Scot Finnie

真實世界中的人工智能（AI）項目主要基于機器學習。它們令人印象深刻，并且在很大程度上取得了成功。一些首席信息官將人工智能視為IT領(lǐng)域最重要的趨勢。

Equinix公司首席信息官Milind Wagle擁有自己的“客戶流失預測指標”。這個預測指標會告訴Wagle為什么賬戶正在發(fā)生重大變化，以及未來他們是否可能仍會如此。這一信息使數(shù)據(jù)中心服務(wù)提供商Equinix有機會通過改善服務(wù)并針對未來可能的租用率進行規(guī)劃等措施提高預訂準確性。他說：“我們正在把自己的思維模式從事后報告的威脅分析轉(zhuǎn)向在業(yè)務(wù)流程中植入人工智能?！盬agle在報告中表示，通過微調(diào)，客戶流失預測器的準確度接近90%。

Wagle的這種將人工智能與分析結(jié)合的用法并不罕見。市場研究機構(gòu)Capgemini近期的一項研究表明，在近1000家使用人工智能的企業(yè)中，約80%的企業(yè)將其用于數(shù)據(jù)分析以形成有深刻見解的報告。這一數(shù)字聽起來高得驚人，但是與我們交流的大多數(shù)首席信息官都認為這是可信的。

MITRE公司副總裁、首席信息官兼首席安全官Joel Jacobs說：“我并不感到驚訝。盡管我不相信人工智能能夠解決幾乎所有的問題，但是大型組織機構(gòu)正在意識到它們具有很大的潛力?！?/p>

機器學習和深度學習都是人工智能的分支，也都可以用于數(shù)據(jù)分析工作。機器學習（ML）是通過對數(shù)據(jù)進行分類來工作的。數(shù)據(jù)分類是數(shù)據(jù)分析的基本組成部分，可實現(xiàn)機器學習與數(shù)據(jù)分析兩者之間的自然協(xié)同。由于使用案例非常廣泛，因此幾乎所有東西都涉及業(yè)務(wù)數(shù)據(jù)。

機器學習也是識別和編目非結(jié)構(gòu)化數(shù)據(jù)（例如文檔、圖像和視頻）以及暗數(shù)據(jù)（從未被訪問過的信息，可能是因為它們是大數(shù)據(jù)中的雜亂部分）的工具。大多數(shù)商業(yè)智能（BI）系統(tǒng)仍然需要結(jié)構(gòu)化數(shù)據(jù)。Elsevier公司執(zhí)行副總裁兼首席技術(shù)官Dan Olley稱：“文件怎么辦？圖像怎么辦？這些都是我們可以使用機器學習的地方。它們既可以從文檔中提取信息，也可以創(chuàng)建能夠被進一步索引的注釋。機器學習是我們從可讀材料中提取知識的關(guān)鍵手段。”

盡管大數(shù)據(jù)已經(jīng)有了許多解決方案，但非結(jié)構(gòu)化數(shù)據(jù)卻很少得到利用，因為在人工智能出現(xiàn)之前它們難以被訪問。機器學習和云計算的結(jié)合意味著某些類型的暗數(shù)據(jù)也可以被訪問到。近年來，對于一些使用機器學習的組織機構(gòu)來說，訪問非結(jié)構(gòu)化數(shù)據(jù)和暗數(shù)據(jù)一直是推動他們在數(shù)據(jù)分析方面取得眾多突破的動力。新數(shù)據(jù)的增加有時會帶來新的視角。

更高的目標

許多負責人工智能的首席信息官和團隊都在對此進行認真思考。同時，他們也在大規(guī)模地推廣這些項目，并且為之不斷努力。在Capgemini的調(diào)查中，約58%的受訪者表示他們正在考慮復雜度更高且收益也更高的使用案例。由于回報形式多樣，并且能夠產(chǎn)生具大的商業(yè)價值，因此如何更好地應用它們具有現(xiàn)實緊迫性。一些組織機構(gòu)也在這方面展開著競爭以獲得競爭優(yōu)勢。Caesars娛樂公司執(zhí)行副總裁兼首席信息官Les Ottolenghi表示：“在未來幾年內(nèi)，人工智能/機器學習的使用將繼續(xù)增加，并最終變得不可見，因為它們已經(jīng)普遍嵌入到業(yè)務(wù)流程當中。人工智能功能是客戶期望從組織機構(gòu)那里獲得的東西。”

Caesars娛樂公司已經(jīng)開始全面部署人工智能了。該公司的多項人工智能項目已完成或正在進行中，其中包括根據(jù)背景進行客戶個性化訂制（客戶旅程）、人工智能會話（聊天機器人、語音）、利用暗數(shù)據(jù)進行實時欺詐分析、根據(jù)語音進行照片/情緒識別、推薦引擎等等。

在客戶旅程項目中，Caesars公司創(chuàng)建了一個引擎，可將十幾個數(shù)據(jù)源中的數(shù)據(jù)關(guān)聯(lián)起來，并使用模糊邏輯的機器學習近于實時地匹配數(shù)據(jù)，以確認來自不同系統(tǒng)的數(shù)據(jù)是否與特定人員相關(guān)聯(lián)。在這種情況下，系統(tǒng)會有選擇性地更新時間列表中該人員的數(shù)據(jù)元素。此外，該公司還使用了額外的人工智能技術(shù)來識別當時的最佳方案，在最佳的時間和地點以適當?shù)耐ㄐ欧椒ㄌ峁┙o客戶。雖然不同的公司在手段、方法和具體業(yè)務(wù)流程中會有所不同，但是這個例子具有代表性。許多公司會將數(shù)據(jù)分析和機器學習配合起來，根據(jù)當時的環(huán)境以追加銷售或交叉銷售方式提升收益。

此外，包括MITRE在內(nèi)的多家公司還在探索其他關(guān)于人工智能和數(shù)據(jù)的特定情境用例。MITRE公司創(chuàng)新和技術(shù)總監(jiān)Michal Cenkl表示：“我們希望更好地利用我們現(xiàn)有的知識。”假如員工正在嘗試著解決一個問題，那么MITRE在過去是如何解決類似問題的？Cenkl將這稱之為認知輔助?！拔艺J為機遇是整合我們的非結(jié)構(gòu)化數(shù)據(jù)（例如項目報告和交付給贊助商和客戶的成果），將這些與項目生成的結(jié)構(gòu)化信息相互整合在一起，”他補充道。

預測

MITRE的后續(xù)舉措目前還處于初期，不過他們增加了環(huán)境性和預測性的元素。Loosely稱之為“認知預期知識傳遞”，目的是向員工提供關(guān)于正在從事工作的相關(guān)背景信息。Cenkl以正在致力于背景描述項目的項目經(jīng)理為例進行了說明。人工智能組件可過濾可用的知識流，并向用戶提示聯(lián)系最為緊密的內(nèi)容。 Elsevier公司已經(jīng)開發(fā)出了類似功能，主要用途是為跨學科環(huán)境中的研究人員提供背景和相關(guān)性預測。

許多使用人工智能的公司都稱他們正在開發(fā)預測性分析。預測性分析通常始自企業(yè)特定的關(guān)鍵績效指標。在Equinix，Wagle的團隊開發(fā)了一套基于機器學習的預測工具，其可跟蹤和預測諸如數(shù)據(jù)中心功耗、預訂、客戶購買傾向預測等指標。Equinix還使用了一套類似的工具來預測信息安全漏洞、系統(tǒng)中斷和安全風險事件。在預測性分析變得有價值之前，它們需要隨著時間不斷進行測試和微調(diào)。

Elsevier公司還在財務(wù)部門使用了機器人流程自動化（RPA）來發(fā)現(xiàn)潛在的欺詐行為和托管問題。Olley稱：“由于使用了該系統(tǒng)，我們能夠進行預測和做出由數(shù)據(jù)支持的判斷。”預測分析作為一個分支，發(fā)展勢頭超過人工智能處理，不過這種情況并不罕見。

人工智能與首席信息官

與我們交談的首席信息官們普遍認為，由人工智能驅(qū)動的分析非常重要，并且可能將成為轉(zhuǎn)型趨勢。CyrusOne的首席信息官Blake Hankins稱其為“數(shù)字轉(zhuǎn)換工具包的基石，它們將使企業(yè)變得更加高效并專注于更有意義的項目。”

Caesars的Ottolenghi表示：“人工智能正在推動Caesars和其他一些公司的數(shù)字化轉(zhuǎn)型。它們幫助我們轉(zhuǎn)向一個平臺（框架），并提供了一個快速失敗、頻繁測試且更快創(chuàng)新的范例。這轉(zhuǎn)變了我們進行試驗和概念驗證的方式。人工智能還能夠幫助我們挖掘暗數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)，并提供對不同數(shù)據(jù)元素的洞察力?！?/p>

幾乎所有接受這次采訪的首席信息官都表示，C級高管們一般都看好人工智能/機器學習和數(shù)據(jù)分析項目，但是事實上這些都是人工智能。如果要將它們分開，那么這可能涉及將人工智能的商業(yè)價值歸在何處以及如何歸類的問題。Hankins還指出，大多數(shù)C級高管并不知道孵化一個人工智能/機器學習數(shù)據(jù)項目所涉及到的一切。Hankins稱：“首席信息官有責任幫助人們認識到這些技術(shù)的潛力，并有責任幫助將人工智能項目和投資與特定的商業(yè)成就聯(lián)系起來?！?/p>

許多在人工智能領(lǐng)域加倍努力工作的人已經(jīng)為首席信息官和其他想做同樣事情的人準備好了建議?！皼]有數(shù)據(jù)真的很難做到這一點，”MITRE的Cenkl說。其他人的類似觀點也印證了這一建議。

Olley指出，隨著機器學習的發(fā)展，數(shù)據(jù)成為了最為重要的資產(chǎn)，因為它們是機器學習或深度學習模型的訓練集。機器學習項目的好壞取決于它們使用的數(shù)據(jù)。數(shù)據(jù)的數(shù)量和質(zhì)量都很重要。

Ottolenghi強調(diào)稱，你要確保自己得到了管理層的支持，同時還要選擇能夠解決實際業(yè)務(wù)問題的用例。他說：“這樣一來，你的工作就得到了公司的支持。此外，還要確保用例是成功的。”

最后，如果你還沒有具備數(shù)據(jù)分析、數(shù)據(jù)科學、數(shù)據(jù)工程等方面的技能，那就開始考慮雇用那些受過良好培訓的人才。

最后的建議

機器學習和數(shù)據(jù)分析如果開發(fā)得當，有時會以一種類似于催化的方式相互補充。機器學習增強了數(shù)據(jù)分析的自動化，這將帶來出色的洞察力和決策。反過來，這又會導致需要識別新數(shù)據(jù)。整個過程循環(huán)往復。人工智能/機器和商業(yè)數(shù)據(jù)的結(jié)合會為工作帶來一種推動力，這是大多數(shù)首席信息官們都不能忽視的。本文只是粗淺地提到了可用案例的數(shù)量和類型。如果你仍然對人工智能持觀望態(tài)度，那么現(xiàn)在是時候采取行動了。

本文作者Scot Finnie為自由撰稿人，曾擔任《計算機世界》主編，已經(jīng)有數(shù)十年的IT行業(yè)經(jīng)驗。

原文網(wǎng)址

https：//www.cio.com/article/3274568/analytics/ai-powered-data-analytics-inside-this-transformative-trend.html