機器學習和人工智能(AI)技術正在以前所未有的速度改變著我們周圍的世界。我們距離擁有自動駕駛汽車、自然語言處理和與大師們對弈的電腦更近了一步。隨著人工智能和機器學習技術的普及，目前尚有待于以顯著的方式影響企業(yè)信息技術。

 

最近，IT服務管理公司ServiceNow對11個國家和25個行業(yè)的500多名首席信息官進行了調查，來了解企業(yè)IT領域中人工智能技術的使用情況，請參閱《全球首席信息官觀點(The Global CIO Point of View)(pdf)》。為了了解所收集的數據及其含義，最近我與ServiceNow公司的首席創(chuàng)新官大衛(wèi)·萊特(Dave Wright)進行了交談。

 

 

大衛(wèi)·萊特(Dave Wright)：新的首席信息官的工作內容與幾年前明顯不同。過去，首席信息官負責維護他們所在公司的技術基礎設施。現在，首席信息官是公司領導者的合作伙伴，并且負責尋找使用技術方式，使企業(yè)能夠在行業(yè)中處于引領地位。這包括提升員工的技能，重新設計業(yè)務流程和推動數字化轉型工作。

 

 

這可能是個最大的誤解。機器學習和人工智能技術不會奪走工作崗位，而是會增強IT專業(yè)人員的技能。事實上，今天的環(huán)境要比以往任何時候都復雜得多，IT業(yè)務不可能管理所有不同的運動部件。機器學習技術可以成為IT專業(yè)人士最好的朋友，這只需要IT人士清楚如何使用該技術來使他們的工作變得更輕松。要做到這一點，并得到IT人士認可的最佳方式就是讓該技術參與到設計過程中。這樣做就涉及到該技術如何進行部署和使用。

 

參與機器學習技術的每個人都應清楚，因為人類每天都在接觸工序流程，所以人們比機器更了解這一流程，這一點很重要。在數字化過程中，人類應該更優(yōu)秀，然后讓機器從中進行學習。

 

 

我們認為這一比例不會那么高，但這確實讓我們感到驚訝。然而，對數據進行深入了解則顯示，僅有3%的公司正在使用機器學習技術，另外20%的公司在商業(yè)的某些領域使用該技術。另有26%的公司正在試點機器學習技術，而(占40%)絕大多數公司還在研究和規(guī)劃階段。

 

“機器學習技術可以成為IT專業(yè)人士最好的朋友，這只需要IT人士清楚如何使用該技術來使他們的工作變得更輕松。”

 

這是有意義的工作，因為對于大多數組織來說，隨著它們將該技術分階段應用，使用機器學習技術也將是一個“由爬行、步行到奔跑的過程”。第一階段將用該技術來描述某些東西，并可以分析數據和進行解讀。下一階段將有更多的認知能力，人工智能可以開始解決問題。第三階段將看到該技術開始預測某些事情。例如，基于其他數據，它也許可以預測將會發(fā)生一個安全漏洞。

 

最后一個階段需具有規(guī)范性，該階段人工智能可以預測某些事情，然后采取行動來糾正某些行為，我們距離這一階段還有很多年。在上一個例子中，人工智能不僅可以預測一個漏洞，還可以采取必要措施，確保它不會發(fā)生。為了實現這一點，人工智能技術將以迭代的方式工作。

 

 

這完全是有道理的。當你看看過去自動化是如何完成的，它只是一個硬編碼規(guī)則類型的決策樹，即“如果是這樣，那么就怎樣”。現在，由于情況變得復雜，我們正在擺脫硬編碼的方式，而且需要重新編寫規(guī)則。對于風險極高的安全領域尤其如此。機器可以比人類更快地處理數據集和重寫規(guī)則。遵循這一思路：不法分子會使用機器學習技術來編寫惡意軟件，所以使用機器學習技術來對抗它也是合乎情理的。

 

 

這當然是個好消息，因為IT專業(yè)人士就會有更多機會。最缺乏技能的領域是數據科學家和機器學習專家。大多數空缺的工作崗位甚至在幾年前都不存在。我認為這個行業(yè)面臨的重大挑戰(zhàn)是很難找到可以接受這些領域知識培訓的地方。但我也看到更多的學校和培訓機構開始提供這些課程，所以這一缺口應該很快縮小。

 

 

有幾個要點。首先是清理數據源，因為不良的數據會導致糟糕的推論。大多數企業(yè)都擁有大量數據，其中大部分數據可能被歸類為不良數據，即錯誤數據或信息貧乏。輸入機器學習系統(tǒng)的數據必須具有很好的質量，這樣才能做出最佳決策。

 

此外，公司需要重新評估他們關注的關鍵績效指標。例如，如果使用預測工具來解決故障，則正確的度量標準應該是故障的平均間隔時間，而不是平均修復時間。就安全領域而言，衡量標準應該是避免事故發(fā)生，而不是找出漏洞所需的時間長短。機器學習技術改變了身邊的一些東西，那么衡量成功的方式也需要改變。

 

版權聲明：本文為企業(yè)網D1Net編譯，轉載需注明出處為：企業(yè)網D1Net，如果不注明出處，企業(yè)網D1Net將保留追究其法律責任的權利。