即便机器学习无法立即给出答案，但它仍旧能够帮助我们作出智能化的猜测，以便我们调整问题，快速地引导客户接触到有助于解决问题的信息或专家。

实现预测性服务的两大挑战：数据与配置

无论是客户还是支持团队，建立融洽的关系和个性化服务，并降低时间和成本投入都是成功的关键，但存在着哪些挑战呢？

众所周知，机器学习需要依赖于海量的数据，而干净、清晰的结构化数据是模型训练的理想之选。我们看到的情况是，各种类型的客户数据与支持数据，只要可用，都会输入到模型中。

在这方面，成熟的组织就能够获得优势，尤其是那些能够妥善地维护客户互动记录数据的组织。对于这些组织而言，通常存储在防火墙背后的私有云端的专有数据能够发挥出巨大的作用，尤其是如果他们能够建立高性能的机器学习系统来处理这些数据，作用会更加明显。

“

我们如何才能了解到客户的学习和增长情况？我们如何根据客户不断增长的知识，以及兴趣点的变化为其量身定制支持服务？

”

另一个挑战在于，如何以最佳的方式配置系统本身，进而以最有效的方式捕获并使用可输入到模型中的数据。就 IBM 来说，我们看到客户对我们易于部署的设备系统的需求不断增加，因为这些系统能够灵活地管理私有云、公有云和混合云环境中各种可用于机器学习的数据。

当然，配置挑战的核心在于数据治理问题。

关于这一点，我们要考虑的关键问题包括：如何对来自不同支持门户的数据进行分类和统一？如何确保我们收集的数据可帮助我们作出预期的特定客户支持决策？如何在确保系统安全性的同时，保证我们的数据科学团队在构建和训练模型时能够通畅地访问所需的数据？

超越:利用机器学习的预测能力提前解决问题

无论是乘坐无人驾驶汽车、购买书籍还是在现场帮助客户解决问题，机器学习的最大优势在于预测。

在上文中，我曾提到过，我们的客户服务代理能够在客户遭遇问题时第一时间帮助解决，这种情况下就衍生了一个问题：我们是否能够在问题出现之前解决问题？我们如何才能利用预测功能帮助客户提前解决问题？

机器学习的模型日益复杂，预测的性能也随之发生了演变。预测客户对引擎服务或安全补丁的需求是一回事，而预测人们和组织随着时间的推移而产生的更深层次的需求又是另一回事。

“两年前客户向我咨询了某个问题，那么在两年后的今天，他们是否会咨询另外一个问题？”我们如何才能了解到客户的学习和增长情况？我们如何根据客户不断增长的知识，以及兴趣点的变化为其量身定制支持服务？

毋庸置疑，我觉得正是同样的好奇心，将会促使我们希望去了解如何作出最好的支持决策。对此，我们再回到可视化这一话题。

我们可以想象一下，如果我们能够为客户服务代理提供相应的工具，直播，使其能够以自然语言描述客户面临的问题，并以可视化的方式向客户提供我们给出的解决方案选项，包括系统计算出的权重和概率（这一点类似于 Watson 在参加电视智力竞赛节目 Jeopardy！时对潜在答案的可视化处理），情况将会怎样？

再从自助服务的角度来说，我们可以再想象一下，如果客户也能够直接访问这些工具，并使用他们自己的语言来描述所遭遇的问题，情况又将会怎样？因此说，可视化能够为客户提供清晰的反馈，使其能够调整问题描述或进行深层次的挖掘。而客户给出的回应必然会进一步改善模型本身。

机器学习的真正价值：帮助客户成功

本文的任何一个读者都不会否认的是，即便机器学习被炒得火热，但有一点毫无疑问，它必定会给我们的生活、工作和思考方式带来巨大的变革。

诚然，潜在的收益伴随着实际的风险，我们也仍旧需要谨慎前行。不过，机器学习可帮助我们减少被束缚、沮丧和困惑的时间，从而有更多的时间投入到我们渴望去完成的更深层次工作之中。我觉得，这是机器学习的真正价值所在 - 帮助客户实现成功，成就美好未来。

延展阅读

初学者必读：长文解读人工智能、机器学习和认知计算

IBM机器学习CTO写给2190名知乎网友的一封信

机器学习和数据科学领域，最流行的语言是什么？