自动化对您的业务至关重要

自动化是在跨行业的公司中释放巨大的、可持续的优势的关键。

如果没有战略自动化方法，大数据可能一文不值。

一方面，我们正处于信息丰富的令人兴奋的时代，从设备性能到消费者社交媒体行为等方方面面的数据量空前（超过一半的全球公民使用社交媒体）。 但如果没有深思熟虑的自动化——使用机器和算法来处理、处理和分析可用数据——您的企业将失去巨大的潜在机会。

做得好，自动化将“死”大数据转化为可用于推动价值的活生生的资源。 因此，许多企业的目标是 自动化任何可以自动化的东西，正如一位谷歌高管最近所说。

为了帮助您在业务环境中思考自动化，我将介绍这种技术驱动的活动帮助您创造价值的三种主要方式。

自动化帮助您做的第一件事是 特征提取，或从海量数据中提取关键信息。 想象一下，您的组织必须审查专利申请以获取有关特定技术和相关技术的信息。 您可能正在查看成千上万个应用程序，每个应用程序运行 30 或更多页，包含数百万字。 但这些词和专利之间的相互关系中只有很小一部分很重要，例如专利技术依赖于什么，或者发明人的资格和过去的专利。

因此，与业务领域中的许多任务一样，这项任务涉及非常小的信噪比，并且需要数千人小时才能手动完成——这在成本和时间上都太高了。 但是可以训练基于机器学习的算法以相对快速地找出所需的关键信息，从而节省大量时间和精力。 此外，假设将来您想检索同一组专利或相关专利，但信息不同，例如专利申请人团队的规模。 您可以轻松地重新编程或重新训练算法以执行该任务，从而获得规模经济和更大的初始投资回报。

其次，自动化有助于 数据检查和清理. 数据集通常需要工作。 存在错误和缺失值、异常，有时还有偏见的证据。 例如，如果一个算法被训练来发现违法者的特征，但只使用被抓获的罪犯的数据，那么该算法就会有偏见，因为它缺乏关于未被抓获的罪犯的数据——这是白领犯罪的一个特殊问题，往往被少报。 同样，手动检查和解决大量潜在问题的工作量太大。 但是自动化允许快速部署用于测试和清理的工具，在创造价值的同时再次节省时间。

第三，这是一个大问题，自动化是 驱动分析引擎. 昨天的简单回归分析已成为今天的聚类和随机森林，由机器学习提供支持，无论是用于了解产品用户、预测下个月的销售以优化库存，还是预测新广告活动的影响。 基于机器的自动化不仅使您能够以低成本定期重复标准化分析过程，而且还可以发现我们人类无法发现的非线性模式。

例如，我的实验室使用算法驱动分析研究了超过 5 万项专利，看看我们是否可以根据专利申请信息预测未来突破性技术的首次亮相。 我们假设如果该发明具有独立的“类似奇迹”的能力或想法，该机器将从应用数据中识别出未来的热门专利。 最终，该算法确实以高精度找到了未来的热门专利，但并不是我们人类想象的那样。 也就是说，该算法没有根据其独立功能识别未来的热门专利； 相反，它根据是否属于某项专利的一部分来识别热门专利。 簇 关联专利的组合可以解决任何单个专利单独无法解决的特定问题。

例如，超声波技术在首次亮相几年后就对医疗保健产生了巨大影响，它可以对肾结石甚至某些癌症等身体状况进行无创成像和治疗。 但是，如果没有核心技术之外的小规模发明——涂抹器、静电减少工艺、专用医疗垫和夹子，这些发明是独立于超声技术开发的，但对于其在医学中的成功应用至关重要。 我们的自动化分析可靠地识别出从健康产品到最新高尔夫球技术的超过 5 万项专利中存在这些相关专利集群，并且这些集群与其中的专利成为未来未来主导技术的可能性相关——推论以前没有受到赞赏。

我的西北同事 安德鲁·帕帕克里斯托斯 采用类似的分析来表明 芝加哥警察腐败 不是来自少数“坏苹果”警官，而是由一群相互联系的、恶意行事的警察组成的网络； 他的工作能够更早地发现这些问题。

我希望我已经清楚地阐明了自动化的相辅相成优势，以及它如何帮助您将数据转化为巨大的、可持续的价值。 事实上，你拥有的数据越多，你就越需要自动化； 一旦您拥有强大的自动化能力，您就可以收集和利用更多数据，并且循环继续。

底线：自动化是一项越来越重要的能力，可能对您的业务的近期和长期绩效至关重要。 但重要的是要了解它如何推动价值，并采取措施减轻其真正的不利因素，以造福于您的公司及其运营所在的广大社区。

在本文的第二部分，我将讨论自动化的三个主要缺点——可解释性、透明度和成本——以及如何解决这些问题。