在已经通过数字化转型进行工作的高管解决与大流行相关的恢复问题的同时，他们却依靠可靠且创新的技术来保持步伐。
大多数领导者将人工智能视为至关重要，并描述了实施人工智能的“最紧迫感”。然而，他们努力整合公司范围的AI计划。接受调查的高管中有百分之七十五认为，如果他们不这样做，他们的公司将在五年内消失。
未来五年，商业世界中的AI可能会以稳定的速度增长，然后飞向天空。到2030年，预计大多数公司将使用AI来支持和加速高层指导和决策。大多数用例将涉及一种称为机器学习的强大AI形式，其中计算机分析大量数据集以帮助回答问题。但是，仅凭人工智能是不够的。高管们已经看到机器学习程序需要真实世界的上下文才能将AI与物理世界联系起来，而桥梁是位置智能(LI)。
通过地理信息系统(GIS)实现的位置智能使企业能够在位置的上下文中进行地图绘制，分析和共享数据。具有LI的AI机器学习可实现趋势发现和预测，以支持市场评估，站点选择，风险管理，资产跟踪和其他核心业务需求。简而言之，机器学习管理复杂的数据，而位置智能则为该数据提供关键位置信息。在这里，我们探索真实的例子。
1.市场分析，增长计划，高级分析
机器学习程序可在复杂数据集中找到聚类和热点。通过将这种功能应用于客户数据，AI和LI可以解锁有助于企业了解其市场的模式和趋势。
例如，在哪里开设商店的问题涉及确定社区各个部分的商店可达性。同时，人口统计信息可以揭示某些消费者行为的热点。通过分析这两个数据集(潜在的站点可达性和附近的人口统计数据)，零售商可以更好地了解哪些客户将偏爱某些位置。
使用GIS技术，人们始终能够快速回答问题，并在地图和仪表板上显示可达性和人口统计信息。现在，他们可以通过利用诸如消费者移动性和购买模式之类的数据源来添加AI工作流。
这揭示了以前看不见的消费者模式并回答了重要问题。客户的平均年龄会如何变化?有多少家人会来?有哪些移动性模式会影响商店的访问模式?有多少人乘坐公共交通工具?商店应该在某些日子延长营业时间吗?
随着公司越来越多地为特定地理区域定制产品和服务，此类信息有助于预期并满足客户需求。机器学习程序通常可以实时执行高级分析，以识别销售数据中的模式，并将这些模式链接到位置。例如，一个程序可能会帮助公司发现区域人口统计特征中的共同点，例如城市与郊区，或有年轻家庭的地区，这些可能会被忽略。
2.监视和跟踪资产
可以学习机器学习算法来识别对象并相应地对它们进行排序。当存在位置组件时(与大多数对象一样)，此功能可以节省大量时间和金钱，尤其是在无人机和卫星图像时代。
所有企业都有必须跟踪和会计的资产。考虑公用事业公司使用AI和LI维护其网络运行状况的方式。无人机经过培训可以拍摄数千张带有公用电话线的地理照片。这些点成为智能地图上的一层。使用深度学习(一种复杂的机器学习形式)的计算机分析了图像并突出显示了需要维修的资产。以一家公用事业公司为例，该系统快速分析了17,000英里的电线，否则这项工作将使工人估计需要50,000小时。
这个概念适用于更大的地理区域。输油管道的运营商使用深度学习来检测距离其太近的任何结构。
借助机器学习的位置智能可以提供可视化形式，帮助企业更好地了解其市场。可以计算停车场中车辆数量并按型号分类的程序可以帮助零售商收集有关竞争对手客户群的人口统计信息。一家石油和天然气公司可以迅速发现世界其他地方正在钻探的石油。一家保险公司可能会结合使用LI和AI来快速确定有游泳池或其他显着特征的房屋来更好地了解邻里的责任。
随着AI技术的成熟，更多的机器学习程序甚至将能够在图像数据出现时对其进行分析，这对于需要实时响应的情况至关重要。
3.风险管理与运营效率
《预测机器：人工智能的简单经济学》一书的经济学家Avi Goldfarb 认为，机器学习可以为企业带来“变革”。他在2018 年对《哈佛商业评论》(Harvard Business Review)的报告中，对未来结果的谨慎态度通常会使企业在承担风险时采取保守态度，以“对不确定性风险进行套期保值。”机器学习算法通过检查庞大的数据集，可以对结果做出可靠的预测企业可能会做出的各种选择。通过鼓励更智能的风险，人工智能实际上降低了冒险的成本，这有助于企业发挥其全部潜力。
重要的是要记住，复杂的非AI预测工具已经存在了一段时间。关键区别在于AI可以结合更多变量来做出准确的预测。预测明天的天气和模拟气候变化的复杂影响之间的区别。
机器学习为帮助企业管理风险提供了许多可能性。COVID-19大流行强调了供应链数字化的必要性，以帮助公司应对中断。但是破坏可以采取多种形式，尤其是在气候变化的影响倍增的情况下。通过帮助预测中断(通过分析天气状况和政治动荡，仅举两个例子)，机器学习程序可以预测供应链中某个节点出现问题的可能性，并帮助公司进行必要的调整。
机器学习还可以帮助公司更好地了解与增长和扩展相关的风险。例如，零售商通过“统一预测”保持竞争力。一个主要的运动服装品牌正在将AI与LI结合使用，以分析现场和在线购买作为其业务的相关部分。过去，他们在站点选择中使用人口统计数据，而现在，他们将来自所有商业渠道的数据包括在内，包括在线或通过社交媒体生成的那些。机器学习与GIS相结合，正在帮助这家零售商以极高的精度确定实体商店的最佳位置。
过去，保险公司可能会根据对各种风险的了解，使用位置数据来确定如何对不同区域的保单定价。现在，借助AI的LI开启了全新的预测前景。
美国一家主要的保险公司正在采用AI驱动的方法来为驾驶员生成智能路线，即通过转弯路线找到最安全的目的地路线。为了生成此分析，该程序考虑了许多变量，包括不同位置的事故，一天中的时间和天气。智能路由具有明显的业务优势-更安全的路由意味着更少的事故和更低的保费-但此示例超越了商业。城市和州交通部门可以通过预测各种组合可能发生的事故数量，来进行类似的分析，以设置速度限制并改善指示牌。
更好的路线预测也将对物流业产生深远影响。机器学习甚至可以完善物流公司用于进行排程预测的起点成本矩阵，从而提高效率。
4. 放在一起
通过将位置智能与AI机器学习结合使用，企业可以获得模式识别，分类和预测的优势。考虑一下佛罗里达州奥兰多市的一家无线提供商制定扩展其网络的计划的方式。
计划者首先进行掉话呼叫的集群分析，以寻找热点和模式。他们将人口统计数据添加到这些智能地图中，可视化人口增长将创造新订户的区域。他们还绘制了其他热点地图，这些地图消耗了最多的无线数据。统计分析工具通过查看随时间推移出现尖峰的位置，进一步完善了这些发现。这种分析产生了对未来无线使用的准确预测。
然后，该公司使用先前对可能的接入点位置的分析来按适用性对区域进行排名。计划人员添加了他们对掉线，人口和数据使用情况所做的分析。他们还集成了现有光纤的地图。
在对最适合扩展的领域进行排名之后，该公司使用了AI的分类能力。一项深度学习计划在公司可能放置其设备的那些区域(例如电线杆和水塔)中发现了一些地点。这意味着该公司无需派遣人员来检查区域。
在此过程的每一步中，该公司都使用机器学习来做出更好的决策。通过将这些决策植根于优先考虑位置智能的方法，该公司便能够将其上下文化，从而可视化它们在现实世界中的表现。人工智能和位置智能的结合使这些决定变得栩栩如生。
