人工智能是一个尚未完全成熟的领域。自从约翰·麦卡锡（John McCarthy）在1956年首次提到该术语以来，就已经想到了这种新工具的无数应用。应用范围从琐碎的到正式的，从游戏到健康，从战争到挽救生命。但是，仍有许多领域尚未从这项技术中受益，或者尚未大规模使用。具体来说，业务领域就是其中之一，它提供了非常广泛且有吸引力的范围，而人工智能可以轻松填补这一范围，从而帮助创建专家系统或充当更复杂的决策系统的一部分，被当前管理员用作宝贵的工具。
介绍
事实证明，在日常生活中使用信息技术是一种工具，它提供了以前无法获得的无限竞争和节省资源的优势。此外，这些技术还提供了机会领域，如果正确使用这些机会，将为所有应用这些技术的人带来巨大利益。人工智能系统就是其中之一，从教学到生产过程的自动化，人工智能系统已被广泛应用于各种任务中。
在我们必须能够在公司中应用人工智能的巨大机遇的范围之内，特别值得注意的是“业务中的人工智能”。
在许多情况下，企业的核心竞争力在于及时做出正确的决策。但是，也很难找到具有必要特征的人，以随时做出正确的决定。这些管理员需要使他们能够以一般方式可视化，业务优缺点以及可能出现的机会领域的工具。他们还需要能够帮助他们提高日常决策质量的系统。
大多数人工智能系统具有“学习”的特殊性，这使它们可以随着时间的流逝而提高性能。此外，这些系统可以非常快速地分析大量信息，从而可以获取公司运营的特定指标。
在本文中，将揭露在业务中使用人工智能（AI）的一些最重要的特征，其组成，机会和弱点领域，以及可以从技术中衍生出来的变体及其使用方式它们可以在现实世界中应用。
方法
所使用的方法是在互联网上，专门用于人工智能的站点上搜索信息，并通过从蒙特雷技术研究所（ITESM）数字图书馆中搜索得到的第一手信息来支持和加强。在该图书馆中查询的数据库是：ACM数字图书馆，IEEE数字图书馆和Proquest Computing。
背景
实际上，寻找原则来管理情报并将其纳入机器的想法非常古老。有迹象表明，一些古老的文明，例如希腊，中国甚至是玛雅人，已经为此目的制定了一些机制，有时甚至是真实的或虚构的。
后来还有其他方面，例如亚里斯多德和他的三段论。但是，真正有趣的事情始于莱布尼茨时代，他试图找到一个能够代表所有知识（包括道德和形而上学的真理）的代数，以实现一个演绎系统。他设法建立了一个称为哲学或推理演算的抽象系统，但他没有实现这些想法的技术。 （多伊尔1996）
1849年，乔治·布尔（George Boole）提出了命题逻辑原理，他打算以此命题逻辑来收集与人类思维的本质和构成有关的一些基础知识。他写了一篇名为“对思想定律的调查，逻辑和概率的数学理论基于此”。他是真值表的创建者，该表即使到现在仍在整个数学和计算领域中得到广泛使用。（图。1。）
图1. 布尔真值表
1874年的某个时候，Frege提出了一种用于机械推理的符号系统，这是谓词演算的前身，他称之为“概念写作”。图灵花了近一个世纪的时间，于1950年提出了第一篇有关机械化智能的可能性的现代文章。
“人工智能”一词的介绍者是约翰·麦卡锡（John McCarthy），1956年。该会议的名称是由于他与克劳德·香农（Claude Shannon）（1956年）共同撰写的有关基础知识的书的出现而形成的。自动机理论的数学家，以关于智力的思想的形式化为导向。后来，艾伦·纽厄尔（Allen Newell）与赫伯特·西蒙（Herbert Simon）和克利夫·肖（Cliff Shaw）一起开发了一种程序，该程序能够证明命题逻辑定理。该程序后来称为GPS（通用问题解决器）。考虑到启发式搜索是解决问题的基本方法之一，所有这些工作都为人工智能的发展做出了贡献。另一个重要的工具是用来表示问题及其解决方案的物理符号系统（García2002）。
公认的人工智能之父是赫伯特·西蒙（Herbert Simon），艾伦·纽厄尔（Allen Newell）和马文·明斯基（Marvin Minsky）。西蒙提出了物理符号假说，作为表示和建模人类思想的一种方式。
在这方面，人工智能的发展处于第一阶段。不幸的是，在这段高速增长之后，人们的期望很高。开始做出非常雄心勃勃的预测，由于当时的技术水平，这些预测无法实现（García2002）。
从各种角度来看，尤其是从商业角度来看，人们期望人工智能能够提供更多更好的结果，因为存在能够仿真专家推理以进行诊断或预测甚至计划的专家系统。但是，也确实是由于系统无法适应不确定和不精确的环境而限制了此阶段的进展。
1984年，E。Dyson预测AI尚未成熟，因此没有商业价值。应该在具有战略意义的系统中捕获它，以建立您的信誉。这一预测一直持续到1990年代中期，这就是为什么许多人认为AI已死的原因。到这个时候，已经吸取了一些教训，例如：
- 认识到计算机和AI并不能代替人类的智能，而是可以完善它。接受公司最重要的资本是多年来积累的人员，经验和知识。智能系统将有助于改善个人计算。AI在业务中的使用应集中于解决客户问题。
可以推断出，在“现代”人工智能的第一个时代，提出了许多挑战，因为为了达到已建立的很高的期望，没有合适的技术，有时甚至没有对机器人的深入了解。主题。缺乏技术和理论发展。此外，许多人没有押注这个新概念。
幸运的是，正如我们稍后将看到的，基于新方法和新思想的人工智能已经有了新的重要转变，预示着美好的未来。
人工智能的复兴
近年来，人工智能出现了显着的反弹，许多特征使该工具再次显示出成为适用技术的优越条件，这将有助于公司提高生产力。一种新的方法是所谓的“基于行为”。假设它完全取决于系统行为对执行其功能做出贡献的方式，则此方法为智能的一般概念提供了广泛的概念。还有一些新技术可以应用在这种新的AI中，例如神经网络（图2），遗传算法，贝叶斯网络，学习等。
图2. 神经网络和简单神经元的表示。
遗传算法是获得最多支持并有望获得最大未来的新技术之一。值得一提的是，它们完全基于已在生物体内识别的自然选择过程并以其为模型。就像在自然界中，物种会根据环境，时间或其他外部因素的变化而变异一样，处理此概念的系统也具有根据时间适应不断变化的问题的能力。这是因为这些系统的行为会根据环境的特征和问题而发生变化。
与传统的AI符号系统相比，此类算法具有巨大的优势，后者过于静态，无法承受问题条件下的崇高变化。通常，开发符号系统仅解决一种类型的问题。如果此问题在任何情况下都发生变化，则您没有机会进行尝试来解决它。因此，使用遗传算法进行操作的系统在该领域具有进一步的发展前景。
现在，人们对人工智能的期望基于以下事实：将其视为开发工具的投资选择，这些工具可以降低成本，分配资源，检测欺诈，在线帮助，获取知识等。
但是，人工智能除了可以应用于不同的生产过程（从食品生产到武器制造）之外，还可以应用于经济，金融或公司决策的不同机会领域。公司。
在哪里，何时何地
将所有这些新的潜力注入到人工智能中，并基于它的起源，很容易想象它可以利用它竞争的广泛机会。例如，您可以说：
哪里？
在中小型公司的管理领域。
什么时候？
当公司的规模阻止拥有高水平和高知识的人来进行决策时。有时会形成恶性循环，这种恶性循环的产生方式如下：公司没有成长，因为没有做出正确的决定。您不能雇用具有决策能力以使公司发展的人，因为公司没有增长，因此无法雇用他们。
怎么样？
通过分析不同机会的风险和优势并为增长提供可行的替代方案，来实施或替代具有能够帮助现任董事和管理人员做出正确决定的工具的专家系统。
另一个示例可能是：
哪里？
银行，交易所，信用卡公司。
什么时候？
当您想改进反欺诈系统时。
怎么样？
使用神经网络研究信贷使用模式并检测潜在的欺诈交易。根据Widrow，Rumelhart和Lehr（1994）的说法，信用卡欺诈是一个影响整个行业的日益严重的问题。
最后，您可以有以下示例：
哪里？
金融机构和经纪行
什么时候？
当您希望获得更高的回报时，交易会降低您的投资风险。
怎么样？
可以使用使用从遗传算法学习，学习和训练的神经网络的专家系统，以便他们可以进行财务预测。同样，由于当前提供的速度和处理能力，可以同时针对具有不同特征的许多公司执行此操作。目前，这是由一些金融公司（例如美林证券公司，所罗门兄弟公司等）进行的。（Willow，1994年）
除了这些示例，人们还可以想到以下建议（García，2002年），这些建议可能是人工智能应用感兴趣的来源：
- 利用虚拟学习来培训人员，解决问题和解决新问题，信息和知识保护活动。情感计算的发展及其用于生成更好的接口。作为从疾病中恢复的支持（生物医学）。帮助启用针对能力不同的人士的设备和设备的使用。
结论：
在信息收集过程中，已经表明了通过使用技术尤其是人工智能在业务中产生的兴趣和期望。仍有许多事情需要定义，概念化和完成。但是，为了以一种自然且更加友好的方式采用信息技术，商业条件也发生了巨大变化。显然，它们不再被视为潜在威胁，而是被用作增强组织中每个成员的绩效的工具。
回到与我们有关的主题，很高兴看到使用人工智能进行决策的模型越来越多地被使用和重视。看到这种行为，我们很容易问自己：未来会怎样，短期，中期和长期将如何开发这些类型的工具？再次思考问题的答案就为我们提供了一个非常广阔的前景，即将出现数量惊人的机会领域。
参考书目
Biasca，Rodolfo“绩效管理，构建它的10个步骤
JH的Burghart（1998年10月）“人工智能和专家系统课程的设计” IEE数字图书馆。教育前沿会议论文集。（2005年5月9日咨询）。
陈尼古拉斯 “具有简单智能交易员的资产市场中的信息传播和聚合”，麻省理工学院，麻省理工学院，1998年9月
院长，托马斯（1996年12月），“人工智能的战略方向”，ACM计算调查，ACM数字图书馆。（2005年5月12日咨询）。
当归加西亚·维加（GarcíaVega），《商业人工智能》。2002年2月，韦拉克鲁斯大学
Hightower，James K.（1985）“人工智能教程”。ACM数字图书馆
。第17届冬季模拟会议论文集。（2005年5月12日咨询）
詹姆斯·金斯伯里。AI仓库，“经济与人工智能”，经济学与人工智能，2005年4月
维纳·库玛 “基于学习的方法估计可变形模型参数”，麻省理工学院，麻省理工学院，2000年9月
Lane，Kenneth M.（1995年3月）“从构思到实施的神经网络”。ACM Digital。（2005年5月12日咨询）。
罗伯特·马克兰（1990年12月）。“人工智能，启发式框架禁忌搜索”管理与决策经济学。Proquest，（2005年5月10日访问）。
明斯基，马文。麻省理工学院，麻省理工学院，“线性决策和学习模型”，1968年3月
迈克尔·彭特（2002年11月）“搭乘出租车前往晚期资本主义：资本主义，想象力和人工智能”，ACM数字图书馆。（2005年5月12日咨询）。
Reese Hedberg，萨拉（1996年8月）“用于业务流程建模的AI工具”。行政内部。IEEE数字图书馆，（2004年5月8日咨询）
Roque Moranchel，Silvia的《商业智能》。2001年3月
Jhon的Sviokla（1986年10月）“基于知识的系统的业务含义” ACM数字图书馆。（于2005年5月9日咨询）。
Tafti，Mohammed（1990）“专家系统的趋势和方向”。ACM数字图书馆。1990年ACM SIGBDP专家系统趋势和方向会议的论文集。（2005年5月12日咨询）。
Wellman，Michael P.（1996年12月）“人工智能的经济方法” ACM计算调查。ACM数字图书馆。（咨询于2005年5月12日）。
Widrow，Bernard和Rumelhart，David E.和Lehr Michael A.（1994年3月）“神经网络：工业，商业和科学中的应用”。ACM数字图书馆。（2005年5月12日咨询）。
Wong，Kit Po（1993年12月），“人工智能和神经网络在电力系统中的应用”，IEEE数字图书馆，（2004年5月8日访问）
吴新东（2004年9月）。“数据挖掘：数据分析中的人工智能”。IEEE数字图书馆。2004年智能代理技术国际会议论文集（2004年5月8日访问）
