人工智能(AI)是每一個IT組織獲得成功的必備條件?；蛘哒f，考慮到這種技術的重要性，你會作出這樣的判斷。
是的，人工智能可以提供商業價值。但是，它不會神奇地解決組織的所有問題。
盡管如此，依然需要理性地對待人工智能，它仍然可以提升你的企業系統，進而提升你的商業運作。為了了解企業在哪些方面可以有意義地利用如今的人工智能，記者網站采訪了Forrester Research的人工智能分析師Kjell Carlsson、Gartner的Charley Rich和IDC的Mickey North Rizza。
不要把自動化和人工智能混為一談
供應商經常聲稱，只要你部署他們的產品，他們產品中的一些人工智能秘方將徹底改變你的業務。別相信。“如果它看起來像你在電影中看到的任何東西，就要心存懷疑。”Carlsson說。
IDC的North Rizza說，大多數供應商提供的都是基于規則的系統。他們的軟件中復雜的算法或邏輯處理著許多常見的用例--它們比人們通常能做的會更快更準確。然而，這是自動化，而不是人工智能。
自動化是好的，但是基于機器智能的自動化很可能是假的或是有問題的。在真正的人工智能中，系統會自己決定要做什么，而這在大多數商業案例中是不太可能發生的。想象一下，如果你的財務、招聘、產品規劃、網絡管理等都是由一個獨立的情報機構來處理的，而你并不真正了解，也無法真正的控制它。
專注于應用分析和異常檢測的AI實現
真正真實可用的是將人工智能技術用于識別人類決策的異常模式。已知的模式可以通過自動化來處理，但要發現未知的模式，機器學習和深度學習、人工通用智能等形式則可能會是需要轉向的技術。
以異常檢測形式出現的分析驅動的人工智能通常能夠比人類更快地識別出未知模式。它甚至可以根據相似的模式來提出行動方案。但是，決定采取什么行動的決定權是落在人類智能上，而人類智能可以被其他人檢查，并利用超越分析的專業知識。
自動化(至少是軟件)可以使用規則庫和其他編碼邏輯來執行決策。像機器人流程自動化(RPA)這樣的技術是當今自動化技術進步的很好的例子。它們不是人工智能--它們不會自己“思考”，但是它們可以通過它們日益復雜的算法來處理日益復雜的工作流。軟件可能看起來很智能，但這是人類開發人員的智能，而不是系統固有的人工智能。
因此，分析，特別是異常檢測，占據了當今企業系統中實現的人工智能的大部分。這種集成通常是由軟件供應商基于眾所周知的用例和業務流程來完成的。
Forrester的Carlsson說，對于本地系統來說，將人工智能引入分析領域并非易事。數據科學是將智能與分析融合在一起的領域，但“人們通常沒有意識到，數據科學家沒有接受過決策和商業分析方面的培訓，所以你可以根據需要來做出偉大的預測，但卻不知道該做什么。”他說。
理想情況下，“在人工智能端可以建立一個更好的預測模型，為你的經典優化引擎提供更好的輸入。它們是相輔相成的，”Carlsson補充道。“但這會很痛苦，因為優化人員不知道如何與數據科學家交談，反之亦然。‘數據科學家’是一個非常有問題的術語，它可以指任何事情，沒有多少IT組織能理解這一點。”
但Carlsson也指出，希望還是存在的:工程師們已經開始通過AutoML來訪問機器學習了，這種框架無需從頭構建機器學習模型。而且這些工具對于精通數據的商業用戶來說已經足夠簡單，可以利用它們，將數據科學家通常無法利用的專業知識帶到桌面上來。精通六西格瑪和精益等方法的跨職能流程改進團隊尤其適合將人工智能引入分析。“他們有應對管理變革的DNA，”Carlsson說。“獲取數據并使之合理化總是一個挑戰。”
這些更具探索性的人工智能形式--Carlsson稱之為“增強智能”--在各種企業系統中都有合法、有用的用例:包括營銷、物流、文檔處理和IT系統本身，以及面向用戶的系統的用戶界面。
將AI應用于業務系統
人工智能的應用分析形式通常出現在需要處理大量數據、變化或不確定環境以及快速適應流程的企業系統中。
經典的用例包括物流，如包裹交付、車輛路由和即時庫存管理，以及情景估計，如信用評分和產品推薦。較新的領域包括聲譽管理、簡歷評分和跨領域的風險管理。
AI的一個未被提及的領域是自動文檔處理。“很多流程都依賴于它們。”Forrester的Carlsson說。盡管合同、政策、醫療報告等看起來很公式化，很容易被解析，但這些文件仍然很難從中提取信息，他說。例如，標題樣式和表邊框等看似微小的變化就可能會混淆基于規則的文檔提取器。
更困難的是提取表單中沒有明確定義的內容。“例如，對于一個客戶在對市場新領域感興趣時的金融顧問。顧問需要深入研究投資概況、資源和營銷模式。”而不是采用經典的方法提出類似客戶自已選擇的投資模式。另一個例子是:分析醫學病理報告中的偶然信息，比如“根據隱藏的細節來判斷是否有致癌的風險，這些細節通常是最初的病人投訴所附帶的。”Carlsson說，并補充說，他知道有一家醫院已經在使用人工智能文檔處理程序來查找此類例子了，并能夠自動將數據輸入美國國家癌癥數據庫。
應用于IT系統的AI：AIOps
AIOps(智能運維)領域在識別和診斷網絡、業務流程等問題方面對IT工作負載有很大的希望，從而使得自動化能夠建議甚至是執行可能的補救措施。類似的方法還可以用來幫助安全工作，如入侵檢測和防止內部數據盜竊。
“AIOps還遠沒有其他企業人工智能領域來的成熟。”Gartner的Rich指出。它通常會涉及有監督和無監督的機器學習，有時還涉及深度學習和圖表分析，以便“將數學應用到實際問題當中”。這意味著需要尋找模式和異常(通常是在日志中)，這些模式和異常信號可直接或通過自動化來解決問題。
AIOps面臨的挑戰是“有太多的容易導致虛假警報的噪音。”Rich說?，F在幾乎所有的東西都數字化了，困難也更大了。事件相關分析作為一種基本的技術已經存在了幾十年。但是“它們是基于規則的，因此涉及到非常繁重的工作，總是需要更新。”Rich說。“數據質量也可能很混亂，因此任何實現通常都是自定義的。但它確實有效，“前提是你能付得起費用。”市場希望能夠有一個包來完成這項工作，以避免對數據科學家的需求，但這在今天是不可能的。
另一個挑戰則涉及對基于時間模式的表面異常執行時間序列分析。“這些算法自20世紀50年代就已經存在，但直到最近我們才有了計算能力來實現它們。”Rich說。
人工智能另一個長期尋求的領域是根源分析，它涉及到大量的相關性和時間序列分析。“人們一直在給出承諾，但我們才開始看到圖表分析的進展。”Rich補充道。
更進一步的是像自愈系統這樣的概念，也就是NoOps。“總有一天我們可能會實現這個目標。”Rich說。“現在可以做的是基于條件邏輯發起的操作來運行腳本。在過去的6到8個月里，供應商已經提供了常見問題的知識基礎，并提供一個工具包來添加新問題。”
但是Rich提醒大家不要期望AIOps有一天能夠自己處理IT運營。“你不可能得到所有的信號。即使你做了，如果這是一個沒有解決方案的新問題怎么辦?然后就是改變帶來的風險：你還會打破什么?風險分析是必要的，但它實際上并不存在。”
同時，AIOps也可以幫助IT人員增強識別問題的能力，這樣他們就可以更快地解決或預防問題了。
將AI應用于用戶界面
多年來，我們已經看到了有關自然語言處理(NLP)的承諾，以便消除對人力支持人員的需求。聊天機器人是這種承諾的一個例子，也是相信它們存在風險的一個例子--這些“智能”互動會不會讓客戶感到沮喪和負擔?它們所遵循的確定性規則通常無法解決客戶的關注點--但有時它們可以。無論如何，NLP--無論是文本的還是語音的--在理解人類對話的能力上都取得了相當大的進步，Carlsson指出。
在語音識別和理解非結構化文本方面，NLP在過去20年里取得了巨大的進步，它在不需要鍵盤的情況下促進了交互，并在查詢語句被人類或自動化系統執行之前幫助縮小了含義。從某種意義上來說，它是一種分析的形式，圍繞著意義和表達方式，例如，為其預期的交流而進行的演講。
機器視覺在過去幾十年也取得了重大進展。雖然自動駕駛汽車仍然比現實更有希望，但碰撞緩解技術表明，它能夠感知環境條件，并根據規則進行一些自動調整(踩剎車!)是真實的。與NLP一樣，機器視覺是人工智能的一部分，而不是基于規則的自動調整或響應。
隨著底層模式分析的改進，機器視覺和其他感知技術正越來越多地被用于倉儲以識別包裝對象，在醫學中檢測腫瘤，以及在零售中了解購物者的行為。
關鍵是人工智能在這些情況下能夠正確地分析來自人和環境的真實輸入，從而減少人們對特定語法和用戶界面限制的理解，使更多的人能夠更自然地與技術系統相交互。
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