Nu kunstmatige intelligentie (AI) en machine learning (ML) van de academische wereld naar het bedrijfsleven beginnen te verhuizen, is er veel aandacht voor hoe ze business intelligence (BI) kunnen ondersteunen. Er zit veel potentieel in systemen die natuurlijke taalonderzoek gebruiken om het management te helpen sneller bedrijfsinformatie te onderzoeken, analyses uit te voeren en ook bedrijfsplannen op te stellen. In een eerdere column over "zelfvoorzienende" business intelligence (BI) werden kort twee aandachtsgebieden genoemd waarin ML BI zal helpen. Hoewel de consumenteninterface, de gebruikerservaring (UX), dingen, de zichtbaarheid ervan gewoon het topje van deze ijsberg is. De informatie die aan de UX wordt geleverd, is veel belangrijker.
Hoewel dat erg belangrijk is, is het nog belangrijker om erop te kunnen vertrouwen dat de weergegeven gegevens worden weergegeven. AI en machine learning kunnen helpen bij het aanpakken van die uitdaging.
Het begint met gegevens
Terwijl mainframes nog steeds bestaan, is de middag dat hun mainframe alle gegevens en informatie bestuurt, allang voorbij. Hoewel in de jaren negentig inspanningen werden geleverd bij informatiemagazijnen, zijn gegevens een vloeibaar product dat op te veel plaatsen bestaat om ooit van het pakhuis de "enkele versie van de werkelijkheid" te maken waarop men hoopte. Het informatiemeer van nu is alleen de functionele gegevensopslag online steroïden. Het helpt, maar het zal niet langer een enkele repository zijn dan de vorige pogingen tot hetzelfde.
Gegevens zijn aanwezig in tal van systemen en ook de ontwikkeling van IoT- en cloudcomputersystemen betekent dat gegevens steeds verder weg blijven van de kern van on-premise computing. Werken om alle informatie te bewaken en te bepalen welke gegevens er zijn, wordt een steeds complexer probleem.
Bijgevolg heeft de onderneming drie belangrijke problemen met de moderne explosie van gegevens:
- Waar zijn uw gegevens?
- Welke informatie is significant genoeg om als advies te worden opgevolgd?
- Welke personen moeten welke toegang hebben tot elk van die delen van advies?
Zonder de problemen op te lossen, loopt het bedrijf gevaar door slechte besluitvorming op basis van onnauwkeurige gegevens en door steeds strengere dataconformiteitsregels.
Begin niet vanaf nul
Gezien de uitdaging is er een oplossing nodig. Gelukkig hoeft u niet helemaal opnieuw te beginnen. In plaats daarvan vindt u technieken in andere toepassingsgebieden die kunnen worden gebruikt en aangepast aan het probleem. ML-theorieën en andere toepassingen kunnen worden geleend uit verschillende IT-gebieden om zowel compliance als zakelijke besluitvorming te helpen.
Machine learning maakt momenteel een opmars in netwerk- en applicatiebeveiliging. Getrainde diepgaande leersystemen onderzoeken transacties om afwijkingen op te sporen en aanvallen en andere veiligheidsrisico's te identificeren. Tegelijkertijd zijn assetmanagementsystemen geduwd door de explosie van mobiele apparaten en de opkomst van SaaS-applicaties om beter te begrijpen welke fysieke en intellectuele eigendommen zijn verbonden met de bedrijfsinfrastructuur en netwerken.
Deze methoden kunnen worden gebruikt om netwerkknooppunten te bevragen die zoeken naar gegevensbronnen om zo een beter bedrijfsmetadatamodel te helpen bouwen. Transacties op het netwerk kunnen worden ondervraagd voor nieuwe informatie en voor gepast gebruik.
Gegevensbeheer ter ondersteuning van selfservice
Van cruciaal belang is dat het ML-systeem kan helpen bij het verbeteren van de toegang tot informatie naast het beheren van compliance. Het is in BI onvoldoende om uitzonderingen te ontdekken en risico's te identificeren. Als analyses echt vanzelfsprekend moeten worden, is snellere toegang tot informatie noodzakelijk.
In het huidige model bepalen nalevingsprincipes en beslissingen van analisten de toegang van een werknemer tot databases en speciale velden. Dat beperkt de zelfbediening aanzienlijk door het simpele feit dat we ons niet van tevoren alle eisen kunnen voorstellen.
Omdat NLP personeel een eenvoudige methode biedt om bedrijfsinformatie in twijfel te trekken, bedrijfsprocessen te kennen en ook om nieuwe verbanden tussen bedrijfsgegevens te ontdekken, komen er vaak gedachten op basis van intuïtie en inzicht. Een supervisor zal een vraag stellen over relaties of gegevens waar ze niet eerder over heeft nagedacht, gegevens vragen die nog niet toegankelijk zijn, of anderszins proberen buiten de harde informatiegrenzen te treden.
In de standaardprocedure betekent dat dat het onderzoek plotseling stilstaat, e-mails de IT in moeten, er moeten gesprekken plaatsvinden en vervolgens moeten systemen worden aangepast om nieuwe toegankelijkheidsrichtlijnen mogelijk te maken.
Een ML-programma kan dat proces aanzienlijk versnellen, met alle regels en ervaring om snel nieuwe gegevens te vinden, te kijken of aanwezige gegevens binnen de nalevingsregels passen en onmiddellijke toegang te verlenen, of het verzoek om onmiddellijke inspectie door een nalevingsfunctionaris te markeren.
Deze barrière is veel complexer dan wat er nu gebeurt met aanpassingen vanuit de UX, maar de strijd is net zo belangrijk. Het is niet belangrijk hoe gemakkelijk een manager een vraag kan stellen als er geen snelle manier is om te begrijpen waar de informatie om het probleem te beantwoorden zich bevindt en ook om te kiezen of de vraagsteller de autoriteit heeft om op de hoogte te zijn van het antwoord.
Machine learning biedt de mogelijkheid om bedrijfsgegevens in de gedistribueerde wereld veel beter te beheren. Terwijl het bedrijf manieren zoekt om veel betere vragen te stellen, zou het moeten kijken naar hoe de informatie die antwoorden geeft, kan worden gevonden en ermee kan worden omgegaan.