乐动网页版_乐动(中国)

传（chuán）统的商业智能已经不能满足企（qǐ）业（yè）数据的数量（liàng）、多（duō）样（yàng）性和（hé）速度性的要求，现在是让新的人（rén）工智能工具来（lái）弥补不足的时候了。

人类每天都在产生海量的数据。不仅数据（jù）的总量在增加，数据的类型（xíng）也在增加，而且存储和生（shēng）成数据的应用（yòng）程序也在增加。以往采用的商业智能工具无法处理大量数据，并且它们还发现难以处（chù）理来自（zì）新应用程序的（de）数据（jù）;为了使原有（yǒu）的商（shāng）业智（zhì）能工具适合新的应用程序，通常需（xū）要进（jìn）行大量的人工调整。因此，使（shǐ）用商业（yè）智能工具的企业可能会错过现在可用的数（shù）据驱动的见解。

探（tàn）索人工智（zhì）能和商业智能之间的六个主要区（qū）别

传（chuán）统的商（shāng）业智能已经不能（néng）满足企业数据的数（shù）量、种类和速度（dù）的要求，现在是（shì）让新的（de）人工智能工（gōng）具来弥补不足的时（shí）候了。但是，这种新一代工具（jù）与（yǔ）以前的（de）工具（jù）有何不同（tóng）?

(1)数据收集与整合

在未（wèi）来五（wǔ）年，80%的数据将是非结构化的（de）数据。这些数据无法在数据（jù）库中分类，因此很难（nán）标记、搜索和编辑。使用传统的商（shāng）业智能工具，非结构化数（shù）据（jù）位于（yú）孤（gū）岛中（zhōng），并且即（jí）使有的（de）话也要对其进行缓慢（màn）的分（fèn）析。数（shù）据（jù）科学家通常会花费（fèi）大约80%的时间（jiān）准备这（zhè）些数据，然后才（cái）能对其进行分析。

使用现代（dài）的商（shāng）业智（zhì）能工具，准（zhǔn）备工作将更快、更加自动化。无论企业需要分析哪种数据，这些新工具都可（kě）以在一个无缝的数据湖中对它们进行（háng）排序和（hé）分类，从而使孤（gū）岛成为过（guò）去。这些工（gōng）具（jù）是自助服务（wù），使数据（jù）科学家可以在数小时（shí）或数天之（zhī）内开始（shǐ）接收可操作的情报，而无需参与IT运营。

(2)指标覆盖率

传统的关键绩效指标(人工设置和研究的关键绩效指（zhǐ）标)仅覆盖组织（zhī）中正在使用的（de）指标的3%。实际上，对于现代企业而（ér）言，只有3%关键绩效指标的规模较小。

如果在面（miàn）向（xiàng）用（yòng）户的应用程（chéng）序（xù）中出现问题，则很有可能会以（yǐ）企业当前未（wèi）涵盖（gài）的指标来出错。只要企业监控的（de）关键绩效指标不会下降，就无（wú）法检测到错误或中断，直（zhí）到客户告知（zhī）企业（yè）这些错误。相比之下，任何组（zǔ）织都不（bú）可能人（rén）工（gōng）监控其所有（yǒu）关（guān）键（jiàn）绩效指（zhǐ）标，因此采（cǎi）用人工（gōng）智能可以解决这个问题。无论企业生（shēng）成（chéng）多少个指标，其数量级无关紧要（yào）。他们能（néng）够（gòu）一（yī）次提取数百万个（gè）指标，并且在出现问题时仍可以（yǐ）提供（gòng）即（jí）时反馈。

(3)阈值和基准

传统的人（rén）工（gōng）警报实践要求数据科学家为（wéi）关键绩效指（zhǐ）标（biāo）设置阈值。当关键绩效指（zhǐ）标低（dī）于某（mǒu）个阈（yù）值或高于（yú）某一个阈值时，它会触（chù）发警报。不幸（xìng）的（de）是，即（jí）使在正常行为期间，指标（biāo）也往往会出现不可预测的涨跌。即使企业将基线设置为（wéi）高于和低于这些阈值，这也（yě）降低了在设置的阈值内仍可能发（fā）生异常行为的可能性。

这种做法也忽略了季节性，季节性是在每天、每周或（huò）每月的周期中某些指标的正常变化（huà）。在传统的商（shāng）业（yè）智（zhì）能程序中，所有的季节性看起（qǐ）来都是（shì）异常的，会（huì）导致（zhì）大量（liàng）的误（wù）报和（hé）漏报。

现（xiàn）代分析（xī）平台采（cǎi）用完全自主（zhǔ）的方法进行基准划分。他们依靠机器学习算法（fǎ）来学习指标的正常行为并确定其基准，从而无需（xū）进（jìn）行人工阈（yù）值处理。

(4)检测和警报

建立（lì）具（jù）有人（rén）工警（jǐng）报的传统商（shāng）业智能系统自（zì）然是一个结果，那就是警报太多。警报疲（pí）劳是（shì）一个现实问题。在某些应用中，信息安全人员每天可能会遇到100多万次警报。这使（shǐ）得分析（xī）师很难区分紧（jǐn）急情况和数据中的噪音。

在人工智能驱动（dòng）的报（bào）告中没有人工阈值。唯一的警（jǐng）报（bào）是（shì）“真实的”警报——在度量标准中是真正异常行为。即使只靠这种行（háng）为，这（zhè）种行为也大大（dà）减少（shǎo）了误报。然（rán）而，人（rén）工智能的发展（zhǎn）远不止于（yú）此（cǐ）。现代（dài）的商业智能工具使企业能够只对最严（yán）重的（de）偏差发出警（jǐng）报，从（cóng）而使企（qǐ）业（yè）的响应（yīng）团（tuán）队只（zhī）关注最重要的事情。

(5)根本原（yuán）因分析

异常不会自行发生。使用传统的仪表（biǎo）板（bǎn），企（qǐ）业可能看（kàn）到（dào）在监视的3%指标中出现的（de）一（yī）个异常。不幸（xìng）的是（shì），企业将无法看到其他地方出现的异（yì）常（cháng）。反过来，这（zhè）意味着企业需要更长（zhǎng）的时间来（lái）了解异常发（fā）生的位置（zhì）以及如何解决。

相（xiàng）比之下，自主分析会报告每个警报的完整场景。如果在相关指标中同（tóng）时发生两（liǎng）个异常，则企业的警（jǐng）报将反映出来。如果（guǒ）这些异常恰（qià）好与补丁（dīng）程序、设（shè）备故（gù）障或黑色（sè）星期五（wǔ）同时（shí）发生，则企业的报告也将反映出来。这使得检测和应对异常更加容易。

(6)预测（cè）

预（yù）测与异常检（jiǎn）测不同，但是对于传统的（de）商业智能来说，同样（yàng）存（cún）在（zài）困难。准备用（yòng）于预测的数（shù）据需要花费很长时间，而不幸的是，当企业需要提前而不是推迟（chí）预（yù）测时。由（yóu）于传统分析（xī）工具（jù）受其（qí）可以接受（shòu）的分析数量的限（xiàn）制，因此（cǐ）企业的预（yù）测将（jiāng）无法考虑所有（yǒu）可能影响业（yè）务的指（zhǐ）标（biāo）。简（jiǎn）而言之，企业会得到一个不太准确的预测，需要更长的准备时间。

借助自（zì）主分析，企业可（kě）以在需要时获得（dé）所需的（de）预测。自主分析不仅可以在几秒钟内提（tí）供预测，而且每次进（jìn）行预测时都会变得更加（jiā）准确。该模（mó）型（xíng）将（jiāng）自动（dòng）将其（qí）预测与随后发（fā）生的事（shì）件进行比较，然后根据判（pàn）断（duàn）的对与错来完善其结（jié）论——它运行的时（shí）间越长，变得越精确。

企（qǐ）业需要什么样的（de）人工智能?

自主分析程序消除了数据和分析之间的矛盾。在采（cǎi）用传统的解决方案的（de）情况下，数（shù）据无法到达应有的位（wèi）置（zhì），在处理（lǐ）之前需要对其进（jìn）行处理对于工作人员或有限的（de）工具来说，它已经变（biàn）得（dé）太庞大，无法处理，而且它的度量标（biāo）准也出人（rén）意料地发生（shēng）了变化。简而（ér）言之（zhī），数据太大，变（biàn）化（huà）太快，传统（tǒng）工具无法（fǎ）处理。

商业智能领域的（de）领先解（jiě）决方案正在将人（rén）工智能功能（néng）添（tiān）加到其现有产（chǎn）品（pǐn）中，但并非每（měi）个（gè）解决方案都（dōu）是一样的（de）。现（xiàn）有（yǒu）企业正在零（líng）散添加解决方（fāng）案，而这还（hái）没有完整的人工（gōng）智能项目。其他供应商提供异常检测功能，但（dàn）仅针（zhēn）对基础设施数据提供功能，这无法提供（gòng）企业所需的完整信息。

只（zhī）有完全自主的（de）异常检测和预测解决方案才能为企业（yè）提供处理大量数据所（suǒ）需的规模和速（sù）度。无论是经（jīng）验丰（fēng）富的数据分析师还（hái）是经验（yàn）不足（zú）的业务用户，这些工（gōng）具都（dōu）将帮助企业在不断变（biàn）化的竞争环境中（zhōng）获得所需的切实可行的见解。

来（lái）源：企业（yè）网D1Net