那些希望在數據分析、機器學習方面有所收獲的企業轉而求助于看起來“不大可能的老朋友”——商業智能（BI）系統，主要是用于分析過去的性能，目前正在通過人工智能進行改造，以便将預測功能引入到其報告功能中。
SymphonyPostAcuteNetwork就是這樣的一個組織。這家醫療保健公司在伊利諾斯州、印第安納州和威斯康星州的28家醫療保健機構中擁有5000張病床，希望利用人工智能和機器學習更好地護理每年從膝蓋手術或者接受透析等治療過程中康複的8萬多名患者。例如，深埋在患者體内的醫療内核可以用來指示患者是否有跌倒的風險，從而需要額外的預防措施。
找到某個數據點或者數據細微模式的這些指标，是機器學習理想的應用情形。但是構建模型并不是一件簡單的工作。
Symphony的數據科學和分析主管NathanPatrickTaylor說：“我被預測方面的問題狂轟濫炸。即使我醒着的所有時間都花在構建機器學習模型上，我也沒有辦法解決所有問題。”
為此，該公司又聘請了兩位數據科學家。Taylor說：“聘請他們并不便宜。但是，我們卻并未得到想要的回報。這非常得困難，而且很昂貴。”
所以兩年前，Symphony開始尋找業務替代解決方案——求助于那些已經建好了機器學習模型并能馬上使用的供應商。現在，該公司取出數據倉庫中收集的數據，通過其供應商DataRobot基于雲計算的人工智能引擎發送數據，結果每四個小時就會把結果傳回公司的MicrosoftPowerBI儀表盤中。Taylor說：“我和我的首席信息官立刻都能得到這些數據，我們都非常驚喜。看起來很神奇。”
目前，240名醫生和護士在他們的PowerBI儀表盤上獲得了預測和建議，而他們可以通過平闆電腦和智能手機訪問儀表盤。例如，很有可能摔倒的患者會被自動标記上樓梯圖标。用救護車圖标來标記有可能再次入院的高危患者。把人工智能注入到商業智能中
Taylor說，再次入院率對于Symphony來說是個大問題。醫院和保險公司關注再次入院率，每次重新入院的費用都高達13500美元。他說，“這可不是一筆小數目。”
為了弄清楚DataRobot的預測是否有用，Symphony開始在其他一些設備上應用了DataRobot，并進行了為期6個月的研究，以查看再次入院率有什麼不同。他說：“即使是隻變化了1%，那也是相當不錯的。”
Taylor說：這一比率的确下降了——從21%降到了大約18.8%。“這是很大的進步。這說服了我們的首席執行官。”
今天，該公司開始采用同樣的方法來處理與保險公司的合同。他說：“如果我們不能很好地為服務計費，那就是随意扔錢。”
第一次安裝花了大約20個小時，涉及到連接數據輸入和建立學習模型。他說，現在，如果有人想要新類型的預測，會在大約6到8個小時内設置好一種全新的學習模型，在三個工作日内部署完畢。
此外，公司随時都能夠對現有的模型進行重新訓練。例如，法規可能會改變，或者醫務人員可能開始使用新的程序。還有模型會随時間而改變。Taylor每三個月或者每當有重大政策轉變時，會重新訓練一次模型。如果發生重大變化，隻需要在新政策生效後針對輸入數據來訓練學習模型。
他說，管理系統不再需要訓練有素的數據科學家，但确實需要有統計學基礎知識的員工。在Symphony，公司還使用R程序來建立模型。
DataRobot還支持開箱即用式的Python。據DataRobot的産品營銷總監ColinPriest，使用其他語言的用戶也可以使用任何RestAPI感知語言來調用DataRobotRestAPI，這包括Java、C#、SAS、JavaScript以及VisualBasic。
人工智能的下一步是自助服務
ForresterResearch副總裁兼首席分析師BorisEvelson認為：“人工智能已經大衆化了。直到最近，它還需要數據科學家來編寫代碼。今天，通過這些業務智能系統，我可以找到并點擊幾個數據點，選擇我想要預測的變量——比如客戶的購買傾向，就會自動生成這些預測模型。”
他說，過去需要一名數據科學專家花幾個月來整合完成的工作，現在一名理解數據并使用Excel的員工在幾天内就能完成。
他說：“營銷人員利用這些來預測和處理客戶行為，企業經理用來觀察和預測風險，供應鍊上的人們則用來查看和優化物流。”
據最近Forrester對全球決策者的調查，增強數據、分析和洞察平台是人工智能技術的三大應用情形之一。包括IBM、Oracle和微軟在内的所有業務智能大供應商，都在這一領域加大了投入。
如果感覺花8個小時建立一個機器學習新模型的時間有點太長，那麼還有更容易的選擇。很快，用戶将自動獲得最常見的預測類型，得到建議，擁有内置的圖像識别和自然語言處理功能——正如Gartner預測的那樣，未來兩年内，自然語言生成和人工智能将成為90%現代業務智能平台的标配。
為文本分析和視覺分析裝上商業智能
SpringBoard.ai的首席執行官BruceMolloy指出，利用自然語言處理功能，用戶可以在需要信息的時候提出一些簡單的英語問題。“我認為這是很自然的演進。”
他說，領域越窄，平台獲得的相關數據就越多，供應商就更容易添加人工智能功能。會計平台，或者像Salesforce這樣的客戶關系管理系統，已經有了他們所需要的數據，并且存儲了一些用戶最有可能問的問題。他說，“采用了Salesforce之後，看看他們做什麼會很有意思。已經對其作出了一些限制，部分工作已經完成了。他們已經确定這些觀點非常重要，而且他們把人工智能能力放在首位。”
人工智能之所以有強勁的發展，是由越來越強的處理能力、更智能的算法、雲計算和标準接口推動的。例如，DataRobot同時發揮了雲計算和标準REST的API的優勢，除了PowerBI、Tableau、Qlik、Excel、RShiny之外，還支持Trifacta、Alteryx和DominoDataLabs業務智能系統，以及很多其他的儀表盤工具。
人工智能驅動的業務智能儀表盤工具處理的各種數據比以前更為廣泛。例如，Symphony不隻是查看患者病曆中的硬指标，還會查看醫生和護士記錄的患者病情進展情況。
咨詢公司Publicis.Sapient的數據和人工智能全球主管JoshSutton說，以非結構化格式保存了很多信息，這些信息會帶來有用的深度分析結果和預測。但不僅僅是文本。
Sutton說：“非結構化數據是商業智能的基礎，而非結構化數據的最大來源之一是視覺圖像。”例如，營銷部門參考客戶在社交媒體上分享的照片，分析他們怎樣與産品進行互動，從而獲益。
超越描述性分析
國際數據公司的認知和人工智能系統研究主管DavidSchubmehl認為，預測和深度分析隻是人工智能添加到業務智能儀表盤的第一步。人工智能驅動的儀表盤可以提供用戶下一步具體行動的意見或者建議，甚至能夠為用戶完成這些行動。
他說：“如果小部件銷售數量下降了，它可能會指出這對今後意味着什麼，以及您現在應該怎麼做。”
這讓業務智能更有價值。
他說：“我認為，這就是為什麼這麼多人都使用這類工具的原因。”例如，Salesforce剛剛發布了一項重大聲明，即它的Einstein預測在預測智能方面每天能夠做出10億多次預測，這有助于人們關閉新業務，确定新的業務線索，創建可采取行動的功能。他說：“我認為這是一個信号，說明人們不僅僅需要描述性的業務分析。我們還處于非常早期的階段。在未來兩三年内，我們可能會完全成熟起來。人們才剛剛開始了解人工智能和機器學習能夠帶來什麼。”
埃森哲的人工智能高級首席負責人兼全球主管RummanChowdhury指出，人工智能尤其還沒有常識判斷力。
她說：“我們還處在弱人工智能世界中。”即使某一個平台内置了一個人工智能模型并能夠馬上使用，用戶仍然必須理解正在使用的數據，以及與當前問題的相關性。
她說：“你不得不去衡量自己得到的輸出是否合适。我不知道我們能否會在某些領域完全取代人類的判斷。我也不知道我們是否能夠實現實際決策的完全自動化——甚至我們是不是應該這樣做。”
MariaKorolov過去20年一直涉足新興技術和新興市場。
原文網址
https://www.cio/article/3268965/businessintelligence/new-ai-toolsmake-bi-smarter-andmore-useful.html