人工智能和大數據之間的關系是雙向的。可以肯定的是：人工智能的成功很大程度上取決于高質量的數據，同時，管理大數據并從中獲取價值越來越多地依靠(諸如機器學習或自然語言處理等)人工智能技術來解決對人類而言難以負擔的問題。

 

正如Anexinet公司高級數字策略師Glenn Gruber所述，這是一個“良性循環”。大數據中的“大”曾經被視為一種挑戰而不是機遇，但隨著企業開始推廣機器學習和其他人工智能學科的應用，這種情況正在發生變化。

 

Gruber解釋說，“如今，我們想要盡可能多的數據，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。”

 

 

以下深入地了解這個更廣泛的循環中的一個部分：如何將人工智能當作處理大數據的強大杠桿的示例，無論是用于分析、改進的客戶體驗、新的效率還是其他目的。人們需要考慮以下人工智能和大數據應用的三個重要因素：

 

1.從非標準化來源收集結構化數據

 

大數據面臨很多的挑戰，例如以一種可用的、具有成本效益的方式存儲大數據。當涉及到非結構化數據時，其“可用”部分尤其棘手，根據研究機構的一些估計，非結構化數據占企業數據的大部分份額(70%或更多)。當人們談論大數據將不可避免地繼續增長時，非結構化數據是這種增長的主要驅動力。

 

將非結構化信息轉換為可用格式對人類來說是一項極其繁瑣的工作，特別是在重復(但完全必要)的后臺操作中。

 

Exasol公司首席技術官Mathias Golombek指出，發票處理是一個特定的示例，它闡明了使用人工智能從非結構化(或非標準)格式中自動提取結構化數據的廣泛可能性。

 

Golombek說，“如何將人工智能應用于大數據的一個例子是訓練一個模型，該模型從掃描的發票和提取的結構化數據的歷史數據中學習：發票ID、到期日、收件人等。這一信息通常必須由工作人員來解釋，因為每張發票看起來都有些不同，具有不同的名稱或語言。但是，如果企業使用數千張發票的歷史數據，則可以創建一個模型，通過掃描新發票即可自動為其提供結構化數據。”

 

使用人工智能從非結構化數據源自動提取結構化數據的這一相同原則可以廣泛應用，不僅適用于財務或人力資源等運營領域，還適用于企業內容管理的廣泛(通常是無意義的)類別。這對數據分析、機器人過程自動化(RPA)和其他形式的自動化以及其他目的都是一個潛在的好處。

 

ABBYY公司首席創新官Anthony Macciola說，“組織正在使用人工智能改變其最有價值的資產——內容。表示，高達90%的企業內容都是非結構化的數據，并且以每年高達65%的速度增長。大多數非結構化數據都無法分析，從而導致有價值的信息丟失和無法使用。借助人工智能，組織將非結構化數據轉換為可在智能自動化系統中使用的可行信息。這使業務領導者可以更快地做出更好的業務決策。”

 

2.簡化復雜的官僚程序

 

在采用大數據的場合，就會有復雜性和官僚主義。例如醫療、保險和金融服務等領域，因此，這些行業正在越來越多地嘗試采用潛在的方式來使用人工智能技術來減少繁文縟節，并在圍繞法規遵從性和其他問題的復雜需求中改進流程和結果的潛在方法。

 

以下例舉金融領域的一個更深層次的例子：

 

Persistent Systems公司數據、分析和人工智能/機器學習總經理Sameer Dixit說：“金融科技完美地說明了人工智能/機器學習如何改變銀行機構向消費者提供金融服務的方式。銀行的后臺操作涉及龐大而復雜的數據集，這些數據集需要大量人力。如果由機器人流程自動化(與人工智能/機器學習結合使用)進行處理，則可以在執行了解客戶、驗證客戶身份和地址等任務時節省大量時間和成本。貸款本身也是勞動密集型的工作。借助人工智能/機器學習，降低成本，并以更具吸引力的利率向那些信用記錄有限的人提供貸款，正在擴大一個以前服務不足的市場。”

 

AI Foundry公司產品管理總監Arvind Jagannath指出，抵押貸款行業是目前正在嘗試人工智能的金融行業的特定子集。

 

Jagannath說，“人工智能正在以多種方式改善抵押貸款行業中的數據分析。”他列舉了三個方面的例子，說明了人工智能可以在哪些方面為貸款人和客戶帶來好處：

 

•吞吐量：Jagannath說，“目前業內平均完成抵押貸款的時間約為3至4周。使用人工智能來自動化‘關鍵路徑流程’，只需幾天就可以完成抵押貸款的處理。這種吞吐量的增加使購房者的購房體驗更快、壓力更小，并幫助銀行和其他貸款人更快地處理更多貸款。”

 

•分析速度：從某種意義上說，貸款處理是信息處理的另一種表達方式。人工智能可以加快速度，達到實時處理的程度。Jagannath說：“人工智能越來越多地被用于銷售點，以提供更多的貸款人自助服務。”

 

•處理和結果的準確性：Jagannath說，“使用人工智能和自動化，能夠以高準確率處理抵押貸款。人類會感到疲勞，這種疲勞會導致出現錯誤，而人工智能技術可以全天候工作，而不會疲勞且精度很高。”

 

當然，金融、醫療和其他公司在削減繁文縟節的同時，將不得不與人工智能偏見作斗爭。

 

3. 更好地利用視頻和語音資源

 

當想到在各種組織中可以產生固有的“大”數據的媒體格式時，通常會想到語音和視頻。兩者都提供了人工智能如何應用于改善企業如何管理和從現有媒體資產中獲取價值的實例，或者如何改善未來使用這些格式和其他格式的示例。

 

Anexinet公司高級分析總監Brian Atkiss指出，像自然語言處理(NLP)這樣的人工智能學科在企業如何使用他們的語音數據、從語音分析到語音到文本轉錄方面創造了相當多的新改進。

 

此外，人工智能可以解決與基礎數據相關的挑戰。例如，可能為了質量保證和培訓而錄制視頻或音頻，實際上就是在使大數據變得更大。

 

Atkiss解釋說，“在以往，出于人工審查和合規的原因，企業會存儲通話記錄數據，有時會長達7年甚至更長時間。這些數據以單聲道格式記錄，并經過高度壓縮以減小文件規模和存儲成本。隨著語音到文本算法的發展，這些通話記錄數據突然變成了有用數據的寶庫，企業可以利用這些有用數據來衡量客戶體驗并改善運營績效。”

 

人工智能驅動的新分析機會也徹底改變了與通話記錄和其他語音數據相關的存儲挑戰。

 

Atkiss表示，“更高質量的音頻文件從語音到文本的算法產生了更好的準確性，因此企業需要使用未壓縮的音頻，這可能會使存儲成本更高。在此可以采用人工智能，這是因為它具有自動轉錄語音記錄的功能。”

 

Atkiss說，“這些錄音文件現在可以實時或接近實時地轉錄，生成的錄音提供通話記錄，可以用于高級分析。這些文本記錄可以存儲，而高質量的未壓縮音頻文件現在可以刪除，不需要存儲。企業提供實時訪問這些數據的能力也要求在數據存儲和處理方面取得進展。”

 

視頻文件的處理可以帶來類似的機遇和挑戰。人工智能現在使企業能夠更好地管理和發現企業視頻資產的價值。

 

IBM Watson企業視頻產品高級總監Chris Zaloumis說：“人工智能技術使企業能夠通過高級元數據豐富功能和以前未開發的見解來理解和優化視頻內容庫。從提高參與度和增加可發現性到自動化隱藏式字幕和進一步提高包容性，人工智能為企業提供了必要的工具，使其能夠在真正的全球、始終在線的環境中運營。”

 

語音對文本技術在提高視頻應用程序的可訪問性和包容性方面，包括在實時訂閱源中，可以起到巨大的作用。Zaloumis說，“像人工智能驅動的實時和按需自動字幕顯示，這樣的實用應用程序為聽力障礙員工和聾啞人彌合通信的鴻溝提供幫助。”

 

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。