Quando l'intelligenza artificiale (AI) e l'apprendimento automatico (ML) iniziano a spostarsi dal mondo accademico al mondo degli affari, c'è stata una buona dose di attenzione su come potrebbero aiutare la business intelligence (BI). C'è molto potenziale nei sistemi che utilizzano la ricerca nel linguaggio naturale per aiutare la direzione a ricercare più rapidamente le informazioni aziendali, fare analisi e anche stabilire piani aziendali. Una colonna precedente in cui si parlava di business intelligence (BI) "autosufficiente" ha menzionato brevemente due aree di interesse in cui il ML aiuterà la BI. Sebbene l'interfaccia del consumatore, l'esperienza dell'utente (UX), le cose, la sua visibilità sia semplicemente la punta di questo iceberg. Le informazioni fornite alla UX sono molto più significative.
Sebbene ciò sia molto importante, essere in grado di fidarsi del fatto che i dati visualizzati sono ancora più cruciali. L'intelligenza artificiale e l'apprendimento automatico possono aiutare ad affrontare questa sfida.
Inizia con i dati
Sebbene i mainframe esistano ancora, il pomeriggio in cui il loro mainframe controlla tutti i dati e le informazioni è passato da tempo. Sebbene gli anni '90 abbiano visto sforzi nei magazzini di informazioni, i dati sono un prodotto liquido che esiste in troppi posti per rendere mai il magazzino la "versione unica della realtà" che si sperava. Il lago di informazioni di Now è solo gli steroidi online dell'archivio dati funzionale. Aiuta ma non sarà più un unico repository di quanto non possieda i precedenti tentativi della stessa cosa.
I dati esistono in numerosi sistemi e anche lo sviluppo di sistemi IoT e cloud computing significa che i dati continuano ad estendersi sempre più lontano dal nucleo dell'elaborazione in sede. Lavorare per monitorare tutte le informazioni e determinare quali sono i dati è un problema sempre più complesso.
Di conseguenza, l'azienda ha tre problemi importanti con la moderna esplosione di dati:
- Dove sono i tuoi dati?
- Quali informazioni sono sufficientemente significative da essere monitorate come consiglio?
- Quali persone devono avere quale accesso a ciascuna di queste parti di consulenza?
Senza risolvere i problemi, l'azienda è a rischio a causa di un processo decisionale inadeguato basato su dati imprecisi e da normative sempre più rigorose sulla conformità dei dati.
Non iniziare da zero
Data la sfida, è necessaria una soluzione. Fortunatamente, non è necessario ricominciare da capo. Piuttosto, troverai tecniche in altri campi di applicazioni che possono essere sfruttate e adattate al problema. Le teorie ML e altre applicazioni potrebbero essere prese in prestito da diversi campi dell'IT per aiutare sia la conformità che il processo decisionale aziendale.
L'apprendimento automatico sta attualmente facendo passi da gigante nella sicurezza delle reti e delle applicazioni. Sistemi di apprendimento approfondito addestrati stanno esaminando le transazioni per cercare anomalie e identificare attacchi e altri rischi per la sicurezza. Allo stesso tempo, i sistemi di gestione delle risorse sono stati spinti dall'esplosione dei dispositivi mobili e dall'aumento delle applicazioni SaaS per comprendere meglio quali risorse di proprietà fisiche e intellettuali sono collegate alle infrastrutture e alle reti aziendali.
Questi metodi possono essere utilizzati per interrogare i nodi di rete alla ricerca di risorse di dati al fine di creare un modello di metadati aziendale migliore. Le transazioni sulla rete potrebbero essere interrogate per nuove informazioni e per un uso appropriato.
Gestione dei dati a supporto del self-service
Di importanza cruciale, il sistema ML potrebbe aiutare a migliorare l'accesso alle informazioni oltre a gestire la conformità. È inadeguato in BI per scoprire le eccezioni e identificare il rischio. Quando le analisi devono davvero diventare autoesplicative, è necessario un accesso più rapido alle informazioni.
Nel modello attuale, i principi di conformità e le decisioni degli analisti stabiliscono l'accesso di un lavoratore a database e campi speciali. Ciò limita notevolmente il self-service per il semplice fatto che non possiamo immaginare tutte le richieste in anticipo.
Poiché la PNL fornisce al personale un metodo semplice per mettere in discussione le informazioni aziendali, conoscere i processi aziendali e anche per scoprire nuove connessioni tra i dati aziendali, spesso arrivano pensieri basati su intuizione e intuizione. Un supervisore farà una domanda su relazioni o dati che non ha contemplato in precedenza, chiederà dati non ancora accessibili o tenterà in altro modo di estendersi oltre i confini delle informazioni fissati.
Nella procedura standard, ciò significa che l'indagine si interrompe improvvisamente, le e-mail devono essere inviate all'IT, i colloqui devono avvenire e quindi i sistemi devono essere regolati per consentire nuove linee guida per l'accessibilità.
Un programma ML può accelerare notevolmente quel processo, con tutte le regole e l'esperienza per trovare rapidamente nuovi dati, vedere se i dati presenti rientrano nelle regole di conformità e concedere l'accesso immediato, o contrassegnare la richiesta di ispezione immediata da parte di un responsabile della conformità.
Questa barriera è molto più complessa di quanto sta accadendo ora con le modifiche dall'UX, ma la lotta è altrettanto importante. Non è importante quanto prontamente un manager possa porre una domanda se non c'è un modo rapido per capire dove risiedono le informazioni per rispondere al problema e anche per scegliere se l'interlocutore ha l'autorità di essere a conoscenza della risposta.
L'apprendimento automatico offre la possibilità di gestire molto meglio i dati aziendali nel mondo distribuito. Mentre l'azienda cerca modi per porre domande molto migliori, dovrebbe cercare come individuare e gestire le informazioni che forniscono risposte.