世界各地的零售和服务公司利用人工智能算法来预测客户行为、盘点库存、估计营销影响，并发现可能的欺诈行为。用于进行这些预测的机器学习模型是根据人们日常活动中的模式进行训练的。不幸的是，在冠状病毒大流行期间，我们的日常活动发生了变化，正如《麻省理工学院技术评论》报道的那样，当前的机器学习模型正因此被抛弃。问题的严重程度因公司而异，但在过去几周里，人们行为的突然变化给许多模型带来了负面影响。

当冠状病毒大流行时，人们的购买习惯发生了巨大变化。在大流行爆发之前，人们最常购买的物品是手机套、手机充电器、耳机、厨房用具等。在大流行开始后，亚马逊排名前十的搜索词变成了Clorox湿巾、Lysol喷雾、纸巾、洗手液、口罩和卫生纸。在2月的最后一周，亚马逊搜索排名靠前的所有搜索都与人们需要防范Covid-19的产品有关。Covid-19相关产品搜索/购买与疾病传播的相关性非常可靠，可以用来跟踪大流行在不同地理区域的传播情况。然而，当模型的输入数据与用于训练模型的数据相差太大时，机器学习模型就会崩溃。

形势的动荡使供应链和库存的自动化变得困难。

一家公司根据各种新闻文章的观点提供投资建议，但由于目前新闻文章的观点往往比平时更悲观，因此投资建议可能严重偏向负面。与此同时，一家流媒体视频公司利用推荐算法向观众推荐内容，但由于很多人突然订阅了这项服务，他们的推荐开始落伍。另一家负责向印度零售商供应调味品和调味品的公司发现，大宗订单打破了他们的预测模型。

不同的公司正在以不同的方式处理由流行病行为模式引起的问题。一些公司只是在下调他们的估值。人们仍然继续订阅Netflix，在亚马逊上购买产品，但他们已经削减了奢侈品消费，推迟了购买高价商品的时间。从某种意义上说，人们的消费行为可以看作是他们日常行为的收缩。

其他公司不得不更多地使用他们的模型，并让工程师对模型和它的培训数据进行重要的调整。例如，Phrasee是一家人工智能公司，它利用自然语言处理和生成模型为各种客户创建副本和广告。Phrasee总是让工程师检查模型生成的文本，而公司已经开始手动过滤出副本中的某些短语。短语已经决定禁止在社交距离较远的时候出现鼓励危险活动的短语，比如“派对服装”。他们还决定限制可能导致焦虑的术语，如“振作起来”、“系好安全带”或“备货”。

Covid-19危机已经证明，反常事件甚至可以抛弃那些经过高度训练的、通常是可靠的模型，因为情况可能比训练数据中通常包含的最坏情况更糟糕。人工智能咨询公司Pactera Edge的首席执行官拉吉耶夫·夏尔马（Rajeev Sharma）向《麻省理工技术评论》（MIT Technology Review）解释说，除了通常的上下波动外，通过对诸如Covid-19大流行病和大萧条等反常事件的培训，机器学习模型可以变得更加可靠。