企業在何處可真正應用人工智能？

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，這不過是在持續炒作這種技術的重要性而已。

肯定的一面，人工智能能夠帶來業務價值。否定的一面，它不會神奇地解決企業的所有問題。

盡管如此，理性地對待人工智能，它仍然可以推進你的企業系統，從而改善業務運營。為了了解企業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

供應商經常聲稱，只要你部署他們的產品，他們的一些人工智能秘密武器將徹底改變你的業務。千萬別信他的。Carlsson說：“如果看起來應用場景跟電影里差不多，那就要打個問號。”

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

自動化不錯，但基于機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，系統自行決定要做什么，而在大多數業務情形中，這不太可能發生。想象一下，如果你的財務、招聘、產品規劃、網絡管理等都是由一個獨立智能體來處理的，而你并不真正了解它，也無法真正控制它，那會發生什么？

重點放在應用分析和異常檢測的人工智能實現上

真實的情況是利用人工智能技術來發現人類決策的異常模式。已知的模式可以通過自動化來處理，但是要發現未知的模式，機器學習以及深度學習和人工通用智能等才是需要的技術。

以異常檢測形式出現的分析驅動的人工智能，往往能比人類更快地發現未知模式。它甚至可以根據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，由其他人進行檢查，并發揮超越了分析的專業知識的優勢。

自動化，或者至少是軟件，可以使用規則庫和其他編碼邏輯來執行決策。機器人過程自動化（RPA）等技術是當今自動化技術進步發展的很好的例子。它們不是人工智能——他們不會自己“思考”，而是通過越來越復雜的算法來處理越來越復雜的工作流。軟件看起來可能很智能，但這是人類開發人員培養出來的智能，而不是系統固有的人工智能。

因此，分析，特別是異常檢測，占據了當今企業系統中實現的大部分人工智能。這種集成通常由軟件供應商參考眾所周知的應用情形和業務流程來完成。

Forrester的Carlsson說，對于本地系統，將人工智能引入分析并不是那么容易。他說，“數據科學是將智能與分析相結合的領域，但人們往往沒有意識到，數據科學家沒有受過決策和業務分析方面的培訓，所以，你能根據需求做出很好的預測，但不知道該干什么。”

Carlsson補充說：“理想情況下，人工智能建立一個更好的預測模型，以便更好地輸入到經典的優化引擎中。它們是相輔相成的。但這個過程很痛苦，因為優化人員不知道如何與數據科學家交流，反之亦然。‘數據科學家是一個非常有問題的術語，它可以有各種解釋，但沒有多少IT部門能理解這一點。”

但希望還是有的，Carlsson指出：工程師們通過AutoML開始使用機器學習，利用這種框架，不必從零開始構建機器學習模型。而且這些工具對于精通數據的業務用戶來說已經足夠簡單，輕松使用數據科學家通常也無法掌握的專業知識。精通六西格瑪和精益等方法的跨職能流程改進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，獲取數據并理解數據始終是挑戰。”

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

人工智能應用于業務系統

人工智能的應用分析形式普遍存在于處理大量數據、變化或者不確定環境以及需要快速適應流程的企業系統中。

典型的應用情形包括物流，例如，包裹交付、車輛路徑、即時庫存管理，以及信用評分和產品推薦等情境估計。較新的領域包括聲譽管理、簡歷評分和跨多個領域的風險管理。

人工智能一個未被提及的應用是自動文檔處理。Forrester的Carlsson說：“很多過程都依賴于它們。”他說，盡管合同、政策、醫療報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，標題樣式和表邊框等看似微小的變化可能會使基于規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，財務顧問，其客戶對市場新領域感興趣。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介紹的另一個例子是：分析醫學病理報告以發現偶然信息，比如“根據隱藏的細節來判斷是否有致癌的風險，這些細節通常是病人開始時偶然主訴的”，他還補充說，他知道有一家醫院使用人工智能文檔處理功能來查找此類例子，并將數據輸入到美國國家癌癥數據庫中。

人工智能應用于IT系統：AIOps

AIOps（AI運營）領域在幫助IT工作方面大有作為，可以識別和診斷網絡、業務流程流等方面的問題，從而使自動化技術能夠建議甚至執行可能的補救措施。類似的方法可以幫助安全工作，例如，入侵檢測和內部數據盜竊。

Gartner的Rich指出：“AIOps遠不如其他企業人工智能領域成熟。”它通常涉及機器學習，包括有監督和無監督的，有時還涉及深度學習和圖形分析，以便“將數學應用于問題”。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面臨的挑戰是噪聲太大，導致誤報。”現在幾乎所有的東西都數字化了，困難變得更嚴重了。事件相關分析這種基礎技術已經存在了幾十年。但Rich說：“它們是基于規則的，因此工作量很大，而且總是需要更新。數據質量可能很混亂，因此任何實現通常都是定制的。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工作，避免對數據科學家的需求，但這在目前是不可能的。

另一個挑戰是根據基于時間的模式對表面異常進行時間序列分析。Rich說：“這些算法自20世紀50年代就已經存在了，但直到最近我們才有計算能力來實現它們。”

人工智能需要解決的另一長期難以解決的領域是根源分析，它涉及大量的相關性和時間序列分析。Rich補充道：“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展。”

更深遠的是像NoOps等自愈系統這樣的概念。Rich說：“總有一天我們會解決它。現在可以做的是根據條件邏輯啟動操作來運行腳本。在過去的6～8個月里，供應商已經發售了常見問題的知識庫，并提供工具包來添加新問題。”

但是Rich提醒人們，不要期望AIOps有一天能夠自己處理IT操作。“因為不可能收集到所有的信息。即使這樣做了，但如果這是一個沒有解決方案的新問題呢？然后就是改變帶來的風險：會有別的東西被打破嗎？風險分析盡管必要，但實際上并不管什么用。”

同時，AIOps可以幫助IT員工增強發現問題的能力，以便他們能夠更快地解決或者預防問題。

人工智能應用于用戶界面

多年來，我們看到關于自然語言處理（NLP）的承諾，說是能夠避免對人工支持人員的需求。聊天機器人便是這類承諾的一個例子，也是冒險相信它們的一個例子——這些“智能”交互會不會讓客戶感到沮喪，認為是一種負擔？他們遵循的確定性規則通常不能解決客戶的問題，但有時可以。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步。

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

機器視覺在過去幾十年里也取得了重大進展。無人駕駛汽車的前景比現實更為光明，防碰撞技術表明，感知環境條件，并根據規則進行自動調整（踩剎車！）這種能力是真實的。與NLP一樣，機器視覺也屬于人工智能，而不是基于規則的自動調整或者響應。

隨著底層模式分析技術的進步，機器視覺和其他感知技術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，以及用于零售業以理解購物者的行為。

關鍵是，在這些情況下，人工智能能夠正確分析來自人和環境的真實輸入，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系統進行交互。

Galen Gruman是IDG企業網站全球內容執行編輯。

原文網址

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