Kun tekoäly (AI) ja koneoppiminen (ML) alkavat siirtyä akateemisesta maailmasta liike-elämään, on kiinnitetty paljon huomiota siihen, miten ne voisivat auttaa yritystietoja (BI). Järjestelmissä on paljon potentiaalia, jotka käyttävät luonnollista kielten tutkimusta auttaakseen hallintaa nopeammin tutkimaan yritystietoja, tekemään analyyseja ja laatimaan myös liiketoimintasuunnitelmia. Edellisessä sarakkeessa, jossa puhuttiin "itsensä ylläpitävästä" liiketoimintatiedosta (BI), mainittiin lyhyesti kaksi painopistealuetta, joilla ML auttaa BI: tä. Vaikka kuluttajarajapinta, käyttökokemus (UX), asiat, sen näkyvyys on yksinkertaisesti tämän jäävuoren huippu. UX: lle toimitettavat tiedot ovat paljon merkittävämpiä.
Vaikka tämä on erittäin tärkeää, on vielä tärkeämpää luottaa siihen, että näytettävät tiedot ovat. Tekoäly ja koneoppiminen voivat auttaa vastaamaan tähän haasteeseen.
Se alkaa tiedoista
Vaikka keskusyksiköitä on edelleen olemassa, niiden datan ja tiedon hallinnan iltapäivä on jo kauan mennyt. Vaikka 1990-luvulla ponnistellaan tietovarastoissa, data on nestemäinen tuote, jota on olemassa liian monissa paikoissa, jotta varastosta voisi koskaan tehdä toivotun "yhden version todellisuudesta". Nyt tietojärvi on vain toiminnallinen tietovarasto online-steroideja. Se auttaa, mutta se ei enää ole ainoa arkisto kuin aikaisemmat yritykset samaan asiaan.
Data on olemassa lukuisissa järjestelmissä, ja myös IoT: n ja pilvipalvelujärjestelmien kehittäminen tarkoittaa, että data ulottuu kauemmaksi paikallisen laskennan ytimestä. Työskentely kaikkien tietojen seuraamiseksi ja tietojen selvittämiseksi on yhä monimutkaisempi ongelma.
Tästä johtuen yrityksellä on kolme tärkeää kysymystä nykyaikaisessa räjähdyksessä:
- Missä tietosi ovat?
- Mitkä tiedot ovat riittävän merkittäviä seurattaviksi neuvona?
- Millä ihmisillä on oltava pääsy kuhunkin näistä neuvojen osista?
Ilman ongelmien korjaamista liiketoiminta on vaarassa epätarkkoihin tietoihin perustuvan huonon päätöksenteon ja yhä tiukempien tietojen noudattamista koskevien säännösten vuoksi.
Älä aloita naarmuilta
Ottaen huomioon haasteen tarvitaan ratkaisu. Onneksi ei tarvitse aloittaa tyhjästä. Pikemminkin löydät tekniikoita muilta sovellusalueilta, joita voidaan hyödyntää ja sovittaa asiaan. ML-teorioita ja muita sovelluksia voitaisiin lainata tietotekniikan eri aloilta sekä vaatimustenmukaisuuden että liiketoiminnan päätöksenteon helpottamiseksi.
Koneoppiminen on tällä hetkellä etenemässä verkko- ja sovellusturvallisuudessa. Koulutetut syvälliset oppimisjärjestelmät tutkivat tapahtumia poikkeamien löytämiseksi ja hyökkäysten ja muiden turvallisuusriskien tunnistamiseksi. Samaan aikaan mobiililaitteiden räjähdysminen ja SaaS-sovellusten nousu ovat työntäneet omaisuudenhoitojärjestelmiä ymmärtämään paremmin, mitkä fyysiset ja henkiset omaisuudet ovat yhteydessä yrityksen infrastruktuuriin ja verkkoihin.
Näitä menetelmiä voidaan käyttää tietolähteitä etsivien verkkosolmujen kyselyyn paremman yrityksen metatietomallin rakentamisen helpottamiseksi. Verkkotapahtumia voidaan kysyä uutta tietoa ja asianmukaista käyttöä varten.
Tiedonhallintaa avustava itsepalvelu
Keskeistä on, että ML-järjestelmä voi auttaa parantamaan tiedon saatavuutta vaatimustenmukaisuuden hallinnan ohella. BI: ssä on riittämätöntä löytää poikkeuksia ja tunnistaa riski. Kun analytiikasta on todella tulossa itsestään selvää, tiedon nopeampi käyttö on välttämätöntä.
Nykyisessä mallissa noudattamisperiaatteet ja analyytikkopäätökset asettavat työntekijän pääsyn tietokantoihin ja erityiskenttiin. Se rajoittaa merkittävästi itsepalvelua hyvin yksinkertaisella tosiasialla, että emme voi kuvitella kaikkia vaatimuksia etukäteen.
Koska NLP tarjoaa henkilöstölle yksinkertaisen menetelmän yritystietojen kyseenalaistamiseksi, liiketoimintaprosessien tuntemiseksi ja myös uusien yhteyksien löytämiseksi yritystietojen välillä, tulee usein ajatuksia, jotka perustuvat intuitioon ja oivalluksiin. Esimies kysyy suhteista tai tiedoista, joita hän ei ole aiemmin harkinnut, kysyy tietoja, joihin ei vielä ole pääsyä, tai yrittää muuten ylittää tiukasti asetetut tietorajat.
Tavallisessa menettelyssä tämä tarkoittaa, että tutkimus on yhtäkkiä pysähtynyt, sähköposteihin on lähetettävä sähköposteja, neuvotteluja on käytävä ja sitten järjestelmiä on mukautettava uusien esteettömyysohjeiden sallimiseksi.
ML-ohjelma voi nopeuttaa huomattavasti tätä prosessia kaikilla säännöillä ja kokemuksella uusien tietojen löytämiseksi nopeasti, nähdäksesi, sopivatko nykyiset tiedot vaatimustenmukaisuutta koskevien sääntöjen piiriin ja myöntää välittömän pääsyn, tai ilmoittaa vaatimustenmukaisuudesta vastaavan viranomaisen välitöntä tarkastusta koskevan pyynnön.
Tämä este on paljon monimutkaisempi kuin mitä tapahtuu nyt UX: n muunnoksilla, mutta taistelu on yhtä tärkeä. Ei ole tärkeää, kuinka helposti johtaja voi esittää kysymyksen, ellei ole nopeaa tapaa ymmärtää, missä tiedot kysymykseen vastaamiseksi ovat, ja myös valita, onko kysyjällä valtuudet olla tietoinen vastauksesta.
Koneoppiminen tarjoaa mahdollisuuden hallita yritystietoja entistä paremmin hajautetussa maailmassa. Vaikka yritys etsii tapoja esittää paljon parempia kysymyksiä, sen tulisi etsiä vastausten tarjoavan tiedon löytämistä ja käsittelyä.