论文部分内容阅读
IT部门要想成功，人工智能（AI）是必不可少的。如此一来，你可能会想，这不过是在持续炒作这种技术的重要性而已。
肯定的一面，人工智能能够带来业务价值。否定的一面，它不会神奇地解决企业的所有问题。
尽管如此，理性地对待人工智能，它仍然可以推进你的企业系统，从而改善业务运营。为了了解企业IT目前可以在哪些方面有效地利用人工智能，CIO.com采访了Forrester Research的人工智能分析师Kjell Carlsson、Gartner的Charley Rich和IDC的Mickey North Rizza。
供应商经常声称，只要你部署他们的产品，他们的一些人工智能秘密武器将彻底改变你的业务。千万别信他的。Carlsson说：“如果看起来应用场景跟电影里差不多，那就要打个问号。”
IDC的North Rizza指出，大部分供應商提供的是基于规则的系统。他们软件中复杂的算法或者逻辑处理很多常见的应用情形，通常比人类做得更快、更准确。不过，这是自动化，不是人工智能。
自动化不错，但基于机器智能的自动化可能是假的或者是有问题的。在真正的人工智能中，系统自行决定要做什么，而在大多数业务情形中，这不太可能发生。想象一下，如果你的财务、招聘、产品规划、网络管理等都是由一个独立智能体来处理的，而你并不真正了解它，也无法真正控制它，那会发生什么？
真实的情况是利用人工智能技术来发现人类决策的异常模式。已知的模式可以通过自动化来处理，但是要发现未知的模式，机器学习以及深度学习和人工通用智能等才是需要的技术。
以异常检测形式出现的分析驱动的人工智能，往往能比人类更快地发现未知模式。它甚至可以根据已有的相似模式提出行动方案。但决定采取什么行动是由人类智能做出判断，由其他人进行检查，并发挥超越了分析的专业知识的优势。
自动化，或者至少是软件，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技术进步发展的很好的例子。它们不是人工智能——他们不会自己“思考”，而是通过越来越复杂的算法来处理越来越复杂的工作流。软件看起来可能很智能，但这是人类开发人员培养出来的智能，而不是系统固有的人工智能。
因此，分析，特别是异常检测，占据了当今企业系统中实现的大部分人工智能。这种集成通常由软件供应商参考众所周知的应用情形和业务流程来完成。
Forrester的Carlsson说，对于本地系统，将人工智能引入分析并不是那么容易。他说，“数据科学是将智能与分析相结合的领域，但人们往往没有意识到，数据科学家没有受过决策和业务分析方面的培训，所以，你能根据需求做出很好的预测，但不知道该干什么。”
Carlsson补充说：“理想情况下，人工智能建立一个更好的预测模型，以便更好地输入到经典的优化引擎中。它们是相辅相成的。但这个过程很痛苦，因为优化人员不知道如何与数据科学家交流，反之亦然。‘数据科学家’是一个非常有问题的术语，它可以有各种解释，但没有多少IT部门能理解这一点。”
但希望还是有的，Carlsson指出：工程师们通过AutoML开始使用机器学习，利用这种框架，不必从零开始构建机器学习模型。而且这些工具对于精通数据的业务用户来说已经足够简单，轻松使用数据科学家通常也无法掌握的专业知识。精通六西格玛和精益等方法的跨职能流程改进部门特别适合将人工智能引入分析。Carlsson说：“他们有处理变革管理问题的DNA。毫无疑问，获取数据并理解数据始终是挑战。”
这些更具探索性的人工智能形式——Carlsson称之为“增强智能”，在各种企业系统中都有合法、有用的应用情形：营销、物流、文档处理、IT系统本身，以及面向用户系统的用户接口，等等。
人工智能的应用分析形式普遍存在于处理大量数据、变化或者不确定环境以及需要快速适应流程的企业系统中。
典型的应用情形包括物流，例如，包裹交付、车辆路径、即时库存管理，以及信用评分和产品推荐等情境估计。较新的领域包括声誉管理、简历评分和跨多个领域的风险管理。
人工智能一个未被提及的应用是自动文档处理。Forrester的Carlsson说：“很多过程都依赖于它们。”他说，尽管合同、政策、医疗报告等看起来是高度公式化的，因此很容易解析，但仍然很难从这些文件中提取信息。例如，标题样式和表边框等看似微小的变化可能会使基于规则的文档提取器不知所措。
更困难的是提取表格中没有明确定义的含义。例如，财务顾问，其客户对市场新领域感兴趣。顾问们需要研究投资概况、资源和营销模式，而不是采用经典的方法提出与客户选择差不多的投资模式。Carlsson介绍的另一个例子是：分析医学病理报告以发现偶然信息，比如“根据隐藏的细节来判断是否有致癌的风险，这些细节通常是病人开始时偶然主诉的”，他还补充说，他知道有一家医院使用人工智能文档处理功能来查找此类例子，并将数据输入到美国国家癌症数据库中。
AIOps（AI运营）领域在帮助IT工作方面大有作为，可以识别和诊断网络、业务流程流等方面的问题，从而使自动化技术能够建议甚至执行可能的补救措施。类似的方法可以帮助安全工作，例如，入侵检测和内部数据盗窃。 Gartner的Rich指出：“AIOps远不如其他企业人工智能领域成熟。”它通常涉及机器学习，包括有监督和无监督的，有时还涉及深度学习和图形分析，以便“将数学应用于问题”。这意味着寻找模式和异常（通常是在日志中），向IT表明有问题，需要直接或者通过自动化来解决问题。
Rich说，“AIOps面临的挑战是噪声太大，导致误报。”现在几乎所有的东西都数字化了，困难变得更严重了。事件相关分析这种基础技术已经存在了几十年。但Rich说：“它们是基于规则的，因此工作量很大，而且总是需要更新。数据质量可能很混乱，因此任何实现通常都是定制的。但只要有钱就能做到。”市场希望有一套解决方案来完成这项工作，避免对数据科学家的需求，但这在目前是不可能的。
另一个挑战是根据基于时间的模式对表面异常进行时间序列分析。Rich说：“这些算法自20世纪50年代就已经存在了，但直到最近我们才有计算能力来实现它们。”
人工智能需要解决的另一长期难以解决的领域是根源分析，它涉及大量的相关性和时间序列分析。Rich补充道：“人们总是说有希望能解决，而我们开始看到图形分析方面有了进展。”
更深远的是像NoOps等自愈系统这样的概念。Rich说：“总有一天我们会解决它。现在可以做的是根据条件逻辑启动操作来运行脚本。在过去的6～8个月里，供应商已经发售了常见问题的知识库，并提供工具包来添加新问题。”
但是Rich提醒人们，不要期望AIOps有一天能够自己处理IT操作。“因为不可能收集到所有的信息。即使这样做了，但如果这是一个没有解决方案的新问题呢？然后就是改变带来的风险：会有别的东西被打破吗？风险分析尽管必要，但实际上并不管什么用。”
同时，AIOps可以帮助IT员工增强发现问题的能力，以便他们能够更快地解决或者预防问题。
多年来，我们看到关于自然语言处理（NLP）的承诺，说是能够避免对人工支持人员的需求。聊天机器人便是这类承诺的一个例子，也是冒险相信它们的一个例子——这些“智能”交互會不会让客户感到沮丧，认为是一种负担？他们遵循的确定性规则通常不能解决客户的问题，但有时可以。Carlsson指出，无论如何，不管是文本还是口语，NLP在理解人类对话方面都有了长足的进步。
在语音识别和理解非结构化文本方面，NLP在过去的20年里取得了巨大的进展，在不需要键盘的情况下促进了交互，并帮助缩小了查询的含义，然后再将其应用于人工或者自动化系统，进行执行。从某种意义上说，它是一种分析的形式，围绕着含义和表达方式，例如，分析语音以进行有目的的交流。
机器视觉在过去几十年里也取得了重大进展。无人驾驶汽车的前景比现实更为光明，防碰撞技术表明，感知环境条件，并根据规则进行自动调整（踩刹车！）这种能力是真实的。与NLP一样，机器视觉也属于人工智能，而不是基于规则的自动调整或者响应。
随着底层模式分析技术的进步，机器视觉和其他感知技术越来越多地被用于仓储，以识别包装物，用于检测肿瘤的药物，以及用于零售业以理解购物者的行为。
关键是，在这些情况下，人工智能能够正确分析来自人和环境的真实输入，从而使人们不必去理解用户界面的特定语法和限制，使更多的人能够更自然地与技术系统进行交互。
Galen Gruman是IDG企业网站全球内容执行编辑。
原文网址
https：//www.cio.com/article/3562468/where-enterprise-it-can-really-apply-ai.html
肯定的一面，人工智能能够带来业务价值。否定的一面，它不会神奇地解决企业的所有问题。
尽管如此，理性地对待人工智能，它仍然可以推进你的企业系统，从而改善业务运营。为了了解企业IT目前可以在哪些方面有效地利用人工智能，CIO.com采访了Forrester Research的人工智能分析师Kjell Carlsson、Gartner的Charley Rich和IDC的Mickey North Rizza。
不要把自动化和人工智能混为一谈
供应商经常声称，只要你部署他们的产品，他们的一些人工智能秘密武器将彻底改变你的业务。千万别信他的。Carlsson说：“如果看起来应用场景跟电影里差不多，那就要打个问号。”
IDC的North Rizza指出，大部分供應商提供的是基于规则的系统。他们软件中复杂的算法或者逻辑处理很多常见的应用情形，通常比人类做得更快、更准确。不过，这是自动化，不是人工智能。
自动化不错，但基于机器智能的自动化可能是假的或者是有问题的。在真正的人工智能中，系统自行决定要做什么，而在大多数业务情形中，这不太可能发生。想象一下，如果你的财务、招聘、产品规划、网络管理等都是由一个独立智能体来处理的，而你并不真正了解它，也无法真正控制它，那会发生什么？
重点放在应用分析和异常检测的人工智能实现上
真实的情况是利用人工智能技术来发现人类决策的异常模式。已知的模式可以通过自动化来处理，但是要发现未知的模式，机器学习以及深度学习和人工通用智能等才是需要的技术。
以异常检测形式出现的分析驱动的人工智能，往往能比人类更快地发现未知模式。它甚至可以根据已有的相似模式提出行动方案。但决定采取什么行动是由人类智能做出判断，由其他人进行检查，并发挥超越了分析的专业知识的优势。
自动化，或者至少是软件，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技术进步发展的很好的例子。它们不是人工智能——他们不会自己“思考”，而是通过越来越复杂的算法来处理越来越复杂的工作流。软件看起来可能很智能，但这是人类开发人员培养出来的智能，而不是系统固有的人工智能。
因此，分析，特别是异常检测，占据了当今企业系统中实现的大部分人工智能。这种集成通常由软件供应商参考众所周知的应用情形和业务流程来完成。
Forrester的Carlsson说，对于本地系统，将人工智能引入分析并不是那么容易。他说，“数据科学是将智能与分析相结合的领域，但人们往往没有意识到，数据科学家没有受过决策和业务分析方面的培训，所以，你能根据需求做出很好的预测，但不知道该干什么。”
Carlsson补充说：“理想情况下，人工智能建立一个更好的预测模型，以便更好地输入到经典的优化引擎中。它们是相辅相成的。但这个过程很痛苦，因为优化人员不知道如何与数据科学家交流，反之亦然。‘数据科学家’是一个非常有问题的术语，它可以有各种解释，但没有多少IT部门能理解这一点。”
但希望还是有的，Carlsson指出：工程师们通过AutoML开始使用机器学习，利用这种框架，不必从零开始构建机器学习模型。而且这些工具对于精通数据的业务用户来说已经足够简单，轻松使用数据科学家通常也无法掌握的专业知识。精通六西格玛和精益等方法的跨职能流程改进部门特别适合将人工智能引入分析。Carlsson说：“他们有处理变革管理问题的DNA。毫无疑问，获取数据并理解数据始终是挑战。”
这些更具探索性的人工智能形式——Carlsson称之为“增强智能”，在各种企业系统中都有合法、有用的应用情形：营销、物流、文档处理、IT系统本身，以及面向用户系统的用户接口，等等。
人工智能应用于业务系统
人工智能的应用分析形式普遍存在于处理大量数据、变化或者不确定环境以及需要快速适应流程的企业系统中。
典型的应用情形包括物流，例如，包裹交付、车辆路径、即时库存管理，以及信用评分和产品推荐等情境估计。较新的领域包括声誉管理、简历评分和跨多个领域的风险管理。
人工智能一个未被提及的应用是自动文档处理。Forrester的Carlsson说：“很多过程都依赖于它们。”他说，尽管合同、政策、医疗报告等看起来是高度公式化的，因此很容易解析，但仍然很难从这些文件中提取信息。例如，标题样式和表边框等看似微小的变化可能会使基于规则的文档提取器不知所措。
更困难的是提取表格中没有明确定义的含义。例如，财务顾问，其客户对市场新领域感兴趣。顾问们需要研究投资概况、资源和营销模式，而不是采用经典的方法提出与客户选择差不多的投资模式。Carlsson介绍的另一个例子是：分析医学病理报告以发现偶然信息，比如“根据隐藏的细节来判断是否有致癌的风险，这些细节通常是病人开始时偶然主诉的”，他还补充说，他知道有一家医院使用人工智能文档处理功能来查找此类例子，并将数据输入到美国国家癌症数据库中。
人工智能应用于IT系统：AIOps
AIOps（AI运营）领域在帮助IT工作方面大有作为，可以识别和诊断网络、业务流程流等方面的问题，从而使自动化技术能够建议甚至执行可能的补救措施。类似的方法可以帮助安全工作，例如，入侵检测和内部数据盗窃。 Gartner的Rich指出：“AIOps远不如其他企业人工智能领域成熟。”它通常涉及机器学习，包括有监督和无监督的，有时还涉及深度学习和图形分析，以便“将数学应用于问题”。这意味着寻找模式和异常（通常是在日志中），向IT表明有问题，需要直接或者通过自动化来解决问题。
Rich说，“AIOps面临的挑战是噪声太大，导致误报。”现在几乎所有的东西都数字化了，困难变得更严重了。事件相关分析这种基础技术已经存在了几十年。但Rich说：“它们是基于规则的，因此工作量很大，而且总是需要更新。数据质量可能很混乱，因此任何实现通常都是定制的。但只要有钱就能做到。”市场希望有一套解决方案来完成这项工作，避免对数据科学家的需求，但这在目前是不可能的。
另一个挑战是根据基于时间的模式对表面异常进行时间序列分析。Rich说：“这些算法自20世纪50年代就已经存在了，但直到最近我们才有计算能力来实现它们。”
人工智能需要解决的另一长期难以解决的领域是根源分析，它涉及大量的相关性和时间序列分析。Rich补充道：“人们总是说有希望能解决，而我们开始看到图形分析方面有了进展。”
更深远的是像NoOps等自愈系统这样的概念。Rich说：“总有一天我们会解决它。现在可以做的是根据条件逻辑启动操作来运行脚本。在过去的6～8个月里，供应商已经发售了常见问题的知识库，并提供工具包来添加新问题。”
但是Rich提醒人们，不要期望AIOps有一天能够自己处理IT操作。“因为不可能收集到所有的信息。即使这样做了，但如果这是一个没有解决方案的新问题呢？然后就是改变带来的风险：会有别的东西被打破吗？风险分析尽管必要，但实际上并不管什么用。”
同时，AIOps可以帮助IT员工增强发现问题的能力，以便他们能够更快地解决或者预防问题。
人工智能应用于用户界面
多年来，我们看到关于自然语言处理（NLP）的承诺，说是能够避免对人工支持人员的需求。聊天机器人便是这类承诺的一个例子，也是冒险相信它们的一个例子——这些“智能”交互會不会让客户感到沮丧，认为是一种负担？他们遵循的确定性规则通常不能解决客户的问题，但有时可以。Carlsson指出，无论如何，不管是文本还是口语，NLP在理解人类对话方面都有了长足的进步。
在语音识别和理解非结构化文本方面，NLP在过去的20年里取得了巨大的进展，在不需要键盘的情况下促进了交互，并帮助缩小了查询的含义，然后再将其应用于人工或者自动化系统，进行执行。从某种意义上说，它是一种分析的形式，围绕着含义和表达方式，例如，分析语音以进行有目的的交流。
机器视觉在过去几十年里也取得了重大进展。无人驾驶汽车的前景比现实更为光明，防碰撞技术表明，感知环境条件，并根据规则进行自动调整（踩刹车！）这种能力是真实的。与NLP一样，机器视觉也属于人工智能，而不是基于规则的自动调整或者响应。
随着底层模式分析技术的进步，机器视觉和其他感知技术越来越多地被用于仓储，以识别包装物，用于检测肿瘤的药物，以及用于零售业以理解购物者的行为。
关键是，在这些情况下，人工智能能够正确分析来自人和环境的真实输入，从而使人们不必去理解用户界面的特定语法和限制，使更多的人能够更自然地与技术系统进行交互。
Galen Gruman是IDG企业网站全球内容执行编辑。
原文网址
https：//www.cio.com/article/3562468/where-enterprise-it-can-really-apply-ai.html