红点创投投资人：别吹自己懂AI，这样投资机器学习才赚钱

编者注：本文作者Medha Agarwal是红点创投的投资人，他向我们分享了他关于机器学习的看法。以下以第一人称叙述。

现如今，机器学习乃一大风潮，它具有极大的潜力亿颠覆整个市场和行业。但是，围绕机器学习的炒作也是相当之多。作为一名投资者，我认为有四个关键特征，可以用来区分谁可以真正利用机器学习制胜：

1. 大市场中的特殊案例。成功的机器学习创企是那些对技术有明确需求且瞄准垂直应用的企业。比如，商品包装消费品行业就是个极好的例子。机器学习可以更加精准地预测库存水平以更好地管理供应链，减少库存成本，最小化过剩需求，杜绝缺货。根据埃森哲的一份报告，机器学习可以在交付时间上提高4.25倍，在供应链效率方面提高2.6倍。

2. 关注有大量人力重复劳动的领域。大量的人力劳动即意味着利用复杂预测算法优化的绝佳机会。同样是以供应链为例，当前分析师预测库存需求大多基于历史数据，但仍参杂大量直观假设。通过利用诸如生产时间、售出率等数据，学习模型可以更精准地预测未来需求。

3. 有大量可预测数据。创业公司得有大量数据，才能高效地训练其机器学习模型。这些公司要么可以和大型企业合作来借用他们的数据，或者也可以开发一款产品促使用户输入他们自己的信息，无论哪种方法都可制胜。

4. 网络效应和可防御性。算法将不断被开源，这使得专有数据尤其关键。系统的输入和反馈可以改进其精确性并建立起一道“护城河。”因此，一款产品应该能够激励人们根据产品的预测和推荐为其提供反馈。比如，Facebook的图片标记算法就从人们是否接受“谁在他们的照片里”这一建议而进行自我学习改进。

可投资领域

在以下的垂直领域中，我认为机器学习将发挥极大的作用：

医疗诊断和计算生物学

机器学习可以改进结果并减少整个医疗价值链的成本。机器学习对提高诊断、减少误诊以及提高药物发现过程之效率的潜力是非常可观的。患者数据也可以被用来检测早期疾病，并制定个性化治疗方案。制药和生物技术公司可以利用计算生物学快速并发现比现有市场上更高效的新药物。

供应链

机器学习可以对供应链的某些方面进行改进提高，其中包括需求预测、市场趋势、商业促销以及新产品等。当前，公司很难掌握市场变化规律与波动来进行企业决策并作出精确预测。

制造业

工业物联网是一个超过了120亿美元价值的市场，并且工业物联网仍处于发展初期。根据Genpact对全球173位高管的调查报告，只有25%的高管拥有物联网战略，24%对实施物联网感到满意。这些高管都希望机器学习可以强化解决方案以提高生产率，并减少成品库存水平，带来真正的成本节省与盈利机会。

金融合规

金融机构中的合规着实是一个大市场。仅摩根大通一家公司自2008年以来就已经为和解和罚款支付了360亿美元，并且雇佣了8000名合规管理员工。机器学习无疑可以为银行以及其他需要遵守审计和法规的公司改进这一流程。

企业语音

语音分析的复杂性让语音居于机器学习趋势的外围，尽管语音也是业务工作流中关键组成部分。NewVoiceMedia的一份2013年研究指出，每年由低效的呼叫中心导致的损失高达410亿美元。每年有240万内部销售代表在会议上花费了大量时间。所以，毫无疑问，在自动处理呼叫中心、会议以及销售和营销方面的语音会话方面，机器学习有着大量机会。

保险业

保险业是一个范围极广的分类，在保险行业，机器学习可以帮助保险商以更低成本推出目标产品。举例来说，汽车保险商可以利用驾驶等其他行为数据来个别溢价或者采用更好的检测方法来整体降低成本结构。咨询公司KPMG将保险行业中的机器学习形容为“根本性的变革者”。

个人理财

新数据和划分模型将之前千禧代遥不可及的金融产品变得触手可及（例如信用卡产品）。除此之外，智能、自动的系统正通过行为跟踪为消费者降低个性化咨询等费用，并基于他们的偏好和目标给出建议。Erin Shipley和TX Zhou曾发布过一篇很棒的文章，讨论了人工智能将对金融产生何种影响，其中包括通过基于用户行为的个性化建议来促进金融认识和合理理财。

个性化教育

传统教育的一大弊端就是一个老师必须向一整个班级教授标准课程，哪怕学生之间的理解力与学习模式存在差异。如果公司可以利用数据来帮助家长和学校找出问题领域，并基于学生自身的问题和风格，为每个学生制定个性化课程和方案呢？这不仅可以改革美国现有的教育，同时也是一个非常巨大的经济机会。在2013年，美国在公共教育上的年花费为6200亿美元，公立学校学生数量近5000万。

尽管我对上述提到的机会领域十分感兴趣，但也有不少公司一头栽进了我目前不是十分看好的领域。比如那些为“AI”而“AI”的企业以及专注于聊天机器人的企业。人工智能和机器学习从不是终点，而是利用这些技术解决问题。至于聊天机器人，眼下技术还不够先进，给不了我们积极的使用体验。