这学期，我给巴布森学院的MBA学员们教授认知技术领域（又名，人工智能）中的一门新课程。他们其中许多人对此类技术都挺陌生的，而且从我学生的角度看这个话题，让我意识到此领域有多让人无所适从。人工智能有许多类型，每一种都要求一定的技术知识，以完全掌握它们。正因为人工智能的多种多样，许多初来咋到者经常遇到困难，无法弄清楚到底如何才能进入该领域。
就最简单的类型来说，认知技术可以仅仅是传统分析学更自主的拓展——比如，自动运行回归分析中每一种可能的预测变量的组合。甚至对于创造它们的数据科学家来说，更复杂的认知技术类型——神经的或深层的学习网络、自然语言处理，和算法——仿佛是黑箱（black boxes，知道结果但不知道其工作原理的系统或仪器）似的。
尽管这些技术似乎令人震颤，但是好消息是：每时每刻，入门学习认知技术都在变得越来越简单。许多卖主都已进入了此领域，而且他们的服务能向任何想要让它们的流程和产品更智能的公司提供各类选择。我能想出至少7种途径，以帮助开始使用认知工具，尽管其中一些明显比其它要容易（和廉价）。因为应用此类技术是决定如何向前发展的一项关键因素，因此我已把认知领域的切入点整合成3个类目：“大多靠买”、“一些靠买，一些靠建”和“大多靠建”。
大多靠买
- 使用现存卖主的配有认知能力的软件。例如，最近Salesforce.com和Oracle 宣布它们于其产品中加入认知能力。Salesforce对其面向客户的软件云添加名为“爱因斯坦”的特性，包括自动对销售趋势评分、阅读来自客户邮件和对社交媒体中使用的图片进行分类的能力。如果你已经在使用Salesforce提供的客户关系管理（CRM）服务，且想要较轻松地过渡到更智能的销售、营销和服务流程，那么这似乎就是一种最简单的方式了。诸如Customer Matrix等其他一些CRM公司的创立理念就是整合具有处理顾客业务能力的认知工具。
- 挑选一个小项目和一个有”轻易实现的目标“的卖主。与其一次过倾尽所有，一些公司进入此领域则是通过挑选一个能够受益于认知技术的小项目，和使用一个更小型的，不那么具有变革力的工具组，以攻克此领域的入门槛。例如，Cognitive Scale——其好几位领导者是IBM沃森（IBM Watson）的高管——尝试着“摘下”能轻易够到的认知领域“果实”。Cognitive Scale设有一套”10-10-10“发展方式，其中之目标是在10小时内研发一个粗糙的认知软件、10天内定制它，以及10星期内发布它。Cognitive Scale的一些顾客，比如M.D. Anderson 癌症中心（该中心同时参与一项宏大的沃森项目，以寻求癌症治疗方式），已配合该公司软件开展许多项目了。这些项目并非企图治愈癌症，而是针对更细的问题，比如向病人家庭提供住宿和餐饮建议，或决定哪个病人最需要额外的筹款以支付账单。Blue Prism 和Automation Anywhere等公司提供的其中一些”机器的流程自动化“服务同样有资格作为可轻易实现的目标，尽管他们的软件暂时还不能学习。一些人认为，如 Ipsoft公司的艾米莉亚（Amelia，认知机器人）等中心自动化产物也符合此类目。虽然此类项目要求一些咨询以训练和配置软件，然而软件公司或它们的咨询伙伴通常会提供完成此类工作的服务。
一些靠建，一些靠买
- 建设增强你的分析论，以着重机器学习。机器学习的一些形式——尤其是基于回归分析的那些——是公司分析能力的直接了当的拓展延伸。如果你已差不多掌握了基于人性假设的【“手工技艺分析论（artisanal analytics）”】，那么或许是时候去通过机械学习，探索自动化的分析模型了。例如思科公司，从创造数十个能够预测顾客可能购买什么的“偏好模型”，转变为通过机器学习每季度创造成千上万的（目前大约是6万）的模型。思科发现了加速其创造的方式，因此每季度其一项模型创造仅花费几天的时间。而提高了的模型粒度（具体的是产品、地理区域和客户业务方面的类型）增强了它们的效益。取决于公司希望生产的模型类型，以及其完成此项事务所使用的软件（例如，如SAS和IBM等专有供应商和开源项目），此过程既可以在是技术上直截了当的，也可以是颇复杂的，要求掌握丰富精练的数据科学知识。
- 和沃森一起搞大它。IBM的沃森于认知竞赛中具有高价格和高回报的优势。的确，你能够以低成本在Bluemix（IBM的开发者云端）上获取沃森的应用编程接口（API，Application Programming Interface）——我的学生上节课就是这样做的，而且免费——但是沃森提供的完整服务主要瞄准大规模、具有革新意义的应用。在开始时，IBM通常会对顾客进行“认知价值评估“，此评估能够指示打出认知领域全垒打（大获成功）的最佳位置。然后，该项目就会心甘情愿地提供顾问，甚至是拥有博士学位的研究者帮助你打出全垒打。然而，此做法并不会产出低廉或快速的结果。尤其是如果你是行业中首位采用沃森的，你就需要大量的训练和整合（正如我去年调查沃森的医保应用时所写的）。但是对大规模地同IBM合作感到舒适和认为利用认知技术在其业务上造成大冲击是重要的公司会发现此方式是合适的。
- 从聊天机器人开始。聊天机器人是中等水平的认知技术，使用自然语言对话同其他应用交互。谷歌（最近收购了API.AI）、苹果（Siri）、微软（Cortana）和脸书（Messenger Platform）都为开发者设有平台以部署他们的聊天机器人。尤其如果你的公司着重于手机领域（消费者在此领域中尤其偏爱聊天机器人），你或许要挑选其中一家公司的API，把你的软件同此API连接，如此才能投入到认知技术中。
大多靠建
让一个现存的应用更智能或更自动化。使用模块化的、组件化的架构，使得在应用中加入认知方式成为可能。例如，投资公司先锋基金（Vanguard）为其资产管理客户建设了半自动的私人顾问服务（PAS）能力。先锋基金已经于幕后投用了几种该类能力，包括投资者问卷、基于分析学的投资组合模型、账户再平衡、税收亏损收割（tax loss harvesting）和基于目标的模拟。在PAS项目中，先锋基金把那些能力串联在一起，让它们自动化（同时有人类顾问审查），以及在投资计划文件和网页上普及它们。但此类工作需要对认知工具以及系统集成能力具有专业知识。
从开源软件开始建设。开源认知软件十分充足。谷歌、微软、脸书、亚马逊和雅虎都开放其开源机器学习或深层学习算法库。此处的折中是挺明显的。既然软件是免费的，那么此方法则提供了最低的软件成本。但其或许也会产生最高的人工成本，因为能够使用此类库文件的数据科学家是非常稀有和昂贵的。使用开源工具，从无到有地建设你的认知方案也可能比其他选项更耗费时间。因此只有在你的公司真地有特别的需求和愿意付出长时间的努力以建设认知能力时，该切入点才可能有意义。如果你计划把认知特性镶嵌到你的产品或服务中，此切入点也可能是一个好的方式。
我肯定一家公司还能够采取别的角度以应用认知技术，但是到目前为止，我所列举的似乎是最常见的。对于一个组织所需的技术种类和一旦技术来到门前时该如何管理它，每一种方式都有不同的启示。一些富有野心的组织也许想要一次寻求多个切入点。有那么多选项是件好事，但是当管理团队决定把认知技术整合到他们的战略时，他们应该认真思考，在决定计划采用哪一个选项。
Thomas H. Davenport是巴布森学院管理和信息技术学杰出的首席教授，和国际数据分析研究所的联合创始人。他作为MIT的数字经济倡议的研究员，对此作出了极大贡献，他还是德勤分析（Deloitte Analytics）的高级顾问。他是几十本管理相关书籍的作者，而其最新著作是Only Humans Need Apply: Winners and Losers in the Age of Smart Machines。
