Da kunstig intelligens (AI) og maskinindlæring (ML) begynder at bevæge sig ud af den akademiske verden til erhvervslivet, har der været en hel del opmærksomhed omkring, hvordan de kunne hjælpe business intelligence (BI). Der er meget potentiale i systemer, der bruger forskning i naturligt sprog til at hjælpe ledelsen hurtigere med at undersøge virksomhedsinformation, lave analyser og også etablere forretningsplaner. En tidligere kolonne, der talte om "self-sustaining" business intelligence (BI), nævnte kort to fokusområder, hvor ML vil hjælpe BI. Selvom forbrugergrænsefladen, brugeroplevelsen (UX), ting, er dens synlighed simpelthen toppen af dette isbjerg. Oplysningerne, der leveres til UX, er meget mere vigtige.
Selvom det er meget vigtigt, er det endnu mere afgørende at kunne stole på, at de data, der vises. AI og maskinindlæring kan hjælpe med at løse den udfordring.
Det begynder med data
Mens mainframes stadig eksisterer, er eftermiddagen med deres mainframe, der styrer alle data og information, længe væk. Selvom der i 1990'erne var indsats på informationslagre, er data et flydende produkt, der findes for mange steder til nogensinde at gøre lageret til den "enkeltversion af virkeligheden", som man håbede. Nu informationssø er kun den funktionelle datalager online steroider. Det hjælper, men det vil ikke længere være et enkelt arkiv end at have de tidligere forsøg på den samme ting.
Data findes i mange systemer, og også udvikling af IoT og cloud computing-systemer betyder, at data fortsætter med at strække sig længere væk fra kernen i lokal computing. Arbejdet med at overvåge alle oplysninger og bestemme, hvad data er, er et stadig mere komplekst problem.
Derfor har virksomheden tre vigtige problemer med den moderne eksplosion i data:
- Hvor er dine data?
- Hvilke oplysninger er vigtige nok til at blive overvåget som rådgivning?
- Hvilke personer skal have hvilken adgang til hver af disse rådgivning?
Uden at løse problemerne er virksomheden i fare gennem dårlig beslutningstagning baseret på unøjagtige data og fra stadig stærkere databeskyttelsesregler.
Start ikke fra bunden
I betragtning af at udfordringen er der brug for en løsning. Heldigvis er der ingen grund til at starte fra bunden. I stedet finder du teknikker inden for andre anvendelsesområder, der kan udnyttes og tilpasses problemet. ML-teorier og andre applikationer kunne lånes fra forskellige IT-områder for at hjælpe både overholdelse og forretningsbeslutning.
Maskinindlæring er i øjeblikket ved at komme i gang i netværk og applikationssikkerhed. Uddannede dybe læringssystemer undersøger transaktioner for at lede efter uregelmæssigheder og identificere angreb og andre sikkerhedsrisici. Samtidig er aktivstyringssystemer blevet skubbet af eksplosionen af mobile enheder og stigningen i SaaS-applikationer for bedre at forstå, hvilke fysiske og intellektuelle ejendomsaktiver, der er forbundet med virksomhedens infrastruktur og netværk.
Disse metoder kan bruges til at forespørge på netværksnoder, der søger efter dataressourcer for at hjælpe med at opbygge en bedre virksomheds metadatamodel. Transaktioner på netværket kunne afhøres med henblik på ny info og til passende brug.
Datastyringsassisterende selvbetjening
Af afgørende betydning kan ML-systemet hjælpe med at forbedre adgangen til information sammen med styring af overholdelse. Det er utilstrækkeligt i BI at opdage undtagelser og identificere risiko. Når analyser virkelig skal forklare sig selv, er hurtigere adgang til information nødvendig.
I den nuværende model indstiller overholdelsesprincipper og analytikerbeslutninger en medarbejders adgang til databaser og specielle felter. Det begrænser selvbetjeningen markant gennem den meget enkle kendsgerning, at vi ikke kan forestille os alle krav på forhånd.
Da NLP giver en enkel metode til personale til at sætte spørgsmålstegn ved forretningsinformation, at kende forretningsprocesser og også at opdage nye forbindelser mellem forretningsdata, kommer der ofte tanker baseret på intuition og indsigt. En vejleder vil stille et spørgsmål om relationer eller data, hun ikke tidligere har overvejet, stille data, der endnu ikke er tilgængelige, eller på anden måde forsøge at strække sig ud over de hårdt indstillede informationsgrænser.
I standardproceduren betyder det, at undersøgelsen pludselig stopper, e-mails skal sendes til IT, samtaler skal ske, og så skal systemer justeres for at tillade nye retningslinjer for tilgængelighed.
Et ML-program kan i væsentlig grad fremskynde processen med alle regler og erfaringer til hurtigt at finde nye data, se om nuværende data passer inden for overholdelsesregler og give øjeblikkelig adgang eller markere anmodningen om øjeblikkelig inspektion af en compliance officer.
Denne barriere er meget mere kompleks end hvad der sker nu med ændringer fra UX, men kampen er lige så vigtig. Det er ikke vigtigt, hvor let en manager kan stille et spørgsmål, hvis der ikke er en hurtig måde at forstå, hvor informationen til at besvare problemet ligger, og også at vælge, om spørgeren har myndighed til at være opmærksom på svaret.
Maskinindlæring giver mulighed for meget bedre at styre virksomhedsdata i den distribuerede verden. Mens virksomheden ser på måder at stille meget bedre spørgsmål på, bør den se på, hvordan man finder og håndterer de oplysninger, der giver svar.