人工智能在各種企業(yè)系統(tǒng)中都有其實際的應(yīng)用，特別是在分析和異常檢測用例方面。

[[330882]]

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(shù)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(yè)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(yè)系統(tǒng)，進(jìn)而提升你的商業(yè)運作。為了了解企業(yè)在哪些方面可以有意義地利用如今的人工智能，記者網(wǎng)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(yīng)商經(jīng)常聲稱，只要你部署他們的產(chǎn)品，他們產(chǎn)品中的一些人工智能秘方將徹底改變你的業(yè)務(wù)。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(shù)供應(yīng)商提供的都是基于規(guī)則的系統(tǒng)。他們的軟件中復(fù)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(zhǔn)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(jī)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(tǒng)會自己決定要做什么，而這在大多數(shù)商業(yè)案例中是不太可能發(fā)生的。想象一下，如果你的財務(wù)、招聘、產(chǎn)品規(guī)劃、網(wǎng)絡(luò)管理等都是由一個獨立的情報機(jī)構(gòu)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(yīng)用分析和異常檢測的AI實現(xiàn)

真正真實可用的是將人工智能技術(shù)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(fā)現(xiàn)未知的模式，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)、人工通用智能等形式則可能會是需要轉(zhuǎn)向的技術(shù)。

以異常檢測形式出現(xiàn)的分析驅(qū)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(jù)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(quán)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(yè)知識。

自動化(至少是軟件)可以使用規(guī)則庫和其他編碼邏輯來執(zhí)行決策。像機(jī)器人流程自動化(RPA)這樣的技術(shù)是當(dāng)今自動化技術(shù)進(jìn)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?nèi)找鎻?fù)雜的算法來處理日益復(fù)雜的工作流。軟件可能看起來很智能，但這是人類開發(fā)人員的智能，而不是系統(tǒng)固有的人工智能。

因此，分析，特別是異常檢測，占據(jù)了當(dāng)今企業(yè)系統(tǒng)中實現(xiàn)的人工智能的大部分。這種集成通常是由軟件供應(yīng)商基于眾所周知的用例和業(yè)務(wù)流程來完成的。

Forrester的Carlsson說，對于本地系統(tǒng)來說，將人工智能引入分析領(lǐng)域并非易事。數(shù)據(jù)科學(xué)是將智能與分析融合在一起的領(lǐng)域，但“人們通常沒有意識到，數(shù)據(jù)科學(xué)家沒有接受過決策和商業(yè)分析方面的培訓(xùn)，所以你可以根據(jù)需要來做出偉大的預(yù)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(yù)測模型，為你的經(jīng)典優(yōu)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(yōu)化人員不知道如何與數(shù)據(jù)科學(xué)家交談，反之亦然。‘數(shù)據(jù)科學(xué)家’是一個非常有問題的術(shù)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(jīng)開始通過AutoML來訪問機(jī)器學(xué)習(xí)了，這種框架無需從頭構(gòu)建機(jī)器學(xué)習(xí)模型。而且這些工具對于精通數(shù)據(jù)的商業(yè)用戶來說已經(jīng)足夠簡單，可以利用它們，將數(shù)據(jù)科學(xué)家通常無法利用的專業(yè)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(jìn)團(tuán)隊尤其適合將人工智能引入分析。“他們有應(yīng)對管理變革的DNA，”Carlsson說。“獲取數(shù)據(jù)并使之合理化總是一個挑戰(zhàn)。”

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(yè)系統(tǒng)中都有合法、有用的用例:包括營銷、物流、文檔處理和IT系統(tǒng)本身，以及面向用戶的系統(tǒng)的用戶界面。

將AI應(yīng)用于業(yè)務(wù)系統(tǒng)

人工智能的應(yīng)用分析形式通常出現(xiàn)在需要處理大量數(shù)據(jù)、變化或不確定環(huán)境以及快速適應(yīng)流程的企業(yè)系統(tǒng)中。

經(jīng)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(chǎn)品推薦。較新的領(lǐng)域包括聲譽管理、簡歷評分和跨領(lǐng)域的風(fēng)險管理。

AI的一個未被提及的領(lǐng)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(yī)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(biāo)題樣式和表邊框等看似微小的變化就可能會混淆基于規(guī)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(nèi)容。“例如，對于一個客戶在對市場新領(lǐng)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(jīng)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(yī)學(xué)病理報告中的偶然信息，比如“根據(jù)隱藏的細(xì)節(jié)來判斷是否有致癌的風(fēng)險，這些細(xì)節(jié)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(yī)院已經(jīng)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(shù)據(jù)輸入美國國家癌癥數(shù)據(jù)庫。

應(yīng)用于IT系統(tǒng)的AI：AIOps

AIOps(智能運維)領(lǐng)域在識別和診斷網(wǎng)絡(luò)、業(yè)務(wù)流程等問題方面對IT工作負(fù)載有很大的希望，從而使得自動化能夠建議甚至是執(zhí)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(nèi)部數(shù)據(jù)盜竊。

“AIOps還遠(yuǎn)沒有其他企業(yè)人工智能領(lǐng)域來的成熟。”Gartner的Rich指出。它通常會涉及有監(jiān)督和無監(jiān)督的機(jī)器學(xué)習(xí)，有時還涉及深度學(xué)習(xí)和圖表分析，以便“將數(shù)學(xué)應(yīng)用到實際問題當(dāng)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(zhàn)是“有太多的容易導(dǎo)致虛假警報的噪音。”Rich說。現(xiàn)在幾乎所有的東西都數(shù)字化了，困難也更大了。事件相關(guān)分析作為一種基本的技術(shù)已經(jīng)存在了幾十年。但是“它們是基于規(guī)則的，因此涉及到非常繁重的工作，總是需要更新。”Rich說。“數(shù)據(jù)質(zhì)量也可能很混亂，因此任何實現(xiàn)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(shù)據(jù)科學(xué)家的需求，但這在今天是不可能的。

另一個挑戰(zhàn)則涉及對基于時間模式的表面異常執(zhí)行時間序列分析。“這些算法自20世紀(jì)50年代就已經(jīng)存在，但直到最近我們才有了計算能力來實現(xiàn)它們。”Rich說。

人工智能另一個長期尋求的領(lǐng)域是根源分析，它涉及到大量的相關(guān)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(jìn)展。”Rich補充道。

更進(jìn)一步的是像自愈系統(tǒng)這樣的概念，也就是NoOps。“總有一天我們可能會實現(xiàn)這個目標(biāo)。”Rich說。“現(xiàn)在可以做的是基于條件邏輯發(fā)起的操作來運行腳本。在過去的6到8個月里，供應(yīng)商已經(jīng)提供了常見問題的知識基礎(chǔ)，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(fēng)險：你還會打破什么?風(fēng)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(yù)防問題了。

將AI應(yīng)用于用戶界面

多年來，我們已經(jīng)看到了有關(guān)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(jī)器人是這種承諾的一個例子，也是相信它們存在風(fēng)險的一個例子--這些“智能”互動會不會讓客戶感到沮喪和負(fù)擔(dān)?它們所遵循的確定性規(guī)則通常無法解決客戶的關(guān)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(dāng)大的進(jìn)步，Carlsson指出。

在語音識別和理解非結(jié)構(gòu)化文本方面，NLP在過去20年里取得了巨大的進(jìn)步，它在不需要鍵盤的情況下促進(jìn)了交互，并在查詢語句被人類或自動化系統(tǒng)執(zhí)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(dá)方式，例如，為其預(yù)期的交流而進(jìn)行的演講。

機(jī)器視覺在過去幾十年也取得了重大進(jìn)展。雖然自動駕駛汽車仍然比現(xiàn)實更有希望，但碰撞緩解技術(shù)表明，它能夠感知環(huán)境條件，并根據(jù)規(guī)則進(jìn)行一些自動調(diào)整(踩剎車!)是真實的。與NLP一樣，機(jī)器視覺是人工智能的一部分，而不是基于規(guī)則的自動調(diào)整或響應(yīng)。

隨著底層模式分析的改進(jìn)，機(jī)器視覺和其他感知技術(shù)正越來越多地被用于倉儲以識別包裝對象，在醫(yī)學(xué)中檢測腫瘤，以及在零售中了解購物者的行為。

關(guān)鍵是人工智能在這些情況下能夠正確地分析來自人和環(huán)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(shù)系統(tǒng)相交互。