隨著人工智能(AI)和機器學習(ML)開始走出學術界進入商業世界，人們開始關注如何幫助商業智能(BI)。使用自然語言搜索來幫助管理人員更快地調查企業信息、執行分析和定義業務計劃的系統有很大的潛力。在前面討論“自助”商業智能(BI)的專欄文章中，簡要地提到了ML可以幫助BI的兩個重點領域。雖然用戶界面和用戶體驗(UX)很重要，但可見性只是冰山一角。提供給用戶體驗的數據更加重要。
人工智能和機器學習可以幫助解決這個挑戰。
一切從數據開始
雖然大型機仍然存在，但控制所有數據和信息的大型機時代已經一去不復返了。上世紀90年代，人們曾試圖建立數據倉庫，但信息是一種流動性強的商品，存在于太多地方，無法像一些人希望的那樣，讓倉庫成為“真理的單一版本”。今天的數據湖只是把數據存儲在類固醇。它將會有所幫助，但它將不再是一個單一的存儲庫，就像以前的嘗試一樣。
數據存在于如此多的系統中，而物聯網和云計算的發展意味著數據不斷地遠離本地計算的核心。追蹤所有數據并決定什么是信息是一個日益復雜的問題。
因此，隨著現代數據爆炸，企業面臨三個關鍵問題:
數據在哪里?
l 哪些數據重要到可以作為信息進行跟蹤?
l 哪些人應該擁有訪問所有這些信息的權限?
如果不解決這些問題，業務將面臨風險，原因是基于不準確的數據和日益強大的數據導向的糟糕決策。
不要重新發明輪子
面對挑戰，我們需要一個解決方案。幸運的是，我們沒有必要從零開始。相反，在軟件的其他領域中，一些技術可以利用和適應這個問題。ML概念和其他工具可以從IT的其他領域借鑒來幫助遵從性和業務決策。
機器學習正在網絡和應用安全領域取得進展。經過訓練的深度學習系統正在調查事務，以尋找異常現象并識別攻擊和其他安全風險。與此同時，移動設備的爆炸式增長和SaaS應用程序的增長也在推動資產管理系統的發展，以更好地理解與企業網絡和基礎設施相連接的物理和知識產權資產。
這些技術可用于查詢尋找數據源的網絡節點，以幫助構建改進的企業元數據模型。可以詢問網絡上的事務，以獲得新的信息和適當的使用。
通過數據管理幫助自助服務
非常重要的是，ML系統可以幫助改進對數據的訪問，同時管理遵從性。在BI中，發現異常和識別風險是不夠的。如果分析真的要變成自助服務，那么快速獲取信息是必要的。
在今天的模型中，法規遵循規則和分析師決策設置了雇員對數據庫和特定字段的訪問。這極大地限制了自助服務，原因很簡單:我們無法預先想象所有的需求。
由于NLP為人員提供了一種查詢業務信息、理解業務流程和發現業務數據之間的新關系的簡單方法，因此經常會出現基于直覺和洞察力的想法。經理會問一個她以前沒有考慮過的數據或關系問題，請求還不能訪問的數據，或者試圖擴展硬設置的信息邊界。
在傳統的過程中，這意味著調查突然停止，電子郵件必須發送到它，討論必須發生，然后系統必須調整以允許新的訪問規則。
ML系統可以顯著地加快這個過程，使用規則和經驗快速查找新數據，查看現有數據是否符合法規遵循規則，并允許立即訪問，或者標記法規遵循官員要求立即審查的請求。
這個挑戰比現在在UX中的變化更復雜，但是這個挑戰同樣重要。如果沒有一種快速的方法來理解回答問題的信息位于何處，以及決定提問者是否有權知道答案，那么經理問問題的難度就不重要了。
在當今的分布式世界中，機器學習提供了更好地管理企業信息的潛力。當行業在考慮如何提出更好的問題時，它需要考慮如何定位和管理提供答案的信息。
（部分內容來源網絡，如有侵權請聯系刪除）
