人们已经在智能手机上体验到了机器学习的厉害之处。例如，你是在晚 6 点左右看手机的时候，发现一条关于预计回家驾驶时间及回家驾驶路径的通知推送？这也许会让你丈二摸不着头脑——因为你从未告诉过你的手机你住哪里、你在哪里工作，并且你并没有专门设置让你的手机在特定时间推送关于交通状况的消息。但实际上，（借助机器学习等技术，）你手机内部的软件能够分析你手机在你日常作息、活动时采集的 GPS 数据，能预计你何时将会下班回家并提供相关的交通信息（例如你日常回家的路上是否会有交通拥堵）。

不过，机器学习及认知计算的能力不仅限于这种有特定目标的应用（Targeted Applications）。IBM 认为，对认知计算而言，有三种更为广义的能力范围：

参与性任务：通过对相关问题及时回复、提供目标信息，程序能够像专业助手一样。

探索性任务：程序能够在大规模离散数据集中，发现之前未发现的模式或关系。

辅助决策功能：程序对复杂且不断改变的大规模数据集进行分析后，能对不同的选择给出相应的置信分数，并对用户推荐最优选择。

很显然，这三个领域都有可能增强甚至改变知识型工作。某些应用已经能够帮助人类做出决策，如某个能够分析海量医疗数据集的系统，atv直播，可以发现过去未发现的在症状、疾病及后果之间的数据联系。另一些系统甚至能取代人类专家——如能够分析个人财务状况及目标并提供投资建议的系统。

知识管理最明确的应用之一，是能够处理关于职员的多维信息的系统。其中的多维信息包括，职员正在工作的项目，他/她的熟练度，他/她经常交往的对象及其他因素。这样的目的，是能够推荐可能的答案、解决方案或是行动。它将会持续读取数据并随时间生成更多的优化的结果。尽管某些问题仍需要人类的意会知识及推理能力，但机器学习仍能够用于最适用内容、数据集及领域，以协助特定情况下的决策过程。不论何种情况，其愿景是，职员能够花更少的时间搜寻知识，而可以把更多的时间花到学习和使用它上。

知识管理与认知计算的结合点

在讨论了诸多可能的情况后，APQC 的 KM Advanced Working Group 指出，认知在如下所述的知识管理（Knowledge Management）的六个领域比较有前途。

搜索与发现：认知计算在改进企业搜索及发现过程方面，有非常多的可能性。目前的搜索应用能够遍历非结构化的数据，并能够执行一些自动标记任务，但这些功能往往是局限的。在搜索功能融合了认知计算后，它将能够提供更为综合的答案。甚至是任务涉及到需要分析图像及视频，或是需要集成隐藏在多个文档中的信息时，它也能胜任。

内容筛选：通过使用算法来搜寻不同类型的数据、寻找数据源中的相似点及在逻辑组中进行聚类，机器学习能够自动化内容筛选过程。内容将会被依次标记及展示（也可以根据搜索语句的额要求展示）。这项任务的目标，是提内容筛选过程的效率、降低过程的花费，同时也要能删除某些丢失情况（相关的内容存在，但是系统不能够连接用户到最优资源上）。

专家定位：认知系统具有扫描海量完全不同信源的能力，能够识别其中的领域专家或为特定话题工作的人们。这样的系统能够提升同事推荐的质量、降低寻找问题帮助及答案的时间和揭开隐藏的专业知识。这些好处，能够帮助用户从建立个人档案、列出个人技能、经验、兴趣的反复工作中解脱出来。

数据导向的可视化系统：一般而言，人们为了解释、探索及展示数据，而进行数据可视化。认知计算能够这些过程变得自动化、增强其处理能力并赋予其不可思议的处理速度。在如今的大数据时代，可视化被用来显示内容及展示数据及知识，能允许用户在不同的话题及想法上建立新的连接。

经验教训分析：尽管许多组织在从项目及程序上习得教训方面颇具成效，但在真正地从过去地经验中学习并在未来应用经验方面，他们仍面临着困难。在正确编程的情况下，一个认知系统能够分析在已有数据库上习得经验，也能够处理那些未被正式叫做经验教训、但有助于改进或帮助发现机会的、从其他项目文件中得到的一些信息。因此，系统能基于目前工作项目的类型和阶段，向个人或团队提供相关的建议或想法。

(责任编辑：本港台直播)