QQ在（zài）线
企业（yè）微信
资讯
403传（chuán）统的商业智能已经（jīng）不能满（mǎn）足企业（yè）数据的数量、多样性和速度性的要求（qiú），现在是让新（xīn）的人工智能工具来弥补不（bú）足的时（shí）候了。
人（rén）类每（měi）天都（dōu）在产生（shēng）海量的数（shù）据。不（bú）仅（jǐn）数（shù）据的总量在（zài）增加，数据（jù）的类（lèi）型也在增（zēng）加，而且存储和生成数（shù）据的应用程（chéng）序也（yě）在增加。以往采（cǎi）用的商业智（zhì）能工（gōng）具无法处理大量数（shù）据，并且它们还发现难（nán）以（yǐ）处（chù）理来自新应用程序的数据;为了使（shǐ）原有的商业智（zhì）能工具适合新的（de）应用程序，通常需要进行大量的人工调整。因（yīn）此，使用商业智（zhì）能工具的企业可（kě）能会错过现（xiàn）在（zài）可用的数据驱动的见（jiàn）解。
探索（suǒ）人工智能和商业智能之间的六个主要区（qū）别
传统（tǒng）的商业智能已经不能（néng）满足企业数据的数（shù）量（liàng）、种类（lèi）和速度的要求，现在是让新的人工智能工具（jù）来（lái）弥补不足的时候了。但是，这种新一代工具与以前的工具有（yǒu）何不同?
(1)数据收集与整合
在未来五年，80%的数据（jù）将是非结构化的数据。这些数据无（wú）法在数（shù）据库中（zhōng）分类，因此很难（nán）标记、搜索和编辑。使用传统的商（shāng）业智能工具，非结构化（huà）数据位（wèi）于孤（gū）岛中（zhōng），并且即使有的话也要对其进行缓慢的分析。数据（jù）科学家通常会花费大约80%的（de）时间准备（bèi）这（zhè）些（xiē）数据，然后（hòu）才能对其（qí）进行（háng）分析。
使（shǐ）用（yòng）现代的商业智能工具，准备工作（zuò）将更快（kuài）、更加自动化。无论企业（yè）需要分析（xī）哪种数据，这些新工具都（dōu）可以在（zài）一个无缝的数据湖（hú）中（zhōng）对它们进（jìn）行排序（xù）和分类，从而使孤岛（dǎo）成为过去。这（zhè）些工具是（shì）自助服务（wù），使数据科学家（jiā）可以（yǐ）在数小时或数天之内（nèi）开始（shǐ）接收可操作的（de）情（qíng）报，而无需参（cān）与IT运营。
(2)指标（biāo）覆盖率
传统的关键（jiàn）绩效（xiào）指标(人工设置和研究的关（guān）键绩（jì）效指标（biāo）)仅覆（fù）盖组织中正（zhèng）在使用（yòng）的（de）指标的3%。实际（jì）上（shàng），对于现（xiàn）代（dài）企业而言，只有（yǒu）3%关键绩效指标的规模较小。
如果在（zài）面（miàn）向用户的（de）应用（yòng）程序中出现问（wèn）题，则很有可能会以企（qǐ）业当（dāng）前（qián）未（wèi）涵盖的指标来出（chū）错。只要企（qǐ）业监控（kòng）的（de）关键绩效指标不会下降，就（jiù）无（wú）法检测到错误或中断（duàn），直到客户告知企业这些错误。相比之下，任何组织都不可能人工（gōng）监（jiān）控（kòng）其（qí）所有关键（jiàn）绩（jì）效指（zhǐ）标，因此采用人（rén）工（gōng）智能可以解（jiě）决这（zhè）个问题。无论企业生成多（duō）少个指标，其数量级无关紧要。他们能够一次提取数（shù）百万（wàn）个指标，并且在出现问题（tí）时仍（réng）可（kě）以（yǐ）提供即时反馈。
(3)阈值（zhí）和基准
传统的人工（gōng）警（jǐng）报实践要求数据科学家（jiā）为关键绩（jì）效指标设置阈值。当关键绩效指标低于（yú）某个阈（yù）值或高于某（mǒu）一个阈值时，它会触发警（jǐng）报。不（bú）幸（xìng）的是，即使（shǐ）在正（zhèng）常（cháng）行为（wéi）期间，指（zhǐ）标也往往会出现不可预测的涨（zhǎng）跌。即使企业将基线（xiàn）设置为高于和低于这（zhè）些阈值，这也降低了在设置的阈值内（nèi）仍可能发生（shēng）异常（cháng）行（háng）为的可能性。
这（zhè）种（zhǒng）做法也忽略了季节（jiē）性，季节性是在每天、每周或每月的周（zhōu）期中某（mǒu）些指（zhǐ）标（biāo）的正常变化。在传统（tǒng）的商业智能程序中，所（suǒ）有的季节性（xìng）看起来都是异常的，会导致大量（liàng）的误报和漏报。
现代分（fèn）析平（píng）台采（cǎi）用完全自主的方（fāng）法进行基准（zhǔn）划分。他（tā）们依靠机器（qì）学习算法来学习指标的正常行为（wéi）并确定其基准，从而无需进（jìn）行人工阈值处理。
(4)检测和警（jǐng）报
建立（lì）具有人工（gōng）警报的传（chuán）统商（shāng）业智能系统自然是（shì）一个结（jié）果，那就是警报太（tài）多。警报疲劳是一个现实问（wèn）题。在某些应用（yòng）中，信息（xī）安全（quán）人员每（měi）天（tiān）可能会遇到100多万次警报。这使得分析师很难区分紧急情况和（hé）数据中（zhōng）的噪音（yīn）。
在人工智能（néng）驱动（dòng）的报告中没（méi）有人工阈值。唯（wéi）一的警（jǐng）报是“真实的”警报——在度量标准中是（shì）真正（zhèng）异常行为。即使只靠（kào）这种（zhǒng）行为，这（zhè）种（zhǒng）行为（wéi）也大大减少了误报（bào）。然而，人工智能的发展远不止于此。现代的商业智能工具使企业能够只（zhī）对最严（yán）重的偏差发（fā）出警报，从而使企业的响应团队只关（guān）注最重要的（de）事（shì）情（qíng）。
(5)根本原因分（fèn）析
异常不会自（zì）行发生（shēng）。使用传（chuán）统的（de）仪表（biǎo）板（bǎn），企业可能看（kàn）到（dào）在监视的3%指标中出（chū）现的一个异（yì）常。不幸的是，企业将无法看到（dào）其他地（dì）方出现（xiàn）的异（yì）常。反过来，这意味（wèi）着企业（yè）需（xū）要更长的时（shí）间（jiān）来了解异常发（fā）生的位置以及如何解决。
相比之下（xià），自主分析会报告每个警报的（de）完整场景。如果在相（xiàng）关指标（biāo）中同时发生两个异常，则企业的警报将反映（yìng）出来。如果这些异常恰好与补丁（dīng）程（chéng）序、设备故障或黑色星期五同（tóng）时发生，则企业的报告（gào）也将反映出来。这使（shǐ）得检测和应对异常更加（jiā）容易。
(6)预测
预测与异常检测不同，但是对于传统的商业智能来说，同样（yàng）存在困难。准备用于预测（cè）的数据（jù）需要花费很长（zhǎng）时（shí）间，而不（bú）幸的是，当企业（yè）需要提前而不（bú）是推迟（chí）预测（cè）时（shí）。由于（yú）传统分析工具受其可以接受的分（fèn）析（xī）数（shù）量的（de）限制，因此（cǐ）企业的预测将（jiāng）无法考虑所有可能影响业务的指标。简而言之，企业会得（dé）到一个不太准确的预测，需要更长的准备时间。
借助（zhù）自（zì）主分析，企业可以（yǐ）在需要（yào）时获得所需的预测。自主分析不仅可以在几秒钟内提供预测（cè），而（ér）且每（měi）次进行预测时都（dōu）会变得更加准确。该模（mó）型将自动将其预测与随（suí）后发生的事件进行比（bǐ）较，然（rán）后根据判断（duàn）的（de）对与（yǔ）错来（lái）完善其结论（lùn）——它运行的时间（jiān）越（yuè）长，变得（dé）越精确。
企业（yè）需要什么样的（de）人工智（zhì）能?
自主分析程序消除了数据和分析之（zhī）间（jiān）的矛盾。在采用传统的解决方（fāng）案的（de）情况（kuàng）下，数据无法到达应有的（de）位置（zhì），在处（chù）理之前需要对（duì）其进行处理对于工作人员或有限的工（gōng）具来说，它已经（jīng）变（biàn）得太庞大，无法处理，而且它的度量标准也出人意料地发生（shēng）了变化。简而言之，数据太大，变化太快，传统工（gōng）具（jù）无法（fǎ）处（chù）理。
商业智（zhì）能领（lǐng）域的领（lǐng）先解决方案（àn）正在将人工智能功能添加到（dào）其现有产（chǎn）品中，但并非每个（gè）解决方案都是（shì）一样的（de）。现有企业正在零散（sàn）添加（jiā）解（jiě）决方案，而这还没有（yǒu）完整的人工智能项目（mù）。其（qí）他供应（yīng）商提（tí）供异常检测功（gōng）能，但（dàn）仅针对基础设（shè）施数据提供功能（néng），这无（wú）法提供企业所需的（de）完整（zhěng）信息。
只有完全自主的异常检测和预测解（jiě）决方案才能为企业提供（gòng）处（chù）理大量数据所需的规（guī）模和速（sù）度。无论是经验（yàn）丰富的数（shù）据分析师还（hái）是经验不足的（de）业务用户，这些工具都将（jiāng）帮（bāng）助企业（yè）在不断变（biàn）化（huà）的竞争（zhēng）环境中获得（dé）所需的（de）切（qiē）实可（kě）行（háng）的见（jiàn）解。
来（lái）源：企业（yè）网D1Net
