大數據技術并不像幾年前那樣廣受關注，但這并不意味著大數據技術沒有得到發展。如果說有什么不同的話，那就是大數據的規模正在變得越來越大。
大數據曾經被認為是一項重大挑戰。但是現在，它越來越被視為一種理想狀態，尤其是在正在嘗試并實施機器學習和其他人工智能學科的組織中。
Anexinet公司高級數字策略師Glenn Gruber說，“人工智能和機器學習現在為我們提供了使用現有大數據的新機會，并利用新數據類型開發了很多新用例。我們現在擁有更多可用的數據，例如圖片、視頻和語音。過去，我們可能試圖盡量減少捕獲的此類數據的數量，因為我們無法對其做太多的處理，但是它存儲此類數據會產生巨大的成本。”
人工智能如何適應大數據
大數據與人工智能之間存在著一種互惠關系：人工智能在很大程度上依賴于前者的成功，同時也幫助組織以以前繁瑣或不可能的方式釋放數據存儲中的潛力。
Gruber說，“如今，我們需要盡可能多的數據，這不僅是為了更好地洞察我們試圖解決的業務問題，而且因為我們通過機器學習模型輸入的數據越多，它們得到的結果就越好。這是一個良性循環。”
人工智能如何使用大數據
存儲和其他有關大數據和分析的問題好像已經不再一樣。例如，Gruber指出，大數據和人工智能的結合會圍繞基礎設施、數據準備和治理產生新的需求(或強調現有需求)。但是在某些情況下，人工智能和機器學習技術可能是組織如何解決這些運營復雜性的關鍵部分。
關于“更好的洞察力”：人工智能和機器學習作為當前在商業領域中最重要的學科，如何幫助IT領導者實現現在或將來的目標?
人工智能提供更好見解的6種方式
1.人工智能正在創造新的數據分析方法
大數據的基本業務問題之一有時可以用一個簡單的問題來概括：現在是什么?人們已經擁有了所有這些東西，并且還會有更多的東西出現，那么如何處理呢?在大數據的大肆宣傳和炒作中，聽到這個問題的答案并不總是那么容易。
此外，回答這個問題(或從數據中獲取見解)通常需要大量的人工工作。人工智能正在創造新的方法。從某種意義上說，從廣義上講，人工智能和機器學習是新方法。
從歷史上看，在分析數據時，工程師不得不使用查詢或SQL(查詢列表)。但是，隨著數據重要性的不斷增長，獲得洞察力的多種方法也應運而生。人工智能是查詢/SQL的下一步。Alluxio公司首席執行官Steven Mih說，“過去的統計模型現在已經與計算機科學融合，并已成為人工智能和機器學習的一部分。”
2.數據分析的勞動強度正在降低
因此，與過去相比，管理和分析數據所需的人工時間更少了。人們仍然在數據管理和分析中扮演著至關重要的角色，但由于人工智能，原來可能需要幾天或幾周(或更長)的過程正在加快速度。
Sungard AS公司的高級架構師Sue Clark說，“人工智能和機器學習是幫助企業分析數據的工具，比員工單獨完成的工作更快、更有效。”
Exasol公司首席技術官Mathias Golombek在大數據方面已觀察到一種采用兩層策略的趨勢，因為組織爭辯要從中獲得任何價值所必須管理的海量信息：存儲層和位于其之上的運營分析層。
Golombek說，“這是從數據中提取見解并進行數據驅動的決策的地方。人工智能通過全新的功能通過培訓數據做出半自動決策來增強分析。它不適用于企業對數據存在的所有問題，但是對于特定的用例，它徹底改變了無需復雜的人類知識就能完成規則、決策和預測的方式。”
換句話說，洞察力和決策可以更快地發生。此外，IT可以將類似的原理(使用人工智能技術來減少人工、勞動密集型負擔并提高速度)應用于后端事物，讓人們面對現實，IT之外很少有人想知道。
Alluxio公司Mih說，“數據洞察力的實時性質，加上現在無處不在的事實，這將跨越不同的機架、區域和云計算，這意味著企業必須從傳統的管理和分析數據方法中發展而來。這就是人工智能的用武之地。數據工程師一次又一次地人工復制數據的日子已經一去不復返了，在數據科學家提出要求后數周之內就交付了數據集。”
3.人類仍然重要
與其他人一樣，Qlik Research公司副總裁Elif Tutuk將人工智能和機器學習視為處理大數據的強大杠桿。
Tutuk說：“人工智能和機器學習以及其他新興技術，對于幫助企業更全面地了解所有數據，為他們提供一種在關鍵數據集之間建立聯系的方式至關重要。”但是她補充說，這并不是削弱人類智慧和洞察力的問題。
Tutuk說，“企業需要將人類直覺的力量與機器智能相結合，以增強這些技術或增強智能。更具體地說，人工智能系統需要從數據和人類身上學習，才能實現其功能。成功地將人力和技術的力量結合起來的企業可以擴大從數據科學家和業務分析師那里獲得分析的關鍵見解的人員，同時節省時間，并減少由于業務用戶解釋數據而導致的潛在偏見。這樣可以提高業務運營效率，從數據中收集更快的見解，并最終提高企業生產率。”
4. 人工智能/機器學習可用于緩解常見數據問題
以下是一些沒有改變的東西：數據的價值與其質量密不可分。低質量意味著低價值或無價值。這就是所謂的大數據與人工智能的共同點。
Ness Digital工程公司首席技術官Moshe Kranc說，“關于機器學習的對話總是回到企業數據的質量上。如果數據質量差，那么從中獲得的任何見解都將無法得到信任。機器學習項目80%的時間都花在了清理和準備數據上。”
一切舊的東西似乎又是新的。但這個問題的解決方案(可能還有其他類似的解決方案)可能已經出現。
Kranc說，“幸運的是，可以使用機器學習來清理機器學習數據。機器學習算法可以檢測異常值和缺失值，找到用稍微不同的術語描述同一實體的重復記錄，將數據規范化為通用術語。”
5.分析變得更具預測性和規范性
在過去，數據分析比事后分析更為重要，事后分析就是“已經發生的事情。”未來的預測本質上仍是歷史分析。人工智能和機器學習正在幫助開拓一個新領域：“將要發生的事情。或者至少是“可能發生的事情”。此外，還可以教會機器學習算法基于前瞻性的見解做出決策或采取行動。
Sparkhound公司分析部門總經理Sean Werick說。“如今，人工智能正在通過使用預測分析，以更準確的方式將大數據決策進一步推進。傳統上，大數據決策是基于過去和現在的數據點，通常會導致線性的投資回報率。借助人工智能，這一比例已達到史詩級和指數級。利用人工智能的規范性分析有可能提供全公司的前瞻性戰略見解，有助于推動業務發展。”
Werick指出，這是一個“在走路之前需要學會爬行”的過程。根據Werick的說法，使用人工智能根據不準確或不充分的數據做出預測性或規定性的商業決策可能會產生“災難性”的后果。
Werick說，“隨著分析成熟度模型的每一個進展，對業務的價值都會增加：從流程和數據映射開始，到描述性分析，到預測性分析，最后，到規定性分析。”
6.人工智能和大數據的下一步是什么?
如果大多數團隊仍在學習爬行(或行走)，那可能沒問題，因為人工智能和大數據的結合才剛剛開始揭示其可能性。
Scale Venture Partners公司合伙人Andy Vitus看到了更智能的企業軟件的巨大前景。他認為，許多商業應用程序仍顯示其模擬DNA。
Vitus說，“大多數商業應用程序仍然使用紙質表單和分類賬的設計語言構建。這意味著，對于企業捕獲和存儲的所有數據，用戶仍在花費大量的時間費力地通過無休止的報告來尋找有用的信息。
智能軟件將利用所有這些數據來解決問題并提供場景和答案，而不僅僅是美觀的報告。從工程的角度來看，智能企業應用程序將要求將單個人工智能/機器學習系統連接到其他系統，以便它們可以相互通信并相互學習。企業最終將從存儲的所有數據中獲得可觀的投資回報。”
那是基本的承諾：人工智能是一種不斷發展的手段，可以回答有關大數據的基本問題。那么現在怎么辦?
Alluxio公司的Mih說，“這只是一個開始，未來將有新的技術來分析數據以獲得實時洞察力，但獲得見解的方式將有所改進。”
版權聲明：本文為企業網D1Net編譯，轉載需注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。
京公網安備 11010502049343號