人工智能在各种企业系统中都有实际应用，尤其是在分析和异常检测用例中。人工智能(AI)是每个IT组织取得成功所必需的。考虑到这项技术的重要性，您可能会这样判断。是的，人工智能可以提供商业价值。但是，它不会神奇地解决您组织的所有问题。即便如此，人工智能仍然需要理性对待，它仍然可以改善你的企业系统，从而改善你的业务运营。为了了解企业可以在哪些方面有意义地利用当今的人工智能，记者采访了ForresterResearch的人工智能分析师KjellCarlsson、Gartner的CharleyRich和IDC的MickeyNorthRizza。不要将自动化与人工智能混淆供应商经常声称，他们产品中的某些AI配方将在您部署它们后立即彻底改变您的业务。别相信。“如果它看起来像你在电影中看到的任何东西，请保持怀疑，”卡尔森说。IDC的NorthRizza说大多数供应商都提供基于规则的系统。他们软件中的复杂算法或逻辑可以处理许多常见的用例——而且他们比人们通常做的更快、更准确。然而，这是自动化，而不是人工智能。自动化是好的，但基于机器智能的自动化很可能是假的或有问题的。在真正的AI中，系统会自行决定要做什么，这在大多数业务案例中不太可能发生。想象一下，如果你的财务、招聘、产品规划、网络管理等都由一个你并不真正了解也无法真正控制的独立情报机构处理。专注于应用分析和异常检测的AI实现真正有用的是使用AI技术来识别人类决策中的异常模式。已知模式可以通过自动化处理，但要发现未知模式，机器学习和深度学习的形式、通用人工智能等可能是需要求助的技术。异常检测形式的分析驱动的AI通常可以比人类更快地识别未知模式。它甚至可以根据相似的模式建议行动方案。但是决定采取什么行动的决定权在于人类的智慧，人类的智慧可以被其他人检查并利用分析之外的专业知识。自动化（至少是软件）可以使用规则库和其他编码逻辑来执行决策。机器人过程自动化(RPA)等技术是当今自动化进步的典范。它们不是人工智能——它们不会自己“思考”，但它们可以通过日益复杂的算法处理日益复杂的工作流程。软件可能看起来很聪明，但那是人类开发人员的智慧，而不是系统固有的人工智能。因此，分析，尤其是异常检测，占当今企业系统中实施的AI的大部分。这种集成通常由软件供应商根据众所周知的用例和业务流程完成。Forrester的Carlsson表示，将AI引入分析领域对于本地系统而言并非易事。数据科学是将智能与分析融合在一起的领域，但“人们通常没有意识到数据科学家没有接受过决策制定和业务分析方面的培训，所以如果你愿意，你可以做出很好的预测，但不知道该做什么做，”他说。理想情况下，“在人工智能方面，你可以构建一个更好的预测模型，为你的经典优化引擎提供更好的输入。他们齐头并进，”Carlsson补充道。“但这会很痛苦，因为优化器不知道如何与数据科学家交谈，反之亦然。“数据科学家”是一个非常有问题的术语，它可以指代任何东西，而且没有多少IT组织理解这一点。”但Carlsson还指出，这是有希望的：工程师们已经开始通过AutoML访问机器学习，这是一个消除需求的框架从头开始构建机器学习模型。而且这些工具非常简单，精通数据的业务用户可以利用这些工具，将数据科学家通常无法获得的专业知识带到桌面上。精通方法论的跨职能流程改进团队诸如六西格码和精益特别适合将人工智能引入分析。卡尔森说：“它们具有管理变革的基因。获取数据并理解它始终是一个挑战。”这些更具探索性的人工智能形式——-Carlsson所说的“增强智能”——在各种企业系统中拥有合法、有用的用例：包括营销、物流、文档处理和IT系统本身，以及面向用户的系统的用户界面。将AI应用于业务系统的AI应用分析形式通常出现在需要处理大量数据、不断变化或不确定的环境并快速调整流程的企业系统中。经典用例包括物流，例如包裹递送、车辆路线规划和即时库存管理，以及情境估计，例如信用评分和产品推荐。较新的领域包括声誉管理、简历评分和跨域风险管理。AI的一个未提及的领域是自动化文档处理。“许多流程都依赖于它们，”Forrester的Carlsson说。他说，尽管合同、政策、医疗报告等看起来公式化且易于解析，但仍然难以从这些文件中提取信息。例如，标题样式和表格边框等看似微小的更改可能会使基于规则的文档提取器感到困惑。提取表单中未明确定义的内容更加困难。“例如，当客户对市场的新领域感兴趣时，财务顾问需要深入研究投资概况、资源和营销模式。”而不是用经典的方法提出一个类似于客户自己选择的投资模型。另一个例子：对医学病理报告中附带信息的分析，例如“基于隐藏细节的致癌风险，这些细节通常附加在原始患者投诉中，”Carlsson说，并补充说他知道一家医院已经在使用AI文档处理器来找到这样的例子并自动将数据输入美国国家癌症数据库。应用于IT系统的人工智能：AIOpsAIOps（智能运营）领域在识别和诊断网络、业务流程等方面的问题方面为IT工作负载带来了巨大希望，使自动化能够建议甚至执行可能的补救措施。类似的方法也可用于帮助安全工作，例如入侵检测和防止内部数据被盗。“AIOps远不如企业人工智能的其他领域成熟，”Gartner的Rich指出。它通常涉及有监督和无监督的机器学习，有时还涉及深度学习和图形分析，以“将数学应用于实际问题”。这意味着直接或通过自动化寻找表明问题的模式和异常（通常在日志中）。AIOps的挑战在于“有太多的噪音很容易导致误报，”Rich说。现在几乎所有东西都数字化了，难度就更大了。事件关联分析作为一项基本技术已经存在了几十年。但是“它们是基于规则的，因此涉及很多工作并且总是有更新，”Rich说。“数据质量也可能很混乱，因此任何实施通常都是定制的。但它确实有效，”只要你能负担得起。“市场希望有一个包来完成这项工作以避免对数据科学家的需求，但这在今天是不可能的。另一个挑战涉及根据时间模式对表面异常进行时间序列分析。“这些算法自1950年代就已存在，但直到最近我们还没有实现它们的计算能力，”Rich说。另一个长期寻求的AI领域是根本原因分析，它涉及广泛的相关性和时间序列分析。“人们不断做出承诺，但我们才刚刚开始看到图形分析方面的进步，”Rich补充道。更进一步的是自我修复系统（又名NoOps）等概念。“有一天我们也许能够实现这个目标。”里奇说。“现在可以做的是根据条件逻辑启动的操作运行脚本。在过去的六到八个月里，供应商提供了一个常见问题的知识库，并提供了一个工具包来添加新问题。”但RichA提醒不要指望AIOps有一天会自己处理IT运营。“你不可能得到所有的信号。即使你得到了，如果这是一个没有解决方案的新问题怎么办？然后就是改变的风险：你还要打破什么？风险分析是必要的，但它是实际的。它在互联网上不存在。”同时，AIOps还可以帮助IT人员增强识别问题的能力，从而更快地解决或预防问题。为了消除对人工支持人员的需求。聊天机器人是这一承诺的一个例子，也是相信它们的风险的一个例子——这些“智能”交互会让客户感到沮丧和负担吗？他们遵循的确定性规则往往无法解决客户问题Carlsson指出，不管怎样，NLP——无论是文本还是语音——在理解人类对话的能力方面都取得了相当大的进步。NLP在过去20年中在语音识别和理解非结构化方面取得了巨大进步文本，无需键盘即可促进交互，并在查询由人类或自动化系统执行之前帮助缩小查询的含义。从某种意义上说，它是一个fo围绕意义和表达的分析模型，例如，针对其预期交流的演讲。机器视觉在过去几十年也取得了重大进展。虽然自动驾驶汽车仍然比现实更有希望，但碰撞缓解技术已经表明其感知环境条件并对规则进行一些自动调整（踩刹车！）的能力是真实的。与NLP一样，机器视觉是人工智能的一部分，而不是基于规则的自动调整或响应。随着基础模式分析的改进，机器视觉和其他感知技术越来越多地用于仓储以识别包装物品、医学以检测肿瘤以及零售以了解购物者行为。关键是，在这些情况下，人工智能可以正确分析来自人和环境的现实世界输入，减少人类对特定语法和用户界面限制的理解，并使更多的人能够更自然地与技术系统进行交互。
