我们经常看到人工智能被描绘成无所不能的机器，但它也是一种边走边学习的技术。AI必须掌握的关键技术是智能定位：跨越空间和时间的资产、事件和人发生在哪里，它们如何相互联系？

　　想想看，所有大流行时代的技术都依赖于地理位置而蓬勃发展——配送应用程序、新冠病毒检测和疫苗显示、可放心购买的商店订单。智能定位是地理信息系统(GIS)的输出，它提供了关键的上下文，构成了机器学习的基础。

　　以下是AI的4种商业应用：

　　1.通过推荐系统进行敏锐的预测

　　人工智能在开始工作前不再需要大量的历史数据输入，当答案未知时，人工智能经常使用强化学习。机器正在以一种试错的方式工作，就像人类所做的那样，以达到一个日益理想的解决方案。

　　可以说，自动化的自动化(The automation of automation)是半导体制造商英伟达(NVIDIA)首席执行官 Jensen Huang对不远的未来的描述。在接受《时代》杂志采访时，他预计人工智能将改善食品生产、物流和医疗保健等复杂业务。他谈到了推荐系统，称其为我们这个时代最重要的人工智能系统。推荐系统是一种经常使用强化学习来根据习惯和偏好预测一个人的选择的算法。

　　尽管这种人工智能可能不需要历史数据来预测更好的结果，但它确实需要有价值的背景或基础来应对手头上的各种任务。《哈佛商业评论》(Harvard Business Review)指出，关键是要预先设计机器学习的有效的输入、动作和奖励。一开始含糊不清对一个实时计算的系统来说不是好事。这就是GIS发挥作用的地方，在推荐系统中添加智能定位，这样它就可以预测可能发生的事情和地点。

　　2.预测未来发展趋势

　　让人工智能处理盈亏报表并承担后果听起来似乎很荒谬。AI能够帮助人们理解这些数字的背景。有了正确的数据输入，也就是智能定位，人工智能可以用来改善决策，帮助公司领导者预测趋势。

　　一些大银行正在使用注入智能定位的机器学习来分析现有分行的收入，将其与潜在扩张领域的丰富人口统计数据相结合，并预测设置新分行的最合适地点。他们可以更精确地决定向哪里扩张以吸引新客户，而不是把现有客户从其他分支机构拉过来。

　　类似的，太阳能电池板公司正在将天气数据与人工智能基于位置的图像进行配对，以选择最合适的社区推广屋顶日光浴技术。

　　在智能定位的推动下，人工智能帮助权衡行驶的最优路线，保险公司已经切实的从中获利。通过使用智能定位和人工智能来预测容易发生事故的道路，并推荐更安全的路线，能够有效降低风险，而且保险公司预计索赔将会减少。

　　3.快速扫描大数据，找到隐藏的市场

　　在这个信息爆炸的时代，我们并不缺少能够帮助企业发展的数据，而是缺少充分挖掘数据价值的能力。特别是成长型公司，大量的信息可能会让他们不知所措。

　　预测需求高峰、判断更高的利润点、改善供应链效率和交付方式，这些工作都需要对大量的数据进行筛选，而人工智能更容易完成这些工作。这还要包括人口统计数据，以确定潜在客户可能是谁、可能在哪里。

　　无线网络公司将智能定位融入到这一过程中，利用人工智能处理大量有关通话中断的数据，以便绘制需要扩建的发射塔地点。通过添加有关某一地区人口统计和预测增长的多层信息，企业可以更详细地规划增长计划。

　　使用人工智能技术和GIS的零售商，能够识别未来哪些位置的商店也会推动网络销售，创造出令人垂涎的“光环效应”，即店主可以线上/线下同时捕捉顾客。

　　4.通过图像和物联网数据提前规划

　　现在，物联网传感器、卫星和移动设备提供的数据实在是太多了。当这些数据通过具有定位功能的人工智能程序过滤后，结果会更加清晰。

　　以一家体育用品零售商的智能机器人为例，该产品配备了RFID传感器，它在商店的走道上扫描，从而了解顾客最想要什么，并预测商店员工应该把进货重点放在哪里。那些已经转向在线订购和取货的商店，他们正在使用智能定位AI系统，根据人们在商店附近的位置，提前为他们准备好饮料或他们的货物订单。

　　借助人工智能，人们可以用起重机和推土机扫描空地的航空图像，确定更适合在哪里建造房屋和开发项目。植入智能定位的人工智能甚至可以扫描停车场的航拍图像，了解外面停着什么型号的汽车(而不仅仅是停了多少辆)，以增加潜在的商业机会。

　　在能源行业，人工智能正在观察卫星图像，以显示竞争对手可能在何处建造油井，或使用配备激光雷达的无人机来探测其电力网络。与GIS相结合，人工智能可以分析100亿个数据点——这需要人工分析人员花5年多的时间来梳理。

　　人工智能的未来

　　随着消费者行为的迅速变化，以及COVID-19大流行和气候变化等外部风险的影响，人工智能的未来面临诸多挑战。通过将GIS与人工智能应用相结合而获得的智能定位，也使机器学习的能力得到了极大改善。

　　在前进的道路中，人工智能包括强化学习、智能定位，帮助决策者更有信心地做出评估和判断，这远比人类大脑挖掘数据所需的时间短。