的帮助下，Anthem 建立了广泛的认知能力。「最终，」Chennuru 说，「我们将能够在许多领域利用该平台，比如基于价值的分析、人口健康管理和质量管理，以及在弥合保健和医疗成本差距方面发展洞见。」Anthem 希望实现尽可能多的企业认知活动，从而训练其模型、优化其程序并发展其认知智能来帮助公司更好地为会员服务。
亚马逊的做法
报告这里插入了亚马逊副总裁兼 CEO 的技术顾问 Maria Renz 和 Alexa 主管 Toni Reid 介绍亚马逊 Alexa 和 Echo 上的开发经验：
随着 2017 年人类和机器智能历史上最激动人心的时刻的到来，亚马逊团队正大开脑洞绘制新蓝图。在亚马逊，语音已经在许多方面从根本上改善了人与技术的交互方式。虽然做到像人一般还很遥远，但我们已站在人工智能和语音技术的诸多元素的起点上。语音将复杂问题简化为最自然方便的用户界面，每天克服着令人难以置信的困难。
Amazon Echo 的原始灵感来自星际迷航计算机。我们想创建一个完全由语音控制的云计算机，你可以自然交流的方式向它提问，发出指示，然后它为你做事。尽管我们目前还没实现这一目标，但那是我们的愿景。
Echo 背后的语音和大脑 Alexa 的主要功能之一是：它提供一个在特征与自然语言理解以及精度提高方面可以越变越聪明的云服务。由于具有云处理器，Alexa 每天每小时不断地学习、添加功能，使得关于客户的创新和特征添加变得更容易。
自 2014 年 11 月推出 Echo 以来，我们为 Alexa 添加了超过 7000 多项技能（skill）。Alexa 出现在了所有的 Echo 系列产品中，现在其他亚马逊硬件（Fire TV 和 Fire 平板电脑）和第三方设备（如 Nucleus 对讲系统，联想智能扬声器助手和 LG Smart InstaView 冰箱）也嵌入了 Alexa。Alexa 还被嵌入到福特和大众汽车公司的汽车中。
就其覆盖的浅表区域以及搜索材料的准确性而言，Alexa 可以很好地理解用户。即使如此，语音技术也面临着持续的挑战。当我们开始工作时，这项技术甚至不存在——我们不得不发明它。我们很幸运有 AWS 云作为支持力量，有一个极其聪明的语音专家团队，其中包括才华横溢的语音科学家正努力解决这些问题。
我们看到人工智能的机遇以及对客户的利益几乎是无限的。现在，Alexa 主要通过 Echo 硬件运行，但在将来其处理器将通过无数的系统和应用程序不断扩展。我们通过使用 Alexa 技能工具包（ASK）、Smart Home Skill API 和 Alexa Voice Service API 为开发人员提供一系列免费、自助的公共 API，从而使实施过程变得更加简单。
最终，我们在机器智能、神经网络和语音识别增强领域的发展应该以更加有意义的方式为客户提供有用的新功能。
在亚马逊，我们每开始研发任一新产品或服务，都会把新闻草稿备好，想象在产品发布时核心用户会从中受益。我们专注于建立良好的体验，并解决后面的技术难题。
考虑到这一点，我们建议关注客户群，倾听他们，了解他们的核心需求，找到使用户的生活变得更轻松的方式。从用户出发，根据反馈开发产品或服务。也就是说，不要害怕开发先于用户——用户并不总是清楚自己要什么。如果你正确地聚焦于用户体验，其余的自然会水到渠成。
四、对网络世界的影响
在网络安全的背景影响下，机器智能（MI）同时面临着机遇和风险。
机遇方面，利用机器人过程自动化的速度和效率来自动化风险管理的某些方面可以使得更加积极有效地识别、环围（ring-fence）和破除（或替代性地擦除）潜在威胁成为可能。利用机器智能来支持网络系统可能有助于扩展数据分析和处理，以有意的方式对这些工具识别的风险采取自动化行动。
机器智能在这一领域的功效可以通过预测风险和网络模型进一步增强，将其数据挖掘网进一步扩展到很大程度上并未开发的领域，如深度网络，并应对可能遇到的非传统威胁。
公司还可以利用机器智能来推动渠道活动、战略和产品设计。例如，使用深度学习等功能，销售团队可以根据社交媒体网站、公共记录和其他在线资源中提供的信息构建相当详细的用户画像。这些信息可以帮助销售代表确定有希望的潜在客户以及个别客户可能需要的特定产品和服务。
但是机器智能的客户分析能力有一个潜在的缺点：这些相同的应用程序可能会造成网络漏洞。机器智能的推断可能引入新的风险，特别是当推断有缺陷时。通过创建相关性，机器智能还可以生成呈现隐私问题的衍生数据。最终，公司应该基于推论和相关性来审查衍生数据。
事实上，随着自动化发挥出作为效率和成本节约的驱动力的全部潜能之后，许多人正在讨论更广泛的伦理和道德问题。人类目前进行的自动化变革对社会、经济和个体组织接受机会的方式有什么影响？你的公司将如何管理可能与激进的自动化计划相铺相成的品牌和声誉危机？同样，你的组织能否在被称为「后工作经济」（「the post-work economy」）的时期长期保持发展？
最后，风险讨论应该解决许多机器智能技术的「黑盒子」现实。在这一点上，可能无法清楚地解释如何或为什么作出某些决定和建议。虽然算法透明度在持续提升，并可能最终推动开发出用于审计、理解假设、观察模式和解释结论是否合理的手段的新方法，尽管这些方法目前还不存在。直到他们做了，才努力确定缺乏透明度可能成为一个（法律、声誉或制度）问题，并对你的计划作出相应调整。
当我们进入这些未知领域，首席信息官、首席执行官和其他领导者应该谨慎地平衡股东价值的驱动力与未来几年内可能大量来自声誉、安全、金融和其他方面的潜在风险。
五、如何开始？
很少有机构有资格宣称自己战胜了数据。即使数据在很大程度上被结构化，并且是仅限于公司的内部信息，管理和分析数据同样充满挑战。今天，复杂算法和分析技术使我们能够解决复杂的脚本；我们已从被动描述发生了什么进步到主动地自动化业务响应。然而，即使具备飞速提升的能力，一些机构仍会在数据的海洋里举步维艰。
好消息是，机器智能提供了新的方法和技术，帮助我们最终克服了一些长期存在的数据挑战：
结语
人工智能的概念或许吸引眼球，但是，机器学习的概念比它更加庞大，后者描述了认知计算领域中的总体进步，这些进步能够帮助所有公司机构从回顾性数据分析的昔日世界迈入系统推论和预测的世界。让机器自动处理任务，进行分析判断并将之付诸行动，这代表着认知新纪元的开端。
附录
1. IDC,「Worldwide spending on cognitive systems forecast to soar to more than $31 billion in 2019, according to a new IDC spending guide,」press release, March 8, 2016,
www.idc.com/getdoc.jsp?containerId=prUS41072216
http://www.idc.com/getdoc.jsp?containerId=prUS41072216
2. Khalid Kark, Mark White, Bill Briggs, and Anjali Shaikh, 2016–2017 Global CIO Survey, Deloitte University Press, November 10, 2016
https://dupress.deloitte.com/dup-us-en/topics/leadership/global-cio-survey.html
3. David Schatsky, Craig Muraskin, and Ragu Gurumurthy, Demystifying artificial intelligence, Deloitte University Press, November 4, 2014
https://dupress.deloitte.com/dup-us-en/focus/cognitive-technologies/what-is-cognitive-technology.html
4. Dan Vesset and David Schubmehl,「IDC FutureScape: Worldwide big data, business analytics, and cognitive software 2017 predictions,」International Data Corp., December 2016.
5. Deloitte Consulting LLP, Tech Trends 2017: Dark analytics, 2017.
6. Andrew Danowitz et al.,「CPU DB: Recording microprocessor history,」ACMQueue 10(4), 2014
http://queue.acm. org/detail.cfm?id=2181798.
7. Schatsky, Muraskin, and Gurumurthy, Demystifying artificial intelligence.
8. David Schatsky, Craig Muraskin, and Kaushik Iyengar, Robotic process automation, Deloitte University Press, September, 14, 2016
https://dupress.deloitte.com/dup-us-en/focus/signals-for-strategists/cognitive-enterpriserobotic-process-automation.html
9. Tom Davenport and Rajeev Ronanki, The rise of cognitive agents, Deloitte University Press, August 26, 2016
https://dupress.deloitte.com/dup-us-en/focus/cognitive-technologies/rise-of-cognitive-agents-artificial-intelligenceapplications.html
http://dupress.deloitte.com/dup-us-en/focus/cognitive-technologies/rise-of-cognitive-agents-artificial-intelligenceapplications.html
10. Economist,「Automation and anxiety,」June 25, 2016
www.economist.com/news/special-report/21700758-will-smarter-machines-cause-mass-unemployment-automation-and-anxiety
11. Barbara Kurshan,「The future of artificial intelligence in education,」Forbes, March 10, 2016
www.forbes.com/sites/barbarakurshan/2016/03/10/the-future-of-artificial-intelligence-in-education/
12. Interview with Mike Brady, global chief technology officer, American International Group Inc., November 22, 2016.
13. Ashok Chennuru, Anthem's staff vice president of Provider/Clinical Analytics and Population Health Management, email communication, January 24, 2017.
14. Deloitte Insights,「Health insurers embrace cognitive,」Wall Street Journal, December 15, 2016
deloitte.wsj.com/cio/2016/12/15/health-insurers-embrace-cognitive-computing/
