企业在何处可真正运用人工智能？

人工智能并不是神奇的处理方案，但该技术在各种企业系统中都有实践运用，特别是在分析和异常检测运用情形中。

IT部门要想成功，人工智能（AI）是必不可少的。如此一来，你能够会想，这不过是在持续炒作这种技术的重要性而已。

一定的一面，人工智能可以带来业务价值。否定的一面，它不会神奇地处理企业的一切成绩。

虽然如此，感性地对待人工智能，它照旧可以推进你的企业系统，从而改善业务运营。为了了解企业IT目前可以在哪些方面有效地应用人工智能，CIO.com采访了Forrester Research的人工智能分析师Kjell Carlsson、Gartner的Charley Rich和IDC的Mickey North Rizza。

不要把自动化和人工智能混为一谈

供应商常常宣称，只需你部署他们的产品，他们的一些人工智能机密武器将彻底改变你的业务。千万别信他的。Carlsson说：“假如看起来运用场景跟电影里差不多，那就要打个问号。”

IDC的North Rizza指出，大部分供应商提供的是基于规则的系统。他们软件中复杂的算法或者逻辑处理很多常见的运用情形，通常比人类做得更快、更准确。不过，这是自动化，不是人工智能。

自动化不错，但基于机器智能的自动化能够是假的或者是有成绩的。在真正的人工智能中，系统自行决议要做什么，而在大多数业务情形中，这不太能够发生。想象一下，假如你的财务、招聘、产品规划、网络管理等都是由一个独立智能体来处理的，而你并不真正了解它，也无法真正控制它，那会发生什么？

重点放在运用分析和异常检测的人工智能完成上

真实的状况是应用人工智能技术来发现人类决策的异常形式。已知的形式可以经过自动化来处理，但是要发现未知的形式，机器学习以及深度学习和人工通用智能等才是需求的技术。

以异常检测方式出现的分析驱动的人工智能，往往能比人类更快地发现未知形式。它甚至可以根据已有的相似形式提出举动方案。但决议采取什么举动是由人类智能做出判别，由其别人停止检查，并发挥超越了分析的专业知识的优势。

自动化，或者至少是软件，可以运用规则库和其他编码逻辑来执行决策。机器人过程自动化（RPA）等技术是当今自动化技术提高发展的很好的例子。它们不是人工智能——他们不会本人“思索”，而是经过越来越复杂的算法来处理越来越复杂的工作流。软件看起来能够很智能，但这是人类开发人员培育出来的智能，而不是系统固有的人工智能。

因此，分析，特别是异常检测，占据了当今企业系统中完成的大部分人工智能。这种集成通常由软件供应商参考众所周知的运用情形和业务流程来完成。

Forrester的Carlsson说，对于本地系统，将人工智能引入分析并不是那么容易。他说，“数据迷信是将智能与分析相结合的范畴，但人们往往没无看法到，数据迷信家没有受过决策和业务分析方面的培训，所以，你能根据需求做出很好的预测，但不知道该干什么。”

Carlsson补充说：“理想状况下，人工智能建立一个更好的预测模型，以便更好地输入到经典的优化引擎中。它们是相反相成的。但这个过程很痛苦，由于优化人员不知道如何与数据迷信家交流，反之亦然。‘数据迷信家’是一个非常有成绩的术语，它可以有各种解释，但没有多少IT部门能了解这一点。”

但希望还是有的，Carlsson指出：工程师们经过AutoML末尾运用机器学习，应用这种框架，不必从零末尾构建机器学习模型。而且这些工具对于知晓数据的业务用户来说曾经足够简单，轻松运用数据迷信家通常也无法掌握的专业知识。知晓六西格玛和精益等方法的跨职能流程改进部门特别合适将人工智能引入分析。Carlsson说：“他们有处理变革管理成绩的DNA。毫无疑问，获取数据并了解数据一直是应战。”

这些更具探求性的人工智能方式——Carlsson称之为“加强智能”，在各种企业系统中都有合法、有用的运用情形：营销、物流、文档处理、IT系统本身，以及面向用户系统的用户接口，等等。

人工智能运用于业务系统

人工智能的运用分析方式普遍存在于处理大量数据、变化或者不确定环境以及需求疾速顺应流程的企业系统中。

典型的运用情形包括物流，例如，包裹交付、车辆途径、即时库存管理，以及信誉评分和产品引荐等情境估计。较新的范畴包括声誉管理、简历评分和跨多个范畴的风险管理。

人工智能一个未被提及的运用是自动文档处理。Forrester的Carlsson说：“很多过程都依赖于它们。”他说，虽然合同、政策、医疗报告等看起来是高度公式化的，因此很容易解析，但照旧很难从这些文件中提取信息。例如，标题样式和表边框等看似宏大的变化能够会使基于规则的文档提取器不知所措。

更困难的是提取表格中没有明白定义的含义。例如，财务顾问，其客户对市场新范畴感兴味。顾问们需求研讨投资概况、资源和营销形式，而不是采用经典的方法提出与客户选择差不多的投资形式。Carlsson引见的另一个例子是：分析医学病理报告以发现偶然信息，比如“根据隐藏的细节来判别能否有致癌的风险，这些细节通常是病人末尾时偶然主诉的”，他还补充说，他知道有一家医院运用人工智能文档处理功能来查找此类例子，并将数据输入到美国国家癌症数据库中。

人工智能运用于IT系统：AIOps

AIOps（AI运营）范畴在协助IT工作方面大有作为，可以辨认和诊断网络、业务流程流等方面的成绩，从而使自动化技术可以建议甚至执行能够的补救措施。相似的方法可以协助安全工作，例如，入侵检测和外部数据盗窃。

Gartner的Rich指出：“AIOps远不如其他企业人工智能范畴成熟。”它通常触及机器学习，包括有监督和无监督的，有时还触及深度学习和图形分析，以便“将数学运用于成绩”。这意味着寻觅形式和异常（通常是在日志中），向IT表明有成绩，需求直接或者经过自动化来处理成绩。

Rich说，“AIOps面临的应战是噪声太大，导致误报。”如今几乎一切的东西都数字化了，困难变得更严重了。事情相关分析这种基础技术曾经存在了几十年。但Rich说：“它们是基于规则的，因此工作量很大，而且总是需求更新。数据质量能够很混乱，因此任何完成通常都是定制的。但只需有钱就能做到。”市场希望有一套处理方案来完成这项工作，避免对数据迷信家的需求，但这在目前是不能够的。

另一个应战是根据基于工夫的形式对表面异常停止工夫序列分析。Rich说：“这些算法自20世纪50年代就曾经存在了，但直到最近我们才有计算才能来完成它们。”

人工智能需求处理的另一长期难以处理的范畴是根源分析，它触及大量的相关性和工夫序列分析。Rich补充道：“人们总是说有希望能处理，而我们末尾看到图形分析方面有了停顿。”

更深远的是像NoOps等自愈系统这样的概念。Rich说：“总有一天我们会处理它。如今可以做的是根据条件逻辑启动操作来运转脚本。在过去的6~8个月里，供应商曾经发售了常见成绩的知识库，并提供工具包来添加新成绩。”

但是Rich提示人们，不要希冀AIOps有一天可以本人处理IT操作。“由于不能够搜集到一切的信息。即便这样做了，但假如这是一个没有处理方案的新成绩呢？然后就是改变带来的风险：会有别的东西被打破吗？风险分析虽然必要，但实践上并不管什么用。”

同时，AIOps可以协助IT员工加强发现成绩的才能，以便他们可以更快地处理或者预防成绩。

人工智能运用于用户界面

多年来，我们看到关于自然言语处理（NLP）的承诺，说是可以避免对人工支持人员的需求。聊天机器人便是这类承诺的一个例子，也是冒险置信它们的一个例子——这些“智能”交互会不会让客户感到懊丧，以为是一种负担？他们遵照的确定性规则通常不能处理客户的成绩，但有时可以。Carlsson指出，无论如何，不管是文本还是口语，NLP在了解人类对话方面都有了长足的提高。

在语音辨认和了解非结构化文本方面，NLP在过去的20年里获得了宏大的停顿，在不需求键盘的状况下促进了交互，并协助减少了查询的含义，然后再将其运用于人工或者自动化系统，停止执行。从某种意义上说，它是一种分析的方式，围绕着含义和表达方式，例如，分析语音以停止有目的的交流。

机器视觉在过去几十年里也获得了严重停顿。无人驾驶汽车的前景比理想更为光明，防碰撞技术表明，感知环境条件，并根据规则停止自动调整（踩刹车！）这种才能是真实的。与NLP一样，机器视觉也属于人工智能，而不是基于规则的自动调整或者呼应。

随着底层形式分析技术的提高，机器视觉和其他感知技术越来越多地被用于仓储，以辨认包装物，用于检测肿瘤的药物，以及用于批发业以了解购物者的行为。

关键是，在这些状况下，人工智能可以正确分析来自人和环境的真实输入，从而使人们不必去了解用户界面的特定语法和限制，使更多的人可以更自然地与技术系统停止交互。