Equinix的首席信息官Milind Wagle擁有自己的“客戶流失預測指標”。這個指標告訴他為什么賬戶正在轉投陣營，以及他們將來是否有可能這樣做。這些信息使數據中心服務提供商得以通過改善服務和規劃未來可能的利用率，從而提高服務預訂的準確性。他說：“我們正在改變思維——不再將分析視為事后報告，轉而將商業智能嵌入到業務流程本身中”。通過微調，Wagle報告說，客戶流失預測器的準確度接近90%。
Wagle將人工智能(AI)與分析結合使用，這并不罕見。凱捷(Capgemini)最近進行的一項研究表明，近1,000家使用人工智能的企業中，有近80%的企業將其用于數據分析，并因此獲得了寶貴的洞察。盡管這看似一個很大的比重，但和我們交談的大多數首席信息官都認為這是可信的。
MITRE的首席信息官兼首席安全官副總裁Joel Jacobs說：“我絲毫不感到驚訝。盡管我不相信人工智能的所有潛能都已經得到了挖掘，但大型組織已經意識到它的巨大潛力，這意義重大。”
機器學習以及居于其次的深度學習是可用于數據分析工作的人工智能的一個分支。機器學習(ML)通過對數據進行分類來工作(數據是數據分析的基本組成部分)，從而實現了兩者之間的自然協同。由于幾乎所有東西都涉及業務數據，因此各種各樣的用例遍地開花。
機器學習也是識別和編錄非結構化數據(例如文檔，圖像和視頻)以及暗數據(你從未訪問過的信息，可能因為它是大數據的非結構化部分)的合適工具。大多數商業智能(BI)系統仍然需要結構化數據。Elsevier的執行副總裁兼首席技術官Dan Olley表示：“文檔怎么辦?圖像怎么辦?這就是機器學習的用武之地。它既可以從文檔中提取信息，也可以創建能進一步變入索引的注釋，機器學習是我們從可讀材料中提取知識的關鍵手段。”
盡管人們已經有大數據解決方案，但非結構化數據往往沒有得到利用，因為在沒有人工智能的時代，它很難得到利用。機器學習和較廉價的云計算能力的結合意味著某些類型的暗數據也唾手可得。近年來，使用非結構化數據和暗數據一直是推動機構學習的許多數據分析突破的動力。新數據的增加有時會帶來新的視角。
目標遠大
很多掌握人工智能的首席信息官和他們的團隊都雄心勃勃。他們正大力推行項目。他們正在開展多項工作。凱捷的調查中約有58%的受訪者表示他們承擔了高復雜度，高收益的用例。他們有一種緊迫感，因為回報以幾種形式出現，并且能夠產生重大的商業價值。有些組織也快速獲得了競爭優勢。凱撒娛樂集團(Caesars Entertainment)的執行副總裁兼首席信息官Les Ottolenghi表示：“人工智能/機器學習的使用在未來幾年將繼續呈增長趨勢，最終它將變得不可見，因為它已經普遍嵌入到業務流程中。人工智能功能是客戶期望從組織獲得的東西，當組織沒有將遍布在所有接觸點的范例都納入其中時，他們會感到不安。”
人工智能/機器學習的使用將在未來幾年繼續呈增長趨勢，最終變得不可見，因為它被普遍應用于業務流程中.-- Les Ottolenghi
凱撒已經一頭扎進了人工智能。該公司已完成或正在進行多項人工智能工作，包括情境客戶個性化(客戶旅程)、會話人工智能(聊天機器人、語音)、利用暗數據進行的實時欺詐分析，照片/情緒識別以及語音界面、推薦引擎等等。
凱撒為其客戶旅程項目建了一個引擎，將十幾個數據源中的數據關聯起來，并使用模糊邏輯機器學習近乎實時地匹配數據，以確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，系統會有選擇地更新時間序列表中該人員的數據元素。凱撒使用額外的人工智能技術來識別可以在最佳時間和地點以及通過合適的通信方法發送給客戶的情境報價。雖然各家公司的手段，方法和具體的業務流程不盡相同，但這個例子代表了很多公司將數據分析和機器學習配對以通過追加銷售或交叉銷售產生收入的方式。
包括MITRE在內的多家公司正在尋求人工智能和數據的另一個特定情境用例。MITRE的創新和技術總監Michal Cenkl說：“我們希望更好地利用現有的知識”。例如，假設員工正試圖解決問題。MITRE以往是如何解決類似問題的?Cenkl稱之為認知輔助。他補充說：“我認為機會就在于將非結構化數據——例如項目報告和交付成果集成到我們的贊助商和客戶那里——整合那些與產生它們的項目相關的一些結構化信息。”
預測
MITRE正處于類似的后續行動的初期階段，這個階段增加了相關的和預測性的元素。我們姑且泛泛地稱之為“認知預期知識傳遞”，它將努力為員工提供他們正在做的事情的信息。Cenkl使用一個項目經理的例子來研究一個特定的項目來描述情境。人工智能組件將過濾可用的知識流并向用戶建議關聯度最高的內容。Elsevier具有類似的功能，針對跨學科環境中的研究人員，提供背景和預測的關聯度。
很多使用人工智能的公司都在開發他們賴以使用的預測分析。這通常以特定于企業的關鍵績效指標開始。在Equinix，Wagle的團隊開發了一種基于機器學習的預測工具，它可跟蹤和預測數據中心功耗、預訂、客戶購買傾向更新預測等指標。Equinix采用類似的工具來預測信息安全漏洞，系統中斷和攻擊事件。預測分析要隨著時間的推移進行測試和微調才有價值。
Elsevier在其財務部門使用機器人流程自動化(RPA)來發現潛在的欺詐行為和托管問題。由于該系統，Olley補充說：“我們獲得了進行預測和數據驅動判斷的能力”。預測分析作為從人工智能流程發展出來的副產品，這并不罕見。
人工智能和首席信息官
與我們交談的首席信息官普遍認為，以人工智能為導向的分析是一個非常重要的，可能稱得上是轉型的趨勢。CyrusOne的首席信息官Blake Hankins將其描述為“數字化轉型工具包的基石，它將使企業變得更加高效并專注于最有意義的項目。”
凱撒的Ottolenghi表示：“人工智能正在推動凱撒和其它公司的數字化轉型。它幫助我們轉向了一個平臺(框架)，該平臺提供了一個快速失敗，頻繁測試，創新更快的范式。這轉變了我們進行試驗和概念驗證的方式，人工智能還能幫我們挖掘暗數據和/或非結構化數據，并提供跨越不同數據元素的洞察。”
幾乎所有接受本報道采訪的首席信息官都表示，高管往往很看好人工智能/機器學習和數據分析項目，事實上，他們看好整個人工智能。如果出現脫節的話，這可能與人工智能的商業價值在何處以及如何歸因有關。Hankins還指出，大多數高管并沒有意識到使人工智能/機器學習數據程序孵化所需的一切。Hankins說：“首席信息官有責任幫人們認識這些技術的潛力，并幫忙建立人工智能項目和投資與特定業務成果的聯系。”
首席信息官有責任幫助人們認識這些技術的潛力，并幫忙創建人工智能項目和投資與具體業務成果的聯系.-- Blake Hankins
很多對人工智能下了重賭注的人能為首席信息官和其他希望這樣做的人提供現成的建議。MITRE的Cenkl說：“如果沒有數據就很難做到這一點。他人的類似感受也印證了這個建議。
Olley指出，通過機器學習，數據成了最關鍵的資產，因為數據是機器學習或深度學習模型的訓練集。你的機器學習項目的好壞取決于它所依賴的數據。數據的數量和質量都發揮著作用。
Ottolenghi強調，你要確保自己得到了管理層的支持，并選擇能解決實際業務問題的用例。他說：“這樣的話，你就能得到公司的支持，想方設法確保用例成功。”
最后，如果你尚不具備這些技能，請考慮聘請在數據分析，數據科學，數據工程方面訓練有素的優秀人才。
最終感言
機器學習和數據分析如果開發得當，它們有時可以以近乎催化的方式相互增強。機器學習為數據分析的自動化提供了支持，從而帶來了洞察力和決策。這反過來可能導致新數據的發現——這個過程周而復始。人工智能/機器學習和業務數據的組合是大多數首席信息官不容忽視的功能。本報道對可行的用例的數量和類型做了膚淺的討論。如果你仍對人工智能采取中立的態度，現在是時候行動了。
京公網安備 11010502049343號