Als künstliche Intelligenz (KI) und maschinelles Lernen (ML) von der akademischen Welt in die Geschäftswelt verlagert werden, wurde viel Aufmerksamkeit darauf verwendet, wie sie Business Intelligence (BI) unterstützen können. Systeme, die die Forschung in natürlicher Sprache verwenden, um das Management bei der schnelleren Recherche nach Unternehmensinformationen, bei der Analyse und bei der Erstellung von Geschäftsplänen zu unterstützen, bieten ein großes Potenzial. In einer früheren Kolumne über "autarke" Business Intelligence (BI) wurden kurz zwei Schwerpunkte genannt, in denen ML BI helfen wird. Obwohl die Benutzeroberfläche, die Benutzererfahrung (UX) und die Dinge, ist die Sichtbarkeit einfach die Spitze dieses Eisbergs. Die Informationen, die an die UX geliefert werden, sind viel wichtiger.
Obwohl dies sehr wichtig ist, ist es noch wichtiger, darauf vertrauen zu können, dass die angezeigten Daten angezeigt werden. KI und maschinelles Lernen können helfen, diese Herausforderung anzugehen.
Es beginnt mit Daten
Während Mainframes noch existieren, ist der Nachmittag ihres Mainframes, der alle Daten und Informationen steuert, längst vorbei. Obwohl in den neunziger Jahren Anstrengungen in Bezug auf Informationslager unternommen wurden, sind Daten ein flüssiges Produkt, das an zu vielen Orten existiert, um das Lager jemals zur "einzigen Version der Realität" zu machen, die man sich erhofft hatte. Der heutige Informationssee ist nur der funktionale Datenspeicher für Online-Steroide. Es hilft, aber es wird nicht länger ein einziges Repository sein, als die vorherigen Versuche derselben Sache zu besitzen.
Daten sind in zahlreichen Systemen vorhanden, und auch die Entwicklung von IoT- und Cloud-Computing-Systemen führt dazu, dass sich die Daten immer weiter vom Kern des lokalen Computing entfernen. Das Überwachen aller Informationen und das Ermitteln der Daten ist ein zunehmend komplexes Problem.
Folglich hat das Unternehmen drei wichtige Probleme mit der modernen Datenexplosion:
- Wo sind deine Daten?
- Welche Informationen sind wichtig genug, um als Beratung überwacht zu werden?
- Welche Personen müssen welchen Zugang zu jedem dieser Beratungsteile haben?
Ohne die Probleme zu beheben, ist das Unternehmen durch schlechte Entscheidungen auf der Grundlage ungenauer Daten und durch immer strengere Vorschriften zur Einhaltung von Daten gefährdet.
Beginnen Sie nicht bei Null
Angesichts der Herausforderung ist eine Lösung erforderlich. Zum Glück müssen Sie nicht bei Null anfangen. Vielmehr finden Sie Techniken in anderen Anwendungsbereichen, die genutzt und dem Problem angepasst werden können. ML-Theorien und andere Anwendungen könnten aus verschiedenen IT-Bereichen entlehnt werden, um sowohl Compliance als auch Geschäftsentscheidungen zu unterstützen.
Das maschinelle Lernen macht derzeit Fortschritte in der Netzwerk- und Anwendungssicherheit. Geschulte fundierte Lernsysteme untersuchen Transaktionen, um nach Anomalien zu suchen und Angriffe und andere Sicherheitsrisiken zu identifizieren. Gleichzeitig wurden Asset-Management-Systeme durch die Explosion mobiler Geräte und den Aufstieg von SaaS-Anwendungen vorangetrieben, um besser zu verstehen, welche physischen und geistigen Eigentumsrechte mit der Unternehmensinfrastruktur und den Netzwerken verbunden sind.
Diese Methoden können verwendet werden, um Netzwerkknoten abzufragen, die nach Datenressourcen suchen, um ein besseres Metadatenmodell für Unternehmen zu erstellen. Transaktionen im Netzwerk könnten nach neuen Informationen und zur angemessenen Verwendung abgefragt werden.
Datenverwaltung zur Unterstützung des Self-Service
Von entscheidender Bedeutung ist, dass das ML-System neben der Verwaltung der Einhaltung auch dazu beitragen kann, den Zugang zu Informationen zu verbessern. In BI ist es nicht ausreichend, Ausnahmen zu erkennen und Risiken zu identifizieren. Wenn Analysen wirklich selbsterklärend werden sollen, ist ein schnellerer Zugriff auf Informationen erforderlich.
Im aktuellen Modell legen Compliance-Grundsätze und Analystenentscheidungen den Zugriff eines Mitarbeiters auf Datenbanken und spezielle Felder fest. Dies schränkt die Selbstbedienung erheblich ein, da wir uns nicht alle Anforderungen vorher vorstellen können.
Da NLP eine einfache Methode für Mitarbeiter bietet, um Geschäftsinformationen zu hinterfragen, Geschäftsprozesse zu kennen und auch neue Verbindungen zwischen Geschäftsdaten zu entdecken, kommt es häufig zu Gedanken, die auf Intuition und Einsicht beruhen. Ein Supervisor stellt eine Frage zu Beziehungen oder Daten, die er zuvor nicht in Betracht gezogen hat, stellt Daten, auf die noch nicht zugegriffen werden kann, oder versucht auf andere Weise, über die festgelegten Informationsgrenzen hinauszugehen.
Im Standardverfahren bedeutet dies, dass die Untersuchung plötzlich unterbrochen wird, E-Mails an die IT gesendet werden müssen, Gespräche geführt werden müssen und die Systeme angepasst werden müssen, um neue Richtlinien für die Barrierefreiheit zu ermöglichen.
Ein ML-Programm kann diesen Prozess erheblich beschleunigen, da alle Regeln und Erfahrungen vorhanden sind, um schnell neue Daten zu finden, festzustellen, ob vorhandene Daten den Compliance-Regeln entsprechen, und sofortigen Zugriff zu gewähren, oder die Anforderung einer sofortigen Überprüfung durch einen Compliance-Beauftragten zu kennzeichnen.
Diese Barriere ist viel komplexer als das, was jetzt mit Modifikationen von der UX geschieht, aber der Kampf ist genauso wichtig. Es ist nicht wichtig, wie schnell ein Manager eine Frage stellen kann, wenn es keinen schnellen Weg gibt, um zu verstehen, wo sich die Informationen zur Beantwortung des Problems befinden, und um zu entscheiden, ob der Fragesteller befugt ist, die Antwort zu kennen.
Maschinelles Lernen bietet die Möglichkeit, Unternehmensdaten in der verteilten Welt viel besser zu verwalten. Während das Unternehmen nach Möglichkeiten sucht, viel bessere Fragen zu stellen, sollte es sich mit der Suche und dem Umgang mit den Informationen befassen, die Antworten liefern.
