如果它听起来好得令人难以置信，那么它很可能就是真的。半个多世纪以来，这似乎就是人工智能的故事。即便是亚马逊(Amazon.com)的产品购买建议、苹果(Apple)的Siri和IBM公司(IBM Corp.)的沃森(Watson)等明显的突破，也没有消除人们对人工智能取得独立商业成功前景的怀疑。
现在，一种人工智能的变体——机器学习——正在赚钱。对于金融和医药等充斥着数据、迫切需要工具来帮助从噪音中分离信号的行业来说，这里有一些值得相信的炒作。商业模式和战略正在围绕机器学习建立。但是，从定义上讲，它是渐进的——科学和编程可以经过煞费苦心的试错——而且它不会从装配线上滚下来。
考虑情绪分析。对于试图理解市场走势和对事件的反应的投资者来说，情绪洞察——从新闻公告或报道、推文、价格走势和其他数据点中获取的投资者或市场情绪——就像一个彭博终端．经过几年的研究和工程，并在自然语言处理等计算机科学进步的基础上，布隆伯格以高度复杂的规模创造了机器学习先驱们在早期电影评论中展示的东西。观众对电影的反应——单词、上下文和标点符号——可以被解析成一个整体的情感解读。
金融领域也取得了进展AlphaSense这是一个搜索引擎，旨在更快、更好地满足投资和研究专业人士的需求，而不是像谷歌这样的通用搜索引擎。这家总部位于旧金山的公司拥有500多家客户该公司联合创始人杰克•科科(Jack Kokko)曾是摩根士丹利(Morgan Stanley)的高级分析师，拉杰•尼瓦南(Raj neervanannan)曾是数据聚合公司Choicepoint的ePolicy部门的首席技术官。10年前，他们开始谈论他们对定制、智能查询和搜索功能的愿景。
为什么提前这么长时间?
10月份在“金融中的大数据”，在密歇根大学的一次会议上，哈佛大学经济学教授和行为经济学学者深思解释说，在整个20世纪90年代，研究局限性阻碍了机器智能的发展。比如，当电影情感的结果不完美时，研究人员的反应是“获得更多的词语”，而这种努力的回报就会递减。
他说，最近，这种方法改变了，强调经验数据，并通过反馈回路测试其预测能力。反馈回路是一种重复的、迭代的教学或培训系统的过程。这就是邮局的自动包裹分拣、语言翻译程序和自动驾驶汽车的本质，这些都不是一夜之间就能轰动的。卡耐基梅隆大学，号称是自主汽车技术他从1984年起就一直在研究这个项目。
在过去的六七年里，大数据的兴起与机器学习的进步并行，这得益于相对廉价的云计算服务的可用性。因此出现了强大的系统，擅长识别模式，从噪声中提取信号，并从经验中保留知识。一个自然的出路是网络安全，机器智能可以探测潜伏在计算机网络内部或聚集在外部的威胁。相关的例子包括BluVector这是位于弗吉尼亚州的Acuity Solutions Corp.在经过五年的研发后于2015年推出的一款“威胁狩猎”产品;和圣地亚哥的数据库网络该公司花了四年时间，于2013年推出了机器学习数据库安全技术，并在今年3月宣布了一项实时检测证书滥用的能力。DB董事长兼首席执行官布雷特•赫尔姆(Brett Helm)表示，人工智能的未来“不仅会阻止攻击，还会自动修复漏洞。”
监管方面的其他应用也在酝酿之中。的金融业监管局正以首席信息官史蒂文•兰迪奇(Steven Randich)所称的“认真研究”，将机器学习更好地自动化监测每天超过500亿份订单、报价和其他市场事件。美国金融业监管局打算在2017年上半年证明这一概念，方法是专注于一项任务:排除被称为分层的非法价格操纵技术的发生。Randich说:“我们离真正的交易只有六个月的时间了。”
AlphaSense首席执行官Kokko也同意保持专注:“我们会非常深入地解决我们正在解决的问题。”他的合作伙伴兼首席技术官Neervannan说:“这是一个不断迭代的过程——什么可行，什么不可行——并且知道要调整什么。”•