机器人天空-为机器人开发者和爱好者服务民航资源网2017年7月3日消息：机器学习的出现是人工智能发展中最令人期待的科技之一。正如其名称所示，利用机器学习技术的应用程序会随着使用次数的增加而变得越来越智能。机器学习是当今搜索算法、无人驾驶汽车革命以及先进垃圾邮件检测和反欺诈侦察的核心。在旅游业，机器学习被用来提升用户界面、分析海量数据以及实现对话式商业。本文将探讨机器学习技术在旅游业应用的实际使用，并解读这一新兴科技的真实潜力。
简介
机器学习的核心是能在不编写特定程序的情况下让电脑提供答案。传统而言，电脑的应用程序内储存了根据特定数据编写的信息，在用户提出请求时，应用程序直接调用这些信息。上世纪70年代，关系数据库问世，80年代，结构化查询语言（SQL）开始发展，这都使数据更容易被接触和利用到，但熟识SQL编程仍然是关键。90年代和21世纪初，Cognos等商业智能平台涌现，这些平台都采用了对用户而言更简易的前端，但实际上仍依赖于SQL查询方法。
软件应用程序也只能接触到已经编程好的信息。上世纪80年代和90年代，应用程序编程接口（API）的发展实现了一种成品或服务和其它产品或服务的对话。在21世纪初，在利用一系列标准的情况下，网络API使程序员们能更容易地接触到其它应用服务，但应用程序仍限制于已经编程好的信息。比如，如果想有效地查询某一航班的信息，你需要根据特定的全球分销系统（GDS）API编写一条特定的查询代码告诉电脑提取特定的数据（多数情况下，电脑会把用户请求再转变为特别的GDS格式）。根据这个例子类推，要查询航班价格，则需要根据另一个GDSAPI编写另一条代码。对编程的依赖也限制了用户的使用。比如，90年代时发展的早期聊天机器人经常出现故障，因为任何没有编入应用程序内的用户回应都会导致聊天机器人终止服务。
互联网和社交媒体的发展增加了大量可用的数据，其中绝大部分都是非结构化格式，因此使数据检索的复杂程度更进一层。这也促使越来越多的大数据科学家们创造出更成熟的算法来分析和利用这些海量的结构化及非结构化数据。
机器学习是计算机科学进化中的一次飞跃。机器学习使应用程序能够自己进行编程，而不再只依赖于人类编程。整体而言，机器学习目前的应用较浅，只基于特定系列的功能。但学习型的机器如今已经问世，而且已经对旅游业产生了影响。
机器学习的今天和未来
包含数十亿数据元素的大容量数据库已经存在了数十年，但只在近来机器学习技术才把这些数据转变为有用的知识。以下三个要素的变化引发了利用机器学习的浪潮：
—每天产生的海量数据，以及分析这些数据的需要——在过去两年内，这种需要增加了数个重量级。以下为少数几个例子：
5亿条推特
4百万小时的视频被上传到YouTube上
Instagram上36亿个“赞”
脸书上发布了43亿条信息
脸书上57.5亿个“赞”
60亿次谷歌搜索
—云计算的出现使大众接触到数据存储和处理。
—开源技术使程序员等发展人员能够创建和使用机器学习算法，将这一科技带进更大的发展人员社区。
在机器学习获得更多突破前，我们必须承认这一技术目前仍处于起步几段。在很多科幻小说中，智能机器超越了人类大脑并威胁到人类生存。在过去几年里，著名物理学家史蒂芬·霍金（Stephen Hawking）曾称“发展完全的人工智能可能加速人类的灭绝”，企业家埃尔隆·马斯克（Elon Musk）也称人工智能是“我们人类生存的最大威胁”，这些言论促使大众以为先进的人工智能技术不仅即将到来，而且还是令人恐惧的“怪物”。
人工智能超越人类智能、并具有人类情感的时候被称为“奇点”。奇点也被假设为超级智能机器的未来。超级智能被定义为一种由科技创造的认知能力，这种能力远超人类能力。这一未知的超级智能就是霍金教室和马斯克所说的“威胁”。谷歌人工智能总监雷·库兹韦尔（Ray Kurzweil）预测奇点很快将会成为现实（在25到30年内）。但即使是库兹韦尔也无法确定奇点是好现象还是坏现象。不过，现在我们不该被超级智能机器的未来景愿所吓倒，而是应该积极认识机器学习的价值。
虽然当前机器学习仍处于发展中，其应用也处于初步阶段，但只要让机器理解了相关的术语、选项和细微差异，机器学习就可以应用在旅游应用程序中，并能帮助解决很多疑难问题。
机器学习的工作原理
要使机器学习成功进入服务，程序员需要在系统内输入相关的主题数据（例子）。目前机器学习只集中在少数主题的较小范围，因为系统需要理解许多行业专有的词汇和关系。也就是说应用程序必须同时理解某一行业内的分类（比如概念层次）和本体（不同概念间的复杂关系）。举个例子：支持一家酒店聊天机器人的机器学习系统必须理解酒店星级的评级（即分类），同时也需要掌握房价和支付条款间的关系（本体），比如特价房不退订房费等。因此要创建这个机器学习应用程序的第一步是在系统内输入例子，让系统理解相关主题的术语、关系和细微差异。之后，机器学习平台的创建还需以下三个关键步骤：
—建模：机器学习算法（即一系列电脑指令）在数据中发掘相应的模式，并利用这些发现建立数据模型。最初的模型由人工输入，但随后模型会自我进步并由机器学习流程驱动。
—生成参数：学习算法会发展出一系列参数让软件学会“自己做决定”。比如，系统可能发展出一个参数指示需要某些域认证特定数据的质量，没有这些域，这些特定数据可能会被拒绝。
—学习者：应用程序会根据预测和实际结果的不同而对参数进行调整，模型也会相应进行调整。学习者部分会随之提升模型的精确度。
深度学习
机器学习的一个分支子集为深度学习。深度学习集中利用更小范围的机器学习工具及技术，并将其应用在解决需要人类或人工“思想”的特定问题上。2016年，谷歌深度学习应用程序在围棋大战中打败了韩国围棋大师李昌镐。要知道，围棋拥有2500年的历史，比象棋复杂许多倍，而且在实际对战中（最起码是人类对战）需要某种程度的直觉。所以深度学习在旅游业内可能非常适于解决如管理大规模旅程混乱状况等复杂问题。
如今机器学习在旅游业内的利用
如今机器学习在旅游业内得到了大量应用。由于数量仍在持续增加，以下仅列出几个例子：
—聊天机器人：在过去的一年半里，大量聊天机器人进入市场。以下是利用机器学习技术的聊天机器人例子。
-Mezi——Mezi利用深度学习将旅行知识构建到自己的应用程序内，使这一程序能与用户对话，并过滤掉不相关的回应，每次在用户提出要求后都弹出三个最符合用户需求的选项。
-Expedia——Expedia推出了Facebook Messenger聊天机器人来帮助旅客订酒店。这款机器人利用自然语言处理（NLP）和机器学习技术创造结构化的对话流。
-30 Seconds to Fly——这家公司的人工智能助理Claire是个旅行聊天机器人，设计这款机器人的目的在于给中小企业市场提供旅行管理能。它利用NLP和机器学习技术帮助旅客找到符合企业政策的选项。
—谷歌旅行规划“Google Trips”：通过阅读用户的谷歌邮件，这款程序自动生成旅行行程，包括旅行地点的信息，同时还提供附近地标信息和休闲活动建议。它利用机器学习技术根据用户的重复使用率实现持续的个人化推荐。
—Lola：这个信息平台由人工和一个人工智能平台支持。这个人工智能平台利用机器学习技术根据具体的旅行要求为旅客提供相关度最高的各种选项，而且会随着旅客请求和用户数量的增加而提升。
—Sift Science：利用机器学习技术分析如反欺诈侦察等风险的多种类型。
—DataArt：是企业对企业的定制应用程序。该程序利用机器学习来理解非结构化的酒店和交通数据。此外，DataArt还利用基础设施级别的机器语言解决方案来帮助发现预测的故障预防，进而提升运营效率。
—Trip.com（之前名为Gogobot）：它利用机器学习技术整合数百万数据点，包括旅行的日期、天气、部落（指兴趣相同的人群）以及旅程和城市密度等，及时为用户个人提供真正相关且智能的选择。
—Way Blazer和Go Moment：IBM的人工智能技术平台Watson的核心在于利用机器学习（以及其它人工智能技术如自然语言流程）为用户查询提供正确的答案。Watson在《危险边缘》（Jeopardy！）上的胜利中不仅检索出正确的问题答案，而且还利用机器学习技术评估答案的指令。Way Blazer和Go Moment这两家公司正在利用IBM Watson的核心技术为旅游行业带来更多解决方案。
机器学习的今天和未来
如今，机器学习技术正在使应用程序越来越智能，但和科幻电影里出现的超人类智能机器人还有很远距离。在旅游业内，机器学习技术被用来解决某些特定问题，比如初步的预订查询和客户服务要求等。但由于任何糟糕的体验都会迅速毁坏一个品牌的形象，企业并不会将客户沟通完全交由智能机器处理。
在接下来数年内，我们可能会迅速从当前早期的机器学习阶段转移到更完全的方案提供阶段，从目前由搜索驱动的旅行计划流程转移到智能助理结合自身对客户偏好的了解与对旅行选择的深度了解为用户提供旅行选择的阶段。机器学习将会结合深度学习、自然语言流程、知识图谱（对特定领域结构化和非结构化数据的语义理解）和类神经网络（由大量简单并高度内联的流程元素构成、模仿人类大脑功能的计算系统）。机器学习令人期待的地方在于其通过向客户学习而提供更好体验的能力。我们希望，这能带来更个性化的服务、更相关的建议和更好的旅程服务，因此最终提升旅行体验。我们正处于迎来机器学习智能计算新时代的大门口，而机器学习将会利用客户的重复使用而不断创造出更卓越的应用程序。
