正文
许多销售和营销人员，花了几个小时将数据繁琐地输入到他们的客户关系管理( CRM )系统中。
但是尽管销售管理部门尽了最大努力，这些系统也经常丢失数据，更糟糕的是，经常会填错信息。
我们的投资组合公司People.ai，使用机器学习将数据自动填充到CRM中。
有了完整的、最新的客户关系管理系统，销售和市场营销人员，最终可以根据他们希望从客户关系管理系统中获得的洞察力来行动。
比如，知道我们应该在周五下午给我们的潜在客户艾莉森(Alison)打电话，因为这是她真正想了解新系统如何帮助她处理日常事务的时候。
通过帮销售人员将数据键入CRM的日常任务中解放出来，他们可以专注于理解他人的问题，并利用他们的同情心和创造力来帮助解决这些问题。
还有什么地方可以让我们的日常工作自动化呢？
为审判做准备怎么样？
为审判做准备的第一步是收集证据。
传统上，出庭律师在准备为案件辩护时，会筛选成千上万的文件、照片、视频、电子邮件和其他证据。
他们必须弄清楚哪些文件与案件有关，它们是关于什么的，以及它们是如何联系在一起的。
没有软件，律师助手梳理每一个文件或图片可能需要几百或几千个小时。
我们投资的一家公司 Everlaw 简化了这个过程，它使用机器学习快速处理、分类和标记与案件相关的文件，并以容易访问的方式存储它们。
因此，处理该案件的律师能够利用自己的才能，从事更具创造性的工作，将各个点连接起来，提出一个引人注目的大故事，让陪审团能够更清楚的了解案件。
所谓的自然语言处理( NLP )系统，能够理解语言的软件，也在其他应用程序中找到了自己的路。
Dialpad是一种基于网络的电话和会议服务，可以转录你的谈话录音。
转录后，Dialpad会使用一种叫做情绪分析的机器学习技术，来分析文本中是否有愤怒或沮丧的迹象。
如果系统检测到人们感到沮丧，它可以帮助人们利用自己的创造力、同情心和智商让谈话回到正轨。
上次我拜访我的初级保健医生时，他和我在一起呆了大约35分钟，在那段时间里，他和他的笔记本电脑互动，而不是和我互动，努力让我的电子健康记录保持最新。
Suki是一家创业公司，致力于通过聆听病人和医生之间的对话，自动更新病人的医疗记录，重新将医生和病人连接起来。
通过自动化常规任务，医生可以专注于病人护理的创造性、移情性和情感性部分。
当这些技术(以及帮助诊断问题的系统)进入大多数医生的办公室时，我相信我们会根据谁的临床方式最好来选择我们的医生，因为诊断和保持系统的最新大多都会是自动化的。
机器学习给了我们现实世界中的超能力
我们的人类感知系统是惊人的。
你的眼睛可以以非常细致的分辨率分辨1000万种不同的颜色。
但是我们的感知系统也有众所周知的局限性。
这就是为什么我们有炸弹嗅探犬，而不是炸弹嗅探人。
我们的记忆也比我们许多人想承认的要糟糕。
我们的大脑被设计成为了有充分的理由忘记你所看到和听到的很多东西。
如果我们能够围绕人类感知系统的局限性进行设计，并在现实世界中赋予自己超能力，会怎么样？
机器学习正在帮助我们做到这一点。
例如，Pindrop 赋予银行、零售商和政府组织超级听力的力量。
Pindrop的服务有助于防止语音欺诈，这是黑客窃取身份和金钱的越来越常用的方式。
通过分析近1400种声学属性，这个系统可以帮助组织在你打电话的时候确定你是否真的是你，这仍然是我们与商家，政府机构和银行打电话过程中互动的78%。
它通过倾听我们的声音(随着年龄的增长，声音会加深到中年，然后音调会升高)，以及我们的电话和电话网络在线路上引入的噪音，来做到这一点。
使用专有的机器学习算法，Pindrop可以利用线路上的噪音，来预测你是在家中用iPhone打电话，还是在爱沙尼亚用 Skype 打电话。
这种超级听力能力，有助于组织大幅减少成功欺诈企图的数量。
在Ox和Bowery Farms等公司运营的室内农场中，机器学习也给我们提供了越来越多的超能力。
作为人类，我们很难观察事物生长缓慢的过程，并随着时间的推移进行比较：
我们的感知系统，被设计用来注意快速移动的捕食者，而不是生长缓慢的菠菜。
另一方面，机器视觉系统可以被训练，能够准确地知道一棵健康的生菜在它生命的第36天应该是什么样子。
对于不能茁壮成长的莴苣，农场可以自动调节温度、光照条件、水位、营养成分、湿度和其他因素，以帮助它达到最佳的健康状态。
这些室内农场的作物，产量可高达每平方英尺15磅，而高效温室和田间种植作物的产量分别为每平方英尺7磅和每平方英尺1磅。
而且，在不使用杀虫剂和减少95%的水的情况下，这些作物的产量也可以达到这些增长效率。
超级视觉的力量使我们成为更有效率的农民。
超级视觉也可以在工厂内部使用。
尽管世界范围内对机器人技术进行了大量投资，但大约90%的工厂工作仍由人手完成。
挑战在于，工厂里面指出了大量的成本，很难让工人继续做这些工作。
美国一家经营非常好的工厂可能每年有30%的营收，用来支付昂贵的再招聘和再培训费用。
在中国，每天有2%的工人流失率并不罕见，这意味着几个月后，你就会有一个全新的劳动力队伍。
鉴于成本如此之高，工厂将培训每位新员工的成本降至最低是至关重要的。
Drishti正在给这些工厂带来超级视觉能力。
通过在工人组装产品时捕捉和分析视频，系统可以为每项工作提供个性化的行动建议，帮助他们跟上进度。
使用Drishti的工厂劳动生产率提高了25 %，错误率降低了50%。
当我们给建筑工地带来超视视觉能力时，我们可以帮助全体员工保持安全、预算和进度。
Doxel每天下班后都使用激光雷达(与自动驾驶汽车上使用的激光雷达相同)和摄像头从地面机器人和无人机上收集数据。
通过构建精确的3D地图(精确度高达2mm )，Doxel 知道已经建成了什么(“是什么”)，并将其与建筑平面图(“应该是什么”)进行比较。
然后它可以预测建筑的主要部分何时完工。
这种每天进行地循环任务，有助于保持合适的工人在合适的时间、用合适的材料和工具到达现场。
这也有助于防止你在自己的房屋改造项目中可能遇到的错误，比如在水管工或电工修完墙后的管道或电缆之前，就先把墙修好。
使用Doxel的这个系统，Kaiser Permanente帮助建筑工人提高了38%的生产率，并在建造Viewridge 医疗办公室时，节省了11%的预算。
当然，谈到人工智能的超能力，我们不能不谈论自动驾驶汽车。
先进的驾驶员辅助系统会导致二级效应之一，是我们将在事故现场有可靠的目击者。
不管一辆自动驾驶汽车走到哪里，我们都会有十几台摄像头、几台激光雷达、多台雷达和超声波传感器等的传感器数据。
想想这对法院和保险公司意味着什么。
不用再依赖目击证人的证词，甚至在周围没有人的情况下，我们可以重现事故现场发生的情况。
2018年9月，特斯拉向2017年8月后生产的汽车发布了9.0版辅助驾驶软件。
有了这个软件版本，用户可以将汽车的摄像头数据存储到一个 USB 闪存驱动器中，许多司机也开始这样做。
去年12月26日，在北卡罗来纳州的希科里，一群皮卡司机用他们的卡车堵住了通往一个特斯拉超级充电站的路，并大声辱骂特斯拉，直到他们被赶出该充电站。
