人工智能驱动的数据分析：这种变革趋势的内幕

主要基于机器学习的现实世界人工智能数据项目十分瞩目，并且在很大程度上是成功的。有些首席信息官将人工智能视为IT领域最重要的趋势。

Equinix的首席信息官Milind Wagle拥有自己的“客户流失预测指标”。这个指标告诉他为什么账户正在转投阵营，以及他们将来是否有可能这样做。这些信息使数据中心服务提供商得以通过改善服务和规划未来可能的利用率，从而提高服务预订的准确性。他说：“我们正在改变思维——不再将分析视为事后报告，转而将商业智能嵌入到业务流程本身中”。通过微调，Wagle报告说，客户流失预测器的准确度接近90%。

Wagle将人工智能(AI)与分析结合使用，这并不罕见。凯捷(Capgemini)最近进行的一项研究表明，近1,000家使用人工智能的企业中，有近80%的企业将其用于数据分析，并因此获得了宝贵的洞察。尽管这看似一个很大的比重，但和我们交谈的大多数首席信息官都认为这是可信的。

MITRE的首席信息官兼首席安全官副总裁Joel Jacobs说：“我丝毫不感到惊讶。尽管我不相信人工智能的所有潜能都已经得到了挖掘，但大型组织已经意识到它的巨大潜力，这意义重大。”

机器学习以及居于其次的深度学习是可用于数据分析工作的人工智能的一个分支。机器学习(ML)通过对数据进行分类来工作(数据是数据分析的基本组成部分)，从而实现了两者之间的自然协同。由于几乎所有东西都涉及业务数据，因此各种各样的用例遍地开花。

机器学习也是识别和编录非结构化数据(例如文档，图像和视频)以及暗数据(你从未访问过的信息，可能因为它是大数据的非结构化部分)的合适工具。大多数商业智能(BI)系统仍然需要结构化数据。Elsevier的执行副总裁兼首席技术官Dan Olley表示：“文档怎么办?图像怎么办?这就是机器学习的用武之地。它既可以从文档中提取信息，也可以创建能进一步变入索引的注释，机器学习是我们从可读材料中提取知识的关键手段。”

尽管人们已经有大数据解决方案，但非结构化数据往往没有得到利用，因为在没有人工智能的时代，它很难得到利用。机器学习和较廉价的云计算能力的结合意味着某些类型的暗数据也唾手可得。近年来，使用非结构化数据和暗数据一直是推动机构学习的许多数据分析突破的动力。新数据的增加有时会带来新的视角。

目标远大

很多掌握人工智能的首席信息官和他们的团队都雄心勃勃。他们正大力推行项目。他们正在开展多项工作。凯捷的调查中约有58%的受访者表示他们承担了高复杂度，高收益的用例。他们有一种紧迫感，因为回报以几种形式出现，并且能够产生重大的商业价值。有些组织也快速获得了竞争优势。凯撒娱乐集团(Caesars Entertainment)的执行副总裁兼首席信息官Les Ottolenghi表示：“人工智能/机器学习的使用在未来几年将继续呈增长趋势，最终它将变得不可见，因为它已经普遍嵌入到业务流程中。人工智能功能是客户期望从组织获得的东西，当组织没有将遍布在所有接触点的范例都纳入其中时，他们会感到不安。”

人工智能/机器学习的使用将在未来几年继续呈增长趋势，最终变得不可见，因为它被普遍应用于业务流程中.-- Les Ottolenghi

凯撒已经一头扎进了人工智能。该公司已完成或正在进行多项人工智能工作，包括情境客户个性化(客户旅程)、会话人工智能(聊天机器人、语音)、利用暗数据进行的实时欺诈分析，照片/情绪识别以及语音界面、推荐引擎等等。

凯撒为其客户旅程项目建了一个引擎，将十几个数据源中的数据关联起来，并使用模糊逻辑机器学习近乎实时地匹配数据，以确认来自不同系统的数据是否与特定人员相关联。在这种情况下，系统会有选择地更新时间序列表中该人员的数据元素。凯撒使用额外的人工智能技术来识别可以在最佳时间和地点以及通过合适的通信方法发送给客户的情境报价。虽然各家公司的手段，方法和具体的业务流程不尽相同，但这个例子代表了很多公司将数据分析和机器学习配对以通过追加销售或交叉销售产生收入的方式。

包括MITRE在内的多家公司正在寻求人工智能和数据的另一个特定情境用例。MITRE的创新和技术总监Michal Cenkl说：“我们希望更好地利用现有的知识”。例如，假设员工正试图解决问题。MITRE以往是如何解决类似问题的?Cenkl称之为认知辅助。他补充说：“我认为机会就在于将非结构化数据——例如项目报告和交付成果集成到我们的赞助商和客户那里——整合那些与产生它们的项目相关的一些结构化信息。”

预测

MITRE正处于类似的后续行动的初期阶段，这个阶段增加了相关的和预测性的元素。我们姑且泛泛地称之为“认知预期知识传递”，它将努力为员工提供他们正在做的事情的信息。Cenkl使用一个项目经理的例子来研究一个特定的项目来描述情境。人工智能组件将过滤可用的知识流并向用户建议关联度最高的内容。Elsevier具有类似的功能，针对跨学科环境中的研究人员，提供背景和预测的关联度。

很多使用人工智能的公司都在开发他们赖以使用的预测分析。这通常以特定于企业的关键绩效指标开始。在Equinix，Wagle的团队开发了一种基于机器学习的预测工具，它可跟踪和预测数据中心功耗、预订、客户购买倾向更新预测等指标。Equinix采用类似的工具来预测信息安全漏洞，系统中断和攻击事件。预测分析要随着时间的推移进行测试和微调才有价值。

Elsevier在其财务部门使用机器人流程自动化(RPA)来发现潜在的欺诈行为和托管问题。由于该系统，Olley补充说：“我们获得了进行预测和数据驱动判断的能力”。预测分析作为从人工智能流程发展出来的副产品，这并不罕见。

人工智能和首席信息官

与我们交谈的首席信息官普遍认为，以人工智能为导向的分析是一个非常重要的，可能称得上是转型的趋势。CyrusOne的首席信息官Blake Hankins将其描述为“数字化转型工具包的基石，它将使企业变得更加高效并专注于最有意义的项目。”

凯撒的Ottolenghi表示：“人工智能正在推动凯撒和其它公司的数字化转型。它帮助我们转向了一个平台(框架)，该平台提供了一个快速失败，频繁测试，创新更快的范式。这转变了我们进行试验和概念验证的方式，人工智能还能帮我们挖掘暗数据和/或非结构化数据，并提供跨越不同数据元素的洞察。”

几乎所有接受本报道采访的首席信息官都表示，高管往往很看好人工智能/机器学习和数据分析项目，事实上，他们看好整个人工智能。如果出现脱节的话，这可能与人工智能的商业价值在何处以及如何归因有关。Hankins还指出，大多数高管并没有意识到使人工智能/机器学习数据程序孵化所需的一切。Hankins说：“首席信息官有责任帮人们认识这些技术的潜力，并帮忙建立人工智能项目和投资与特定业务成果的联系。”

首席信息官有责任帮助人们认识这些技术的潜力，并帮忙创建人工智能项目和投资与具体业务成果的联系.-- Blake Hankins

很多对人工智能下了重赌注的人能为首席信息官和其他希望这样做的人提供现成的建议。MITRE的Cenkl说：“如果没有数据就很难做到这一点。他人的类似感受也印证了这个建议。

Olley指出，通过机器学习，数据成了最关键的资产，因为数据是机器学习或深度学习模型的训练集。你的机器学习项目的好坏取决于它所依赖的数据。数据的数量和质量都发挥着作用。

Ottolenghi强调，你要确保自己得到了管理层的支持，并选择能解决实际业务问题的用例。他说：“这样的话，你就能得到公司的支持，想方设法确保用例成功。”

最后，如果你尚不具备这些技能，请考虑聘请在数据分析，数据科学，数据工程方面训练有素的优秀人才。

最终感言

机器学习和数据分析如果开发得当，它们有时可以以近乎催化的方式相互增强。机器学习为数据分析的自动化提供了支持，从而带来了洞察力和决策。这反过来可能导致新数据的发现——这个过程周而复始。人工智能/机器学习和业务数据的组合是大多数首席信息官不容忽视的功能。本报道对可行的用例的数量和类型做了肤浅的讨论。如果你仍对人工智能采取中立的态度，现在是时候行动了。