leyu乐鱼

传（chuán）统的商业智能（néng）已经不能满足企（qǐ）业数据的（de）数量、多样性和速度（dù）性的（de）要求，现（xiàn）在是让新的人工智（zhì）能（néng）工具来弥补（bǔ）不（bú）足（zú）的（de）时候了。

人类（lèi）每（měi）天（tiān）都（dōu）在产生海量（liàng）的数据。不（bú）仅数（shù）据的总量在增（zēng）加，数（shù）据的类型也在增加，而且存储和生成数据的应用程序也（yě）在增加。以往采用的商业智能（néng）工（gōng）具无法（fǎ）处理大（dà）量数据，并且它们还发（fā）现难以（yǐ）处理（lǐ）来自新应（yīng）用程序的数据;为了使原有的商业智能（néng）工具适合新的应用程序（xù），通常需（xū）要进行大量的人工调整。因（yīn）此，使用商业（yè）智能工具（jù）的企业可能会错过（guò）现在可用的数据（jù）驱动的见（jiàn）解。

探索人工智能和商业智能（néng）之间的六个主要区别

传统的商业智能已经不能满足企业（yè）数据的数量、种（zhǒng）类和速度的要求，现在是让新的人工（gōng）智能工具来弥补不足的（de）时候（hòu）了。但是（shì），这种新（xīn）一（yī）代工具与以前的工具有何不同（tóng）?

(1)数据（jù）收集（jí）与整合

在未来（lái）五（wǔ）年（nián），80%的数据将（jiāng）是非（fēi）结构（gòu）化（huà）的（de）数（shù）据。这些数（shù）据无（wú）法在（zài）数据库中分类，因此很难标记、搜索和编辑（jí）。使用传统的（de）商业智能（néng）工具，非结（jié）构（gòu）化数（shù）据（jù）位于孤岛中，并且即使（shǐ）有的话也要（yào）对其进行缓慢的分（fèn）析。数据科学家通常会花费大约80%的（de）时（shí）间准备这些数据，然后才能对其（qí）进（jìn）行分（fèn）析。

使用现代（dài）的商业智能（néng）工具，准（zhǔn）备工作将（jiāng）更快、更加自动化。无论企业需要分析哪（nǎ）种数据（jù），这些（xiē）新工（gōng）具都可以在一个无缝的数（shù）据湖（hú）中对（duì）它们（men）进行排序和分类，从而使孤岛（dǎo）成为过去。这些工具是自助服务，使（shǐ）数（shù）据科学家可以在数小时或数（shù）天（tiān）之内（nèi）开始（shǐ）接（jiē）收可操作的（de）情报，而无（wú）需参与IT运营。

(2)指标覆盖率

传统的关键绩效指标（biāo）(人工设置和（hé）研究的关（guān）键绩效指标)仅覆盖组织中正在使用（yòng）的指标的3%。实际上，对（duì）于现代企业（yè）而言，只有3%关键绩效（xiào）指标的规模（mó）较小。

如果（guǒ）在面向用户的应用程序（xù）中出现问题，则（zé）很（hěn）有可能会以企业当前（qián）未涵盖的指标来（lái）出错。只要企业监控的关键绩效指标不会下降，就无法检测到错误或（huò）中断，直到客户告知（zhī）企业这些错（cuò）误。相比之下，任何组（zǔ）织都不可能人工监控（kòng）其所有关键（jiàn）绩效指（zhǐ）标（biāo），因此采用人工智能可以解决这个（gè）问题。无论企业（yè）生成多少个指标，其数量级无关紧要。他（tā）们能够一次提取数百万个指标（biāo），并且在出现问（wèn）题时仍可以提供（gòng）即时反馈。

(3)阈值和基准

传（chuán）统的人工警报（bào）实践要求数据科学家为关键绩效指标设置阈值。当关键（jiàn）绩效（xiào）指（zhǐ）标低（dī）于某个阈值或（huò）高于某一个阈值时，它会触发（fā）警报。不幸的（de）是，即使在正常（cháng）行为期间，指标也往往（wǎng）会出现不（bú）可预测（cè）的涨跌。即（jí）使企业将（jiāng）基线设置为高于（yú）和低于（yú）这些阈值，这（zhè）也降低了在（zài）设置的阈（yù）值内（nèi）仍可能（néng）发（fā）生异常行（háng）为的（de）可能性。

这种（zhǒng）做法也忽略了季（jì）节性，季节性是在每天（tiān）、每周或每（měi）月（yuè）的（de）周期中某些（xiē）指标（biāo）的正常变（biàn）化（huà）。在传（chuán）统（tǒng）的商业智能程序（xù）中，所有的季（jì）节性看起来都是异常的（de），会导致（zhì）大（dà）量的误报和（hé）漏报。

现（xiàn）代（dài）分析平台采用完全（quán）自主的方法进行基准划（huá）分。他们（men）依（yī）靠机器学（xué）习算法来学习（xí）指（zhǐ）标的（de）正常行为并确定其基准，从而无需（xū）进行（háng）人（rén）工阈值处理。

(4)检测和警报

建立具有人工警报的（de）传统商业智（zhì）能系统（tǒng）自然（rán）是一个（gè）结果，那就是（shì）警报太多（duō）。警报疲劳（láo）是一个现实问题。在某些应用中（zhōng），信息安全（quán）人员每天（tiān）可能会遇到100多万次警报。这使得分析师很难区分紧急情况（kuàng）和数（shù）据中的噪音。

在人工智能驱动的（de）报告中没有人工阈值。唯一的警报（bào）是“真实的”警报——在度量标（biāo）准中是真正（zhèng）异（yì）常行为。即使只靠这（zhè）种行为（wéi），这种行为也大大减少了误报（bào）。然而，人工智能的发展远不止于此。现代的商业智能工具使企业能够只对最（zuì）严重的偏差发出警（jǐng）报，从（cóng）而使企业的响应（yīng）团队只关（guān）注最重（chóng）要的事情。

(5)根本原因分（fèn）析

异常（cháng）不会自行发生。使用传统的仪表板，企（qǐ）业可能看（kàn）到（dào）在监视的3%指标中出现的一（yī）个异常。不幸的是，企业将无法看到（dào）其他地（dì）方出现的异常。反过来，这（zhè）意味着企（qǐ）业（yè）需要更长（zhǎng）的时间来了解（jiě）异常（cháng）发生的位置以及如何解决。

相比（bǐ）之下，自主分（fèn）析会报告每个警报的完整场景（jǐng）。如果在（zài）相关指标中同时发生两个异常（cháng），则企业的（de）警报将反映出来。如果（guǒ）这些异常（cháng）恰好与（yǔ）补（bǔ）丁（dīng）程序、设备（bèi）故障（zhàng）或黑色星（xīng）期五同时发生，则（zé）企业（yè）的报告也将反（fǎn）映（yìng）出来（lái）。这使得检测和应对异（yì）常更（gèng）加（jiā）容易。

(6)预测

预测与异常检测（cè）不同（tóng），但是对于传统的商业智能来说，同样存在困难。准（zhǔn）备（bèi）用于预测的（de）数（shù）据需要（yào）花费很长时间，而（ér）不幸的是，当企业（yè）需要（yào）提前而不是推迟预（yù）测时。由于传统分析工具受（shòu）其可以接受的分析（xī）数量的限制，因此（cǐ）企业的预测将无（wú）法考（kǎo）虑所（suǒ）有可能影（yǐng）响业务（wù）的指标。简而（ér）言（yán）之，企（qǐ）业会（huì）得到一个不太准确（què）的预测，需要更长的准备时间（jiān）。

借助自（zì）主分（fèn）析，企业可以在需要时获得所需的预测。自主分（fèn）析（xī）不仅（jǐn）可以在几秒钟（zhōng）内提供预测，而且每次进行预测（cè）时都会变得更加准（zhǔn）确。该（gāi）模（mó）型（xíng）将自（zì）动将其预测与随后发生的事件进（jìn）行比较（jiào），然后根据判断（duàn）的对与错来完善其结论——它运行的时（shí）间（jiān）越（yuè）长，变得越精确。

企业需（xū）要什么样的人（rén）工智能?

自主分（fèn）析程序消除了数据和（hé）分析之间（jiān）的矛盾。在（zài）采用（yòng）传统的解决方案的情况下，数（shù）据无法（fǎ）到达（dá）应有的位置（zhì），在处理之前需要对其进（jìn）行处理（lǐ）对于工作人员或有限的工具来（lái）说，它已经变得太（tài）庞大，无法（fǎ）处（chù）理，而且它的度量标（biāo）准（zhǔn）也出人意料地发生了变化。简而言之，数据太大，变化太快，传统工具无法处理。

商业智（zhì）能领域（yù）的领先解决方案正（zhèng）在将人工智能（néng）功（gōng）能添加到其现有产品中，但并非每（měi）个（gè）解决方案都是一样的。现有（yǒu）企业正在零散（sàn）添加解决方案，而这还没有（yǒu）完整的（de）人工智能项目。其他供（gòng）应商提供异常检测功能，但仅针对基础设施数据提供（gòng）功能，这无法提（tí）供企业所（suǒ）需（xū）的完整信息。

只有完全自主的异常检测和（hé）预测解决方案（àn）才能为企业提供（gòng）处理大量（liàng）数据所需的（de）规模和（hé）速度。无论是经验（yàn）丰（fēng）富的数据分析师还是（shì）经验不足的业务用户（hù），这些（xiē）工具都将帮助企业在（zài）不断变（biàn）化的竞争环境（jìng）中获得所（suǒ）需（xū）的切实（shí）可行（háng）的见解。

来（lái）源：企（qǐ）业网D1Net