发帖
雷达卡
现代商业智能的一种流行形式侧重于提供有关组织本身的见解，其目标是简化业务，从而使其更有利可图。其他形式的 BI 侧重于收集有关客户或潜在客户的信息。人工智能的使用可以快速有效地提供这些类型的见解。据 Forrester 称，全球决策者认为改进数据、分析或提供洞察力的平台是实施人工智能的主要原因。所有主要的商业智能供应商——包括微软、IBM 和甲骨文——目前都在研究和开发这些人工智能技术。
Forrester Research 副总裁兼首席分析师 Boris Evelson声明:
“人工智能已经民主化了。直到最近，它还需要数据科学家来编写代码。今天，有了这些商业智能系统，我可以点击几个数据点，选择我想要预测的变量——比如客户的购买倾向——这些预测模型将自动生成。”
对 AI 和 ML 的困惑
期限 ”人工智能”听起来比“机器学习”更令人兴奋。结果，人们在他们的广告和描述中用“人工智能”取代了“机器学习”（ML）。机器学习开始作为一种训练方法，然后开始被用作人工智能的原始形式。
人工智能最初被视为一种理想，其目标是创建一台可以像人类一样有效地沟通和解决问题的计算机（或算法的组合）。“人工智能”一词现在被用来描述可以学习和执行复杂任务的算法机器学习程序——但还不能进行像样的对话。这些人工智能平台（包括一系列 ML 算法）可以支持业务分析、数据可视化、数据工具、数据挖掘和最佳实践。了解 AI 和 ML 定义之间的界限正在变得模糊并且可以互换是很有用的。
AI寻求BI
与仕龙进行了一项调查，询问了 168 家大型组织的高管对 AI/ML 的使用情况。接受调查的五家公司中有两家目前在营销和销售工作中使用 AI/ML。
一个人工智能平台可以比人类更快地处理大量数据。下面列出了使用 AI 平台带来的一些好处。
自然语言：最近的进展自然语言处理现在允许有经验的用户和新手询问有关分析输出的问题，然后毫不费力地转向相关信息。例如，研究人员可以说，“找到密歇根州安娜堡的最热记录温度”，然后跟进“华盛顿州西雅图怎么样？” 无需重述原始命令。
可操作的分析： 可操作的分析将数据放在最有用的地方，实时工作。它用插件和软件 API提供有关现有软件解决方案的见解，例如销售队伍. 插件可用于在通话期间查看客户的购买历史以及他们的购买偏好。可操作分析的另一个示例是采购订购平台，该平台在预定时间返回有关商店库存水平和每月补货需求的信息。
可解释的人工智能：机器学习算法可以提供见解，但在显示如何得出结论时存在问题。这种情况导致决策者在实施解决方案时犹豫不决，他们可能不得不在以后向投资者解释，却不了解这些结论是如何得出的。可解释的人工智能旨在通过使 AI 流程更加透明来解决这一困境，允许用户更深入地研究数据并了解如何得出结论。
简化运营流程：智能化IT自动化, 生产力可以显着提高。人工智能驱动的“机器人”（可以自动执行动作的程序）在工厂中变得越来越普遍，计算机视觉和机器学习软件提高了安全性和质量控制。
促进销售：大多数销售团队他们将大部分时间花在重复、乏味的任务上。人工智能接管了寻找潜在客户、对其进行分类、监控订单以及与客户和潜在客户沟通的任务。某些人工智能工具可以在很短的时间内分析数据、处理数字并识别模式。这种支持使人工智能在帮助销售人员方面非常有用。
建立客户忠诚度： 创新组织正在放弃通过价格战和渐进式产品改进来吸引更多客户的更传统方法，转而投资于提供个人风格的人工智能平台，试图创造量身定制的体验。算法正在逐渐学习能够从客户那里获得舒适、友好感觉的短语和语气。例如，Facebook 朋友在其页面上放置的信息是使用 ML 收集和数据挖掘的。根据一个人的性别、位置、年龄和平台上以前的帖子，Facebook 尝试创建可能感兴趣的定制赞助帖子和广告。
时间感和敏捷哲学
流行的敏捷哲学促进快速有效地开发和部署软件的目标，采用折衷的过程，充分利用不同的方法，留下不必要的包袱。敏捷哲学非常强调加快流程并尽快将软件提供给用户。这一理念已扩展到并包含在 DevOP 和数据运维过程。然而，将这种速度驱动的理念应用于商业智能模型的努力是值得怀疑的。
虽然收集数据的过程可以简化为高效的机械步骤，但最大化可以从商业智能中获得的利润需要一定的心理灵活性。（一点想象力也很有帮助。）虽然习惯性反应，例如尽快将产品推向市场，可能非常有效，但它不能替代考虑变量的深思熟虑的计划。遵循一系列步骤的机械反应是有效的，但缺乏长期战略所需的自觉意识。
数据挖掘与数据库知识发现 (KDD) 与知识挖掘
数据挖掘（自 1700 年代以来一直存在，参见贝叶斯定理) 被定义为从大型数据库或数据集中提取有用的、以前未知的信息。但在 1990 年代，数据挖掘变成了一步在称为数据库知识发现（KDD）的过程中。KDD 中的步骤数根据所使用的模型而有所不同，而数据挖掘作为一个步骤是不总是在相同的步骤顺序中。
一个流行的定义KDD是“识别数据中有效、新颖、潜在有用且最终可理解的模式的重要过程。” （听起来很熟悉？）虽然数据挖掘和 KDD 的目标本质上是相同的，但 KDD 是一个更复杂的过程。该过程还包括多学科活动，包括用于海量数据集的缩放算法、数据存储和访问以及结果解释。最终目标是有用的知识，而不是需要解释的信息。KDD 需要相当多的研究人员进行解释/知识。
知识挖掘仍然是一个相当新的、不断发展的过程，目前具有“灵活的限制”。它基本上是 KDD 的扩展，但使用人工智能和机器学习来取代数据科学家和研究人员。人工智能和机器学习用于提供知识和做出决策。
知识挖掘提供了自动分类和管理大量结构化和非结构化内容流的能力。虽然知识挖掘可以帮助从所有类型的数据中发现洞察力，但许多关键信息都以非结构化格式存在，例如图像、视频、音频文件、PDF、纸质文档，甚至手写笔记。该过程过于劳动密集且成本高，无法手动执行。知识挖掘可以在相关信息中找到联系，帮助发现实时异常，并对数据进行索引。
人工智能、商业智能和云
如果一个组织计划购买人工智能软件，它极有可能在公共场合或混合云. 机器学习和人工智能的其他方面需要强大的硬件和大量内存，而云是访问该硬件和可扩展内存的最具成本效益的方式。
很少有组织购买单个 AI 软件，而是更愿意添加一系列机器学习工具，例如自然语言处理、推荐引擎和概念映射。许多组织发现从单一供应商处购买所有工具既方便又具有成本效益。
在使用云计算时，必须具备必要的安全保护措施以及适当的政策和程序，以帮助优化云计算费用——尤其是在购买一些更昂贵的服务时。计划从小处着手并扩大规模。
从一个相当小的 AI 试点项目开始，随着员工经验的增长和他们对工具的熟悉，扩展项目。通常，云提供的工具有利于扩展，但请注意，人工智能项目通常会变得比最初计划的要大，从而导致完成它的成本更高。
| 相关帖子DA内容精选 |
京公网安备 11010802022788号
