企業IT可以真正應用AI的地方

人工智慧在各種企業系統中都有其實際的應用，特別是在分析和異常檢測用例方面。

人工智慧(AI)是每一個IT組織獲得成功的必備條件。或者說，考慮到這種技術的重要性，你會作出這樣的判斷。

是的，人工智慧可以提供商業價值。但是，它不會神奇地解決組織的所有問題。

儘管如此，依然需要理性地對待人工智慧，它仍然可以提升你的企業系統，進而提升你的商業運作。為了瞭解企業在哪些方面可以有意義地利用如今的人工智慧，記者網站採訪了Forrester Research的人工智慧分析師Kjell Carlsson、Gartner的Charley Rich和IDC的Mickey North Rizza。

不要把自動化和人工智慧混為一談

供應商經常聲稱，只要你部署他們的產品，他們產品中的一些人工智慧秘方將徹底改變你的業務。別相信。“如果它看起來像你在電影中看到的任何東西，就要心存懷疑。”Carlsson說。

IDC的North Rizza說，大多數供應商提供的都是基於規則的系統。他們的軟體中複雜的演算法或邏輯處理著許多常見的用例--它們比人們通常能做的會更快更準確。然而，這是自動化，而不是人工智慧。

自動化是好的，但是基於機器智慧的自動化很可能是假的或是有問題的。在真正的人工智慧中，系統會自己決定要做什麼，而這在大多數商業案例中是不太可能發生的。想象一下，如果你的財務、招聘、產品規劃、網路管理等都是由一個獨立的情報機構來處理的，而你並不真正瞭解，也無法真正的控制它。

專注於應用分析和異常檢測的AI實現

真正真實可用的是將人工智慧技術用於識別人類決策的異常模式。已知的模式可以透過自動化來處理，但要發現未知的模式，機器學習和深度學習、人工通用智慧等形式則可能會是需要轉向的技術。

以異常檢測形式出現的分析驅動的人工智慧通常能夠比人類更快地識別出未知模式。它甚至可以根據相似的模式來提出行動方案。但是，決定採取什麼行動的決定權是落在人類智慧上，而人類智慧可以被其他人檢查，並利用超越分析的專業知識。

自動化(至少是軟體)可以使用規則庫和其他編碼邏輯來執行決策。像機器人流程自動化(RPA)這樣的技術是當今自動化技術進步的很好的例子。它們不是人工智慧--它們不會自己“思考”，但是它們可以透過它們日益複雜的演算法來處理日益複雜的工作流。軟體可能看起來很智慧，但這是人類開發人員的智慧，而不是系統固有的人工智慧。

因此，分析，特別是異常檢測，佔據了當今企業系統中實現的人工智慧的大部分。這種整合通常是由軟體供應商基於眾所周知的用例和業務流程來完成的。

Forrester的Carlsson說，對於本地系統來說，將人工智慧引入分析領域並非易事。資料科學是將智慧與分析融合在一起的領域，但“人們通常沒有意識到，資料科學家沒有接受過決策和商業分析方面的培訓，所以你可以根據需要來做出偉大的預測，但卻不知道該做什麼。”他說。

理想情況下，“在人工智慧端可以建立一個更好的預測模型，為你的經典最佳化引擎提供更好的輸入。它們是相輔相成的，”Carlsson補充道。“但這會很痛苦，因為最佳化人員不知道如何與資料科學家交談，反之亦然。‘資料科學家’是一個非常有問題的術語，它可以指任何事情，沒有多少IT組織能理解這一點。”

但Carlsson也指出，希望還是存在的:工程師們已經開始透過AutoML來訪問機器學習了，這種框架無需從頭構建機器學習模型。而且這些工具對於精通資料的商業使用者來說已經足夠簡單，可以利用它們，將資料科學家通常無法利用的專業知識帶到桌面上來。精通六西格瑪和精益等方法的跨職能流程改進團隊尤其適合將人工智慧引入分析。“他們有應對管理變革的DNA，”Carlsson說。“獲取資料並使之合理化總是一個挑戰。”

這些更具探索性的人工智慧形式--Carlsson稱之為“增強智慧”--在各種企業系統中都有合法、有用的用例:包括營銷、物流、文件處理和IT系統本身，以及面向使用者的系統的使用者介面。

將AI應用於業務系統

人工智慧的應用分析形式通常出現在需要處理大量資料、變化或不確定環境以及快速適應流程的企業系統中。

經典的用例包括物流，如包裹交付、車輛路由和即時庫存管理，以及情景估計，如信用評分和產品推薦。較新的領域包括聲譽管理、簡歷評分和跨領域的風險管理。

AI的一個未被提及的領域是自動文件處理。“很多流程都依賴於它們。”Forrester的Carlsson說。儘管合同、政策、醫療報告等看起來很公式化，很容易被解析，但這些檔案仍然很難從中提取資訊，他說。例如，標題樣式和表邊框等看似微小的變化就可能會混淆基於規則的文件提取器。

更困難的是提取表單中沒有明確定義的內容。“例如，對於一個客戶在對市場新領域感興趣時的金融顧問。顧問需要深入研究投資概況、資源和營銷模式。”而不是採用經典的方法提出類似客戶自已選擇的投資模式。另一個例子是:分析醫學病理報告中的偶然資訊，比如“根據隱藏的細節來判斷是否有致癌的風險，這些細節通常是最初的病人投訴所附帶的。”Carlsson說，並補充說，他知道有一家醫院已經在使用人工智慧文件處理程式來查詢此類例子了，並能夠自動將資料輸入美國國家癌症資料庫。

應用於IT系統的AI：AIOps

AIOps(智慧運維)領域在識別和診斷網路、業務流程等問題方面對IT工作負載有很大的希望，從而使得自動化能夠建議甚至是執行可能的補救措施。類似的方法還可以用來幫助安全工作，如入侵檢測和防止內部資料盜竊。

“AIOps還遠沒有其他企業人工智慧領域來的成熟。”Gartner的Rich指出。它通常會涉及有監督和無監督的機器學習，有時還涉及深度學習和圖表分析，以便“將數學應用到實際問題當中”。這意味著需要尋找模式和異常(通常是在日誌中)，這些模式和異常訊號可直接或透過自動化來解決問題。

AIOps面臨的挑戰是“有太多的容易導致虛假警報的噪音。”Rich說。現在幾乎所有的東西都數字化了，困難也更大了。事件相關分析作為一種基本的技術已經存在了幾十年。但是“它們是基於規則的，因此涉及到非常繁重的工作，總是需要更新。”Rich說。“資料質量也可能很混亂，因此任何實現通常都是自定義的。但它確實有效，“前提是你能付得起費用。”市場希望能夠有一個包來完成這項工作，以避免對資料科學家的需求，但這在今天是不可能的。

另一個挑戰則涉及對基於時間模式的表面異常執行時間序列分析。“這些演算法自20世紀50年代就已經存在，但直到最近我們才有了計算能力來實現它們。”Rich說。

人工智慧另一個長期尋求的領域是根源分析，它涉及到大量的相關性和時間序列分析。“人們一直在給出承諾，但我們才開始看到圖表分析的進展。”Rich補充道。

更進一步的是像自愈系統這樣的概念，也就是NoOps。“總有一天我們可能會實現這個目標。”Rich說。“現在可以做的是基於條件邏輯發起的操作來執行指令碼。在過去的6到8個月裡，供應商已經提供了常見問題的知識基礎，並提供一個工具包來新增新問題。”

但是Rich提醒大家不要期望AIOps有一天能夠自己處理IT運營。“你不可能得到所有的訊號。即使你做了，如果這是一個沒有解決方案的新問題怎麼辦?然後就是改變帶來的風險：你還會打破什麼?風險分析是必要的，但它實際上並不存在。”

同時，AIOps也可以幫助IT人員增強識別問題的能力，這樣他們就可以更快地解決或預防問題了。

將AI應用於使用者介面

多年來，我們已經看到了有關自然語言處理(NLP)的承諾，以便消除對人力支援人員的需求。聊天機器人是這種承諾的一個例子，也是相信它們存在風險的一個例子--這些“智慧”互動會不會讓客戶感到沮喪和負擔?它們所遵循的確定性規則通常無法解決客戶的關注點--但有時它們可以。無論如何，NLP--無論是文字的還是語音的--在理解人類對話的能力上都取得了相當大的進步，Carlsson指出。

在語音識別和理解非結構化文字方面，NLP在過去20年裡取得了巨大的進步，它在不需要鍵盤的情況下促進了互動，並在查詢語句被人類或自動化系統執行之前幫助縮小了含義。從某種意義上來說，它是一種分析的形式，圍繞著意義和表達方式，例如，為其預期的交流而進行的演講。

機器視覺在過去幾十年也取得了重大進展。雖然自動駕駛汽車仍然比現實更有希望，但碰撞緩解技術表明，它能夠感知環境條件，並根據規則進行一些自動調整(踩剎車!)是真實的。與NLP一樣，機器視覺是人工智慧的一部分，而不是基於規則的自動調整或響應。

隨著底層模式分析的改進，機器視覺和其他感知技術正越來越多地被用於倉儲以識別包裝物件，在醫學中檢測腫瘤，以及在零售中瞭解購物者的行為。

關鍵是人工智慧在這些情況下能夠正確地分析來自人和環境的真實輸入，從而減少人們對特定語法和使用者介面限制的理解，使更多的人能夠更自然地與技術系統相互動。