Equinix公司首席信息官MilindWagle
Elsevier公司執行副總裁兼首席技術官DanOlley
Caesars娛樂公司執行副總裁兼首席信息官LesOttolenghiEquinix公司首席信息官MilindWagle擁有自己的“客戶流失預測指标”。這個預測指标會告訴Wagle為什麼賬戶正在發生重大變化，以及未來他們是否可能仍會如此。這一信息使數據中心服務提供商Equinix有機會通過改善服務并針對未來可能的租用率進行規劃等措施提高預訂準确性。他說：“我們正在把自己的思維模式從事後報告的威脅分析轉向在業務流程中植入人工智能。”Wagle在報告中表示，通過微調，客戶流失預測器的準确度接近90%。
Wagle的這種将人工智能與分析結合的用法并不罕見。市場研究機構Capgemini近期的一項研究表明，在近1000家使用人工智能的企業中，約80%的企業将其用于數據分析以形成有深刻見解的報告。這一數字聽起來高得驚人，但是與我們交流的大多數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JoelJacobs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，但是大型組織機構正在意識到它們具有很大的潛力。”
機器學習和深度學習都是人工智能的分支，也都可以用于數據分析工作。機器學習（ML）是通過對數據進行分類來工作的。數據分類是數據分析的基本組成部分，可實現機器學習與數據分析兩者之間的自然協同。由于使用案例非常廣泛，因此幾乎所有東西都涉及業務數據。
機器學習也是識别和編目非結構化數據（例如文檔、圖像和視頻）以及暗數據（從未被訪問過的信息，可能是因為它們是大數據中的雜亂部分）的工具。大多數商業智能（BI）系統仍然需要結構化數據。Elsevier公司執行副總裁兼首席技術官DanOlley稱：“文件怎麼辦？圖像怎麼辦？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鍵手段。”
盡管大數據已經有了許多解決方案，但非結構化數據卻很少得到利用，因為在人工智能出現之前它們難以被訪問。機器學習和雲計算的結合意味着某些類型的暗數據也可以被訪問到。近年來，對于一些使用機器學習的組織機構來說，訪問非結構化數據和暗數據一直是推動他們在數據分析方面取得衆多突破的動力。新數據的增加有時會帶來新的視角。
更高的目标
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，他們也在大規模地推廣這些項目，并且為之不斷努力。在Capgemini的調查中，約58%的受訪者表示他們正在考慮複雜度更高且收益也更高的使用案例。由于回報形式多樣，并且能夠産生具大的商業價值，因此如何更好地應用它們具有現實緊迫性。一些組織機構也在這方面展開着競争以獲得競争優勢。Caesars娛樂公司執行副總裁兼首席信息官LesOttolenghi表示：“在未來幾年内，人工智能/機器學習的使用将繼續增加，并最終變得不可見，因為它們已經普遍嵌入到業務流程當中。人工智能功能是客戶期望從組織機構那裡獲得的東西。”
Caesars娛樂公司已經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）、利用暗數據進行實時欺詐分析、根據語音進行照片/情緒識别、推薦引擎等等。
在客戶旅程項目中，Caesars公司創建了一個引擎，可将十幾個數據源中的數據關聯起來，并使用模糊邏輯的機器學習近于實時地匹配數據，以确認來自不同系統的數據是否與特定人員相關聯。在這種情況下，系統會有選擇性地更新時間列表中該人員的數據元素。此外，該公司還使用了額外的人工智能技術來識别當時的最佳方案，在最佳的時間和地點以适當的通信方法提供給客戶。雖然不同的公司在手段、方法和具體業務流程中會有所不同，但是這個例子具有代表性。許多公司會将數據分析和機器學習配合起來，根據當時的環境以追加銷售或交叉銷售方式提升收益。
此外，包括MITRE在内的多家公司還在探索其他關于人工智能和數據的特定情境用例。MITRE公司創新和技術總監MichalCenkl表示：“我們希望更好地利用我們現有的知識。”假如員工正在嘗試着解決一個問題，那麼MITRE在過去是如何解決類似問題的？Cenkl将這稱之為認知輔助。“我認為機遇是整合我們的非結構化數據（例如項目報告和交付給贊助商和客戶的成果），将這些與項目生成的結構化信息相互整合在一起，”他補充道。
MITRE公司創新和技術總監MichalCenkl
CyrusOne的首席信息官BlakeHankins預測
MITRE的後續舉措目前還處于初期，不過他們增加了環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于正在從事工作的相關背景信息。Cenkl以正在緻力于背景描述項目的項目經理為例進行了說明。人工智能組件可過濾可用的知識流，并向用戶提示聯系最為緊密的内容。Elsevier公司已經開發出了類似功能，主要用途是為跨學科環境中的研究人員提供背景和相關性預測。
許多使用人工智能的公司都稱他們正在開發預測性分析。預測性分析通常始自企業特定的關鍵績效指标。在Equinix，Wagle的團隊開發了一套基于機器學習的預測工具，其可跟蹤和預測諸如數據中心功耗、預訂、客戶購買傾向預測等指标。Equinix還使用了一套類似的工具來預測信息安全漏洞、系統中斷和安全風險事件。在預測性分析變得有價值之前，它們需要随着時間不斷進行測試和微調。
Elsevier公司還在财務部門使用了機器人流程自動化（RPA）來發現潛在的欺詐行為和托管問題。Olley稱：“由于使用了該系統，我們能夠進行預測和做出由數據支持的判斷。”預測分析作為一個分支，發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，由人工智能驅動的分析非常重要，并且可能将成為轉型趨勢。CyrusOne的首席信息官BlakeHankins稱其為“數字轉換工具包的基石，它們将使企業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字化轉型。它們幫助我們轉向一個平台（框架），并提供了一個快速失敗、頻繁測試且更快創新的範例。這轉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據、非結構化數據，并提供對不同數據元素的洞察力。”
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/機器學習和數據分析項目，但是事實上這些都是人工智能。如果要将它們分開，那麼這可能涉及将人工智能的商業價值歸在何處以及如何歸類的問題。Hankins還指出，大多數C級高管并不知道孵化一個人工智能/機器學習數據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的潛力，并有責任幫助将人工智能項目和投資與特定的商業成就聯系起來。”
許多在人工智能領域加倍努力工作的人已經為首席信息官和其他想做同樣事情的人準備好了建議。“沒有數據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，随着機器學習的發展，數據成為了最為重要的資産，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據。數據的數量和質量都很重要。
Ottolenghi強調稱，你要确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務問題的用例。他說：“這樣一來，你的工作就得到了公司的支持。此外，還要确保用例是成功的。”
最後，如果你還沒有具備數據分析、數據科學、數據工程等方面的技能，那就開始考慮雇用那些受過良好培訓的人才。
最後的建議
機器學習和數據分析如果開發得當，有時會以一種類似于催化的方式相互補充。機器學習增強了數據分析的自動化，這将帶來出色的洞察力和決策。反過來，這又會導緻需要識别新數據。整個過程循環往複。人工智能/機器和商業數據的結合會為工作帶來一種推動力，這是大多數首席信息官們都不能忽視的。本文隻是粗淺地提到了可用案例的數量和類型。如果你仍然對人工智能持觀望态度，那麼現在是時候采取行動了。
本文作者ScotFinnie為自由撰稿人，曾擔任《計算機世界》主編，已經有數十年的IT行業經驗。
原文網址
https://www.cio/article/3274568/analytics/ai-powered-data-analyticsinside-this-transformativetrend.html