在已經通過數字化轉型進行工作的高管解決與大流行相關的恢復問題的同時，他們卻依靠可靠且創新的技術來保持步伐。

大多數領導者將人工智能視為至關重要，并描述了實施人工智能的“最緊迫感”。然而，他們努力整合公司范圍的AI計劃。接受調查的高管中有百分之七十五認為，如果他們不這樣做，他們的公司將在五年內消失。

未來五年，商業世界中的AI可能會以穩定的速度增長，然后飛向天空。到2030年，預計大多數公司將使用AI來支持和加速高層指導和決策。大多數用例將涉及一種稱為機器學習的強大AI形式，其中計算機分析大量數據集以幫助回答問題。但是，僅憑人工智能是不夠的。高管們已經看到機器學習程序需要真實世界的上下文才能將AI與物理世界聯系起來，而橋梁是位置智能（LI）。

通過地理信息系統（GIS）實現的位置智能使企業能夠在位置的上下文中進行地圖繪制，分析和共享數據。具有LI的AI機器學習可實現趨勢發現和預測，以支持市場評估，站點選擇，風險管理，資產跟蹤和其他核心業務需求。簡而言之，機器學習管理復雜的數據，而位置智能則為該數據提供關鍵位置信息。在這里，我們探索真實的例子。

1.市場分析，增長計劃，高級分析

機器學習程序可在復雜數據集中找到聚類和熱點。通過將這種功能應用于客戶數據，AI和LI可以解鎖有助于企業了解其市場的模式和趨勢。

例如，在哪里開設商店的問題涉及確定社區各個部分的商店可達性。同時，人口統計信息可以揭示某些消費者行為的熱點。通過分析這兩個數據集（潛在的站點可達性和附近的人口統計數據），零售商可以更好地了解哪些客戶將偏愛某些位置。

使用GIS技術，人們始終能夠快速回答問題，并在地圖和儀表板上顯示可達性和人口統計信息。現在，他們可以通過利用諸如消費者移動性和購買模式之類的數據源來添加AI工作流。

這揭示了以前看不見的消費者模式并回答了重要問題。客戶的平均年齡會如何變化？有多少家人會來？有哪些移動性模式會影響商店的訪問模式？有多少人乘坐公共交通工具？商店應該在某些日子延長營業時間嗎？

隨著公司越來越多地為特定地理區域定制產品和服務，此類信息有助于預期并滿足客戶需求。機器學習程序通常可以實時執行高級分析，以識別銷售數據中的模式，并將這些模式鏈接到位置。例如，一個程序可能會幫助公司發現區域人口統計特征中的共同點，例如城市與郊區，或有年輕家庭的地區，這些可能會被忽略。

2.監視和跟蹤資產

可以學習機器學習算法來識別對象并相應地對它們進行排序。當存在位置組件時（與大多數對象一樣），此功能可以節省大量時間和金錢，尤其是在無人機和衛星圖像時代。

所有企業都有必須跟蹤和會計的資產。考慮公用事業公司使用AI和LI維護其網絡運行狀況的方式。無人機經過培訓可以拍攝數千張帶有公用電話線的地理照片。這些點成為智能地圖上的一層。使用深度學習（一種復雜的機器學習形式）的計算機分析了圖像并突出顯示了需要維修的資產。以一家公用事業公司為例，該系統快速分析了17，000英里的電線，否則這項工作將使工人估計需要50，000小時。

這個概念適用于更大的地理區域。輸油管道的運營商使用深度學習來檢測距離其太近的任何結構。

借助機器學習的位置智能可以提供可視化形式，幫助企業更好地了解其市場。可以計算停車場中車輛數量并按型號分類的程序可以幫助零售商收集有關競爭對手客戶群的人口統計信息。一家石油和天然氣公司可以迅速發現世界其他地方正在鉆探的石油。一家保險公司可能會結合使用LI和AI來快速確定有游泳池或其他顯著特征的房屋來更好地了解鄰里的責任。

隨著AI技術的成熟，更多的機器學習程序甚至將能夠在圖像數據出現時對其進行分析，這對于需要實時響應的情況至關重要。

3.風險管理與運營效率

《預測機器：人工智能的簡單經濟學》一書的經濟學家Avi Goldfarb 認為，機器學習可以為企業帶來“變革”。他在2018 年對《哈佛商業評論》（Harvard Business Review）的報告中，對未來結果的謹慎態度通常會使企業在承擔風險時采取保守態度，以“對不確定性風險進行套期保值。”機器學習算法通過檢查龐大的數據集，可以對結果做出可靠的預測企業可能會做出的各種選擇。通過鼓勵更智能的風險，人工智能實際上降低了冒險的成本，這有助于企業發揮其全部潛力。

重要的是要記住，復雜的非AI預測工具已經存在了一段時間。關鍵區別在于AI可以結合更多變量來做出準確的預測。預測明天的天氣和模擬氣候變化的復雜影響之間的區別。

機器學習為幫助企業管理風險提供了許多可能性。COVID-19大流行強調了供應鏈數字化的必要性，以幫助公司應對中斷。但是破壞可以采取多種形式，尤其是在氣候變化的影響倍增的情況下。通過幫助預測中斷（通過分析天氣狀況和政治動蕩，僅舉兩個例子），機器學習程序可以預測供應鏈中某個節點出現問題的可能性，并幫助公司進行必要的調整。

機器學習還可以幫助公司更好地了解與增長和擴展相關的風險。例如，零售商通過“統一預測”保持競爭力。一個主要的運動服裝品牌正在將AI與LI結合使用，以分析現場和在線購買作為其業務的相關部分。過去，他們在站點選擇中使用人口統計數據，而現在，他們將來自所有商業渠道的數據包括在內，包括在線或通過社交媒體生成的那些。機器學習與GIS相結合，正在幫助這家零售商以極高的精度確定實體商店的最佳位置。

過去，保險公司可能會根據對各種風險的了解，使用位置數據來確定如何對不同區域的保單定價。現在，借助AI的LI開啟了全新的預測前景。

美國一家主要的保險公司正在采用AI驅動的方法來為駕駛員生成智能路線，即通過轉彎路線找到最安全的目的地路線。為了生成此分析，該程序考慮了許多變量，包括不同位置的事故，一天中的時間和天氣。智能路由具有明顯的業務優勢-更安全的路由意味著更少的事故和更低的保費-但此示例超越了商業。城市和州交通部門可以通過預測各種組合可能發生的事故數量，來進行類似的分析，以設置速度限制并改善指示牌。

更好的路線預測也將對物流業產生深遠影響。機器學習甚至可以完善物流公司用于進行排程預測的起點成本矩陣，從而提高效率。

4. 放在一起

通過將位置智能與AI機器學習結合使用，企業可以獲得模式識別，分類和預測的優勢。考慮一下佛羅里達州奧蘭多市的一家無線提供商制定擴展其網絡的計劃的方式。

計劃者首先進行掉話呼叫的集群分析，以尋找熱點和模式。他們將人口統計數據添加到這些智能地圖中，可視化人口增長將創造新訂戶的區域。他們還繪制了其他熱點地圖，這些地圖消耗了最多的無線數據。統計分析工具通過查看隨時間推移出現尖峰的位置，進一步完善了這些發現。這種分析產生了對未來無線使用的準確預測。

然后，該公司使用先前對可能的接入點位置的分析來按適用性對區域進行排名。計劃人員添加了他們對掉線，人口和數據使用情況所做的分析。他們還集成了現有光纖的地圖。

在對最適合擴展的領域進行排名之后，該公司使用了AI的分類能力。一項深度學習計劃在公司可能放置其設備的那些區域（例如電線桿和水塔）中發現了一些地點。這意味著該公司無需派遣人員來檢查區域。

在此過程的每一步中，該公司都使用機器學習來做出更好的決策。通過將這些決策植根于優先考慮位置智能的方法，該公司便能夠將其上下文化，從而可視化它們在現實世界中的表現。人工智能和位置智能的結合使這些決定變得栩栩如生。