协同机器人（Co-Bots），不是机器人（Robots）

　　面对成本压力，长期低利率，竞争的加剧，以及不断变化的客户和市场动态，全球保险供应商美国国际集团公司（AIG）发起了战略重组，以简化其组织和提高运营效率。这个目标涉及处理不断加剧的技术债务问题，以及一个对运营稳定性产生挑战的分布式IT部门。

　　根据AIG全球首席技术官Mike Brady的说法，通过将IT重组为一个向CEO报告的单一组织，AIG为创建新的企业技术模式奠定了基础。这一变革性计划的第一步涉及到建立基础能力，为此团队制定了一个三部分的方法：

　　维稳：因为用户几乎每天都遇到严重的中断，虚拟网络每周就会瘫痪一次，所以整体网络性能需要改进。

　　优化：该策略侧重于自助服务配置，自动化和成本效益。

　　加速：为了快速前进，团队实施了DevOps战略，以创建持续集成/连续部署工具链和流程，以实时部署软件。

　　AIG借助了机器学习来实现这些指令。该公司开发了一个先进的协作机器人程序，这个程序可以利用内置的算法能力，机器学习和机器人过程自动化。这些虚拟工作者被称为“协同机器人” ，公司希望每个人都能将虚拟员工作为员工的延伸和助理。

　　2015年10月，AIG部署了“ARIES”，该公司的第一台机器学习虚拟工程师，以解决全球网络问题事件。在90天的试验计划期间，ARIES接受了“策展和监督”模式的培训，在这种模式下，机器与人类一起操作，并从人类的行为中学习。在这种方法中，ARIES通过观察和实验来了解如何评估运行中断的来源并确定可能的原因和应急响应。协同机器人在第91天时就已经准备全部的部署。这不是因为这些机器本身工作效率高；事实上，AIG发现，人类平均需要8到10分钟解决一个典型的问题，而协同机器人用时平均8分钟。这也就是说，机器人最大的好处是它的规模：机器人可以全天候工作，不间断或睡眠，它们可以迅速解决事件，排队和积压从不发生。

　　在ARIES参与工作的六个月内，这个自动化系统识别和解决了超过60％的网络运行中断。在一年内，ARIES的机器智能，加上监测AIG环境健康状况的传感器的增加，使其有可能在问题影响业务之前，以编程方式解决各种各样的警报。虚拟工程师可以自动识别不健康的设备，执行诊断测试以确定原因，并登录以实施修复或将问题上报到技术人员并提出“建议”。

　　另外，协同机器人涉及到网络问题，如果数据模式显示一个设备在一个月内造成50起事件，IT团队就知道此设备需要更换。这些问题在过去一年中将严重性等级1和2的问题数量减少了50％。他们还提高了技术人员的工作满意度。技术人员现在可以专注于更具挑战性，更有趣的任务，而不必执行普通和重复性的任务，而且可以从协同机器人的建议展开自己下一步的工作。

　　另外还有四个由管理人员操作的协同机器人，协助负责治理、工作、培训和学习，甚至绩效管理，已经成功上岗了。

　　随着IT中的协同软件程序的成功，AIG正在探索在业务操作中使用机器学习的机会。 　　“我们希望企业使用机器学习，而不是占用更多的资源，”布雷迪说。 “我们需要利用大数据和机器学习作为新的资源，而不是将其视为新的成本。”内部试验正在开发，以确定协同机器人是否可以审查损害索赔，并立即授权付款检查，以便客户不需要延迟治疗。其他机会有可能出现在增强型认知的自助服务，增强代理辅助渠道，甚至可能使用认知代理作为他们自己的面向客户的窗口。

　　“协同机器人的方法需要磨合，”布雷迪补充说， “如果一个问题真的很复杂，你不希望团队内部打架。这就是设计思维的有用之处。自从我们在一年前开始启用机器人系统，我们已经解决了145,000次事故，令人难以置信的好。将其转移到业务流程，最终达到认知客户交互是一条必经之路。

服务患者

　　随着医疗保健转向基于结果的模式，患者正在寻求健康保险公司提供与许多零售商和银行相同水平的高度个性化的客户服务。为了满足这一期望，作为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的力量来简化和增强与客户的联系，并使客户服务更有效，更灵敏，更直观。 Anthem的最终目标是改变公司与保险用户在整个受保周期内的交流方式，而不仅仅是在被保人申请索赔时。

　　Anthem的战略涉及机器智能的三个维度：洞察，自动化和参与。在第一阶段，公司正在对索赔裁定流程应用认知洞察，以便为索赔审查人员更好地了解每个案例。Anthem的临床分析及人口健康管理副总裁Ashok Chennuru表示，“我们正在整合内部付款人数据索赔，成员资格，提供者人口统计数据与外部数据，包括社会经济，临床/ EMR，生活方式和其他数据，以建立健康计划成员的纵向视图。“

　　目前，审查者从文档审查、患者历史发现和取证收集开始，来确定下一步骤。但是通过认知洞察，新系统正在不断地审查背景中的可用记录，从一开始就提供全面的图像，包括补充信息，例如患者的重复住院以通知可能的护理计划或有针对性的干预，以及应用智能来解决索赔的任何潜在问题。在索赔代表收到案件时，他有评估所需的全面信息.

　　在下一阶段，Anthem将开始为索赔处理增加认知自动化，从而腾出时间让审核员去帮助需要更复杂帮助的患者。 “通过部署预测性和规范性分析和机器学习算法，我们将能够以更具成本效益的方式处理结构化和非结构化数据，”Chennuru说。首先，系统将识别需要解决的任何潜在问题，并推荐具体的行动方案。随着系统的成熟，如果它的分析基于所有信号和输入达到一定的确定性值，它可以自己开始解决某些问题。如果确定性水平低于该值，则审核员仍将手动审核和解决索赔。由于系统的持续学习能力监控审核员如何成功地解决问题，系统会将特定问题与适当的行动方案相关联，以不断提高其自动化分辨率的准确性和效率。

　　在第三阶段，随着Anthem更深入认知参与，公司将更广泛地利用其神经网络和深度学习，与医疗保健提供者一对一地参与，为患者推荐个性化护理计划。在从简单的反应到索赔转变为主动参与客户的护理，Anthem将能够审查病人的病史，并联系医疗机构，提供护理计划的建议。

　　Anthem的半监督机器学习能力教会几桶如何分解问题，组织它们，并确定最佳响应。在测试期间，观察者将比较系统行为和性能与传统的人为驱动方法来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，培训系统，并简化其解决方案架构和技术，并且由于理赔管理认知洞察而获得了全面的积极成果。自动化裁决系统的原型计划于2017年推出，然后会在几个月后启动一个最低可行产品版本（MVP）。

　　Anthem已经建立了广泛的认知能力，有多个团队通过案例学习的方式来实现结果，评估有价值的证明，并优化团队如何准备数据，调整算法和提供程序可用性。 “最终，”Chennuru说，“我们将能够在诸如价值分析，人口健康管理，质量管理等许多领域中利用该平台，并洞察医疗服务和医疗成本之间的差距。”Anthem希望使尽可能多的企业认知服务，能够训练其模型，优化其计划，并发展其认知智能，以帮助公司更好地为会员服务。

如何在企业中运用机器智能（MI）？

　　很少有机构能够宣布在数据上和数据相关方面取得了胜利。即使数据是大部分是结构化的，并被限制在公司限制在内部信息中，管理和分析也是极具挑战性的。今天，复杂的算法和分析技术使我们能够解决复杂的情况，我们可以从被动描述发生了什么过渡到主动自动化业务响应。然而，即使具有快速发展的能力，一些组织仍然在数据上苦苦挣扎。

　　好消息是，机器智能提供了新的方法和技术，可以帮助我们最终克服一些长期的数据难题：

　　策略数据：MI技术可以以很大程度上自动化的方式应用于数据分类和本体以定义，合理化和维护主数据。MI可以分析每一块数据，其中关系，并创建与数据的质量相近的派生导出。同样，它可以潜在地提供用于补救出现的内容或上下文问题的手段。

　　有限和有目的：专注于获得商业问题的洞察，如果解决，就能提供更加有意义的价值。让问题陈述的范围决定所需的数据输入、适当的MI技术以及周围的架构和数据管理需求。通过解决这些问题中的一些，您可以获得更大的认可，以将MI应用于更复杂的问题。

　　夏尔巴人的欢迎（Sherpas welcome）：MI正在享受自己的启蒙时代，学术界，初创企业和成熟的供应商都在争相提高能力和添加新技术。考虑与供应商的合作，将是对你的努力的联合投资、与能够提供无限访问宝贵专业知识的学者和思想领袖合作也是如此。

　　产业化分析：数据已成为关键的战略性企业资产。但是，进行有目的的投入的、全面承诺培养、策划、并在整个企业中利用此资产的企业数量还是很少。工业化分析指的是，为所有维度的数据企业包括机器智能，推动方法、平台、工具和人才的一致性和可重复性的。在策略上，这可能会带来数据摄取，集成，归档，访问，授权，加密和管理的服务。