企業(yè)在何處可真正應(yīng)用人工智能？

Galen Gruman

IT部門要想成功，人工智能（AI）是必不可少的。如此一來，你可能會想，這不過是在持續(xù)炒作這種技術(shù)的重要性而已。

肯定的一面，人工智能能夠帶來業(yè)務(wù)價(jià)值。否定的一面，它不會神奇地解決企業(yè)的所有問題。

盡管如此，理性地對待人工智能，它仍然可以推進(jìn)你的企業(yè)系統(tǒng)，從而改善業(yè)務(wù)運(yùn)營。為了了解企業(yè)IT目前可以在哪些方面有效地利用人工智能，CIO.com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，他們的一些人工智能秘密武器將徹底改變你的業(yè)務(wù)。千萬別信他的。Carlsson說：“如果看起來應(yīng)用場景跟電影里差不多，那就要打個(gè)問號。”

IDC的North Rizza指出，大部分供應(yīng)商提供的是基于規(guī)則的系統(tǒng)。他們軟件中復(fù)雜的算法或者邏輯處理很多常見的應(yīng)用情形，通常比人類做得更快、更準(zhǔn)確。不過，這是自動化，不是人工智能。

自動化不錯(cuò)，但基于機(jī)器智能的自動化可能是假的或者是有問題的。在真正的人工智能中，系統(tǒng)自行決定要做什么，而在大多數(shù)業(yè)務(wù)情形中，這不太可能發(fā)生。想象一下，如果你的財(cái)務(wù)、招聘、產(chǎn)品規(guī)劃、網(wǎng)絡(luò)管理等都是由一個(gè)獨(dú)立智能體來處理的，而你并不真正了解它，也無法真正控制它，那會發(fā)生什么？

重點(diǎn)放在應(yīng)用分析和異常檢測的人工智能實(shí)現(xiàn)上

真實(shí)的情況是利用人工智能技術(shù)來發(fā)現(xiàn)人類決策的異常模式。已知的模式可以通過自動化來處理，但是要發(fā)現(xiàn)未知的模式，機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)和人工通用智能等才是需要的技術(shù)。

以異常檢測形式出現(xiàn)的分析驅(qū)動的人工智能，往往能比人類更快地發(fā)現(xiàn)未知模式。它甚至可以根據(jù)已有的相似模式提出行動方案。但決定采取什么行動是由人類智能做出判斷，由其他人進(jìn)行檢查，并發(fā)揮超越了分析的專業(yè)知識的優(yōu)勢。

自動化，或者至少是軟件，可以使用規(guī)則庫和其他編碼邏輯來執(zhí)行決策。機(jī)器人過程自動化（RPA）等技術(shù)是當(dāng)今自動化技術(shù)進(jìn)步發(fā)展的很好的例子。它們不是人工智能——他們不會自己“思考”，而是通過越來越復(fù)雜的算法來處理越來越復(fù)雜的工作流。軟件看起來可能很智能，但這是人類開發(fā)人員培養(yǎng)出來的智能，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(shí)現(xiàn)的大部分人工智能。這種集成通常由軟件供應(yīng)商參考眾所周知的應(yīng)用情形和業(yè)務(wù)流程來完成。

Forrester的Carlsson說，對于本地系統(tǒng)，將人工智能引入分析并不是那么容易。他說，“數(shù)據(jù)科學(xué)是將智能與分析相結(jié)合的領(lǐng)域，但人們往往沒有意識到，數(shù)據(jù)科學(xué)家沒有受過決策和業(yè)務(wù)分析方面的培訓(xùn)，所以，你能根據(jù)需求做出很好的預(yù)測，但不知道該干什么?！?/p>

Carlsson補(bǔ)充說：“理想情況下，人工智能建立一個(gè)更好的預(yù)測模型，以便更好地輸入到經(jīng)典的優(yōu)化引擎中。它們是相輔相成的。但這個(gè)過程很痛苦，因?yàn)閮?yōu)化人員不知道如何與數(shù)據(jù)科學(xué)家交流，反之亦然?！?dāng)?shù)據(jù)科學(xué)家是一個(gè)非常有問題的術(shù)語，它可以有各種解釋，但沒有多少IT部門能理解這一點(diǎn)?！?/p>

但希望還是有的，Carlsson指出：工程師們通過AutoML開始使用機(jī)器學(xué)習(xí)，利用這種框架，不必從零開始構(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)的業(yè)務(wù)用戶來說已經(jīng)足夠簡單，輕松使用數(shù)據(jù)科學(xué)家通常也無法掌握的專業(yè)知識。精通六西格瑪和精益等方法的跨職能流程改進(jìn)部門特別適合將人工智能引入分析。Carlsson說：“他們有處理變革管理問題的DNA。毫無疑問，獲取數(shù)據(jù)并理解數(shù)據(jù)始終是挑戰(zhàn)?！?/p>

這些更具探索性的人工智能形式——Carlsson稱之為“增強(qiáng)智能”，在各種企業(yè)系統(tǒng)中都有合法、有用的應(yīng)用情形：營銷、物流、文檔處理、IT系統(tǒng)本身，以及面向用戶系統(tǒng)的用戶接口，等等。

人工智能應(yīng)用于業(yè)務(wù)系統(tǒng)

人工智能的應(yīng)用分析形式普遍存在于處理大量數(shù)據(jù)、變化或者不確定環(huán)境以及需要快速適應(yīng)流程的企業(yè)系統(tǒng)中。

典型的應(yīng)用情形包括物流，例如，包裹交付、車輛路徑、即時(shí)庫存管理，以及信用評分和產(chǎn)品推薦等情境估計(jì)。較新的領(lǐng)域包括聲譽(yù)管理、簡歷評分和跨多個(gè)領(lǐng)域的風(fēng)險(xiǎn)管理。

人工智能一個(gè)未被提及的應(yīng)用是自動文檔處理。Forrester的Carlsson說：“很多過程都依賴于它們?！彼f，盡管合同、政策、醫(yī)療報(bào)告等看起來是高度公式化的，因此很容易解析，但仍然很難從這些文件中提取信息。例如，標(biāo)題樣式和表邊框等看似微小的變化可能會使基于規(guī)則的文檔提取器不知所措。

更困難的是提取表格中沒有明確定義的含義。例如，財(cái)務(wù)顧問，其客戶對市場新領(lǐng)域感興趣。顧問們需要研究投資概況、資源和營銷模式，而不是采用經(jīng)典的方法提出與客戶選擇差不多的投資模式。Carlsson介紹的另一個(gè)例子是：分析醫(yī)學(xué)病理報(bào)告以發(fā)現(xiàn)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(xiǎn)，這些細(xì)節(jié)通常是病人開始時(shí)偶然主訴的”，他還補(bǔ)充說，他知道有一家醫(yī)院使用人工智能文檔處理功能來查找此類例子，并將數(shù)據(jù)輸入到美國國家癌癥數(shù)據(jù)庫中。

人工智能應(yīng)用于IT系統(tǒng)：AIOps

AIOps（AI運(yùn)營）領(lǐng)域在幫助IT工作方面大有作為，可以識別和診斷網(wǎng)絡(luò)、業(yè)務(wù)流程流等方面的問題，從而使自動化技術(shù)能夠建議甚至執(zhí)行可能的補(bǔ)救措施。類似的方法可以幫助安全工作，例如，入侵檢測和內(nèi)部數(shù)據(jù)盜竊。

Gartner的Rich指出：“AIOps遠(yuǎn)不如其他企業(yè)人工智能領(lǐng)域成熟。”它通常涉及機(jī)器學(xué)習(xí)，包括有監(jiān)督和無監(jiān)督的，有時(shí)還涉及深度學(xué)習(xí)和圖形分析，以便“將數(shù)學(xué)應(yīng)用于問題”。這意味著尋找模式和異常（通常是在日志中），向IT表明有問題，需要直接或者通過自動化來解決問題。

Rich說，“AIOps面臨的挑戰(zhàn)是噪聲太大，導(dǎo)致誤報(bào)?！爆F(xiàn)在幾乎所有的東西都數(shù)字化了，困難變得更嚴(yán)重了。事件相關(guān)分析這種基礎(chǔ)技術(shù)已經(jīng)存在了幾十年。但Rich說：“它們是基于規(guī)則的，因此工作量很大，而且總是需要更新。數(shù)據(jù)質(zhì)量可能很混亂，因此任何實(shí)現(xiàn)通常都是定制的。但只要有錢就能做到。”市場希望有一套解決方案來完成這項(xiàng)工作，避免對數(shù)據(jù)科學(xué)家的需求，但這在目前是不可能的。

另一個(gè)挑戰(zhàn)是根據(jù)基于時(shí)間的模式對表面異常進(jìn)行時(shí)間序列分析。Rich說：“這些算法自20世紀(jì)50年代就已經(jīng)存在了，但直到最近我們才有計(jì)算能力來實(shí)現(xiàn)它們?！?/p>

人工智能需要解決的另一長期難以解決的領(lǐng)域是根源分析，它涉及大量的相關(guān)性和時(shí)間序列分析。Rich補(bǔ)充道：“人們總是說有希望能解決，而我們開始看到圖形分析方面有了進(jìn)展?！?/p>

更深遠(yuǎn)的是像NoOps等自愈系統(tǒng)這樣的概念。Rich說：“總有一天我們會解決它?，F(xiàn)在可以做的是根據(jù)條件邏輯啟動操作來運(yùn)行腳本。在過去的6～8個(gè)月里，供應(yīng)商已經(jīng)發(fā)售了常見問題的知識庫，并提供工具包來添加新問題?！?/p>

但是Rich提醒人們，不要期望AIOps有一天能夠自己處理IT操作。“因?yàn)椴豢赡苁占剿械男畔?。即使這樣做了，但如果這是一個(gè)沒有解決方案的新問題呢？然后就是改變帶來的風(fēng)險(xiǎn)：會有別的東西被打破嗎？風(fēng)險(xiǎn)分析盡管必要，但實(shí)際上并不管什么用?！?/p>

同時(shí)，AIOps可以幫助IT員工增強(qiáng)發(fā)現(xiàn)問題的能力，以便他們能夠更快地解決或者預(yù)防問題。

人工智能應(yīng)用于用戶界面

多年來，我們看到關(guān)于自然語言處理（NLP）的承諾，說是能夠避免對人工支持人員的需求。聊天機(jī)器人便是這類承諾的一個(gè)例子，也是冒險(xiǎn)相信它們的一個(gè)例子——這些“智能”交互會不會讓客戶感到沮喪，認(rèn)為是一種負(fù)擔(dān)？他們遵循的確定性規(guī)則通常不能解決客戶的問題，但有時(shí)可以。Carlsson指出，無論如何，不管是文本還是口語，NLP在理解人類對話方面都有了長足的進(jìn)步。

在語音識別和理解非結(jié)構(gòu)化文本方面，NLP在過去的20年里取得了巨大的進(jìn)展，在不需要鍵盤的情況下促進(jìn)了交互，并幫助縮小了查詢的含義，然后再將其應(yīng)用于人工或者自動化系統(tǒng)，進(jìn)行執(zhí)行。從某種意義上說，它是一種分析的形式，圍繞著含義和表達(dá)方式，例如，分析語音以進(jìn)行有目的的交流。

機(jī)器視覺在過去幾十年里也取得了重大進(jìn)展。無人駕駛汽車的前景比現(xiàn)實(shí)更為光明，防碰撞技術(shù)表明，感知環(huán)境條件，并根據(jù)規(guī)則進(jìn)行自動調(diào)整（踩剎車?。┻@種能力是真實(shí)的。與NLP一樣，機(jī)器視覺也屬于人工智能，而不是基于規(guī)則的自動調(diào)整或者響應(yīng)。

隨著底層模式分析技術(shù)的進(jìn)步，機(jī)器視覺和其他感知技術(shù)越來越多地被用于倉儲，以識別包裝物，用于檢測腫瘤的藥物，以及用于零售業(yè)以理解購物者的行為。

關(guān)鍵是，在這些情況下，人工智能能夠正確分析來自人和環(huán)境的真實(shí)輸入，從而使人們不必去理解用戶界面的特定語法和限制，使更多的人能夠更自然地與技術(shù)系統(tǒng)進(jìn)行交互。

Galen Gruman是IDG企業(yè)網(wǎng)站全球內(nèi)容執(zhí)行編輯。

原文網(wǎng)址

https：//www.cio.com/article/3562468/where-enterprise-it-can-really-apply-ai.html