Wrth i ddeallusrwydd artiffisial (AI) a dysgu â pheiriant (ML) ddechrau symud allan o'r byd academaidd i fyd busnes, bu cryn sylw ar sut y gallent gynorthwyo deallusrwydd busnes (BI). Mae yna lawer o botensial mewn systemau sy'n defnyddio ymchwil iaith naturiol i gynorthwyo rheolwyr i ymchwilio i wybodaeth gorfforaethol yn gyflymach, gwneud dadansoddiad, a hefyd sefydlu cynlluniau busnes. Soniodd colofn flaenorol yn siarad gwybodaeth fusnes "hunangynhaliol" (BI) yn fyr am ddau faes ffocws y bydd ML yn helpu BI ynddynt. Er bod y rhyngwyneb defnyddiwr, profiad y defnyddiwr (UX), pethau, ei welededd yn syml yw blaen y mynydd iâ hwn. Mae'r wybodaeth a gyflenwir i'r UX yn llawer mwy arwyddocaol.
Er bod hynny'n bwysig iawn, mae gallu ymddiried bod y data sy'n cael ei arddangos hyd yn oed yn bwysicach. Gall AI a dysgu â pheiriant helpu i fynd i'r afael â'r her honno.
Mae'n Dechrau Gyda Data
Er bod prif fframiau'n dal i fodoli, mae prynhawn eu prif ffrâm sy'n rheoli'r holl ddata a gwybodaeth wedi hen fynd. Er bod y 1990au wedi gweld ymdrechion mewn warysau gwybodaeth, mae data yn gynnyrch hylif sy'n bodoli mewn gormod o leoedd i wneud y warws y "fersiwn sengl o realiti" yr oedd yn gobeithio. Llyn gwybodaeth Nawr yw'r steroidau ar-lein storfa ddata swyddogaethol yn unig. Mae'n helpu ond ni fydd bellach yn un ystorfa na meddu ar yr ymdrechion blaenorol ar yr un peth.
Mae data yn bodoli mewn nifer o systemau a hefyd mae datblygu systemau IoT a chyfrifiadura cwmwl yn golygu bod data'n parhau i ymestyn ymhellach i ffwrdd o graidd cyfrifiadura ar safle. Mae gweithio i fonitro'r holl wybodaeth a phenderfynu pa ddata sy'n broblem gynyddol gymhleth.
O ganlyniad, mae gan y fenter dri mater pwysig gyda'r ffrwydrad modern mewn data:
- Ble mae'ch data?
- Pa wybodaeth sy'n ddigon sylweddol i gael ei monitro fel cyngor?
- Pa unigolion sy'n gorfod cael mynediad at bob un o'r rhannau hynny o gyngor?
Heb ddatrys y problemau, mae'r busnes mewn perygl trwy wneud penderfyniadau gwael yn seiliedig ar ddata anghywir ac o reoliadau cydymffurfio data cynyddol gryf.
Peidiwch â Dechrau O Scratch
O ystyried bod yr her, mae angen datrysiad. Yn ffodus, nid oes angen dechrau o'r dechrau. Yn hytrach, fe welwch dechnegau mewn meysydd eraill o gymwysiadau y gellir eu trosoli a'u cynnwys yn y mater. Gellid benthyca damcaniaethau ML a chymwysiadau eraill o wahanol feysydd TG i helpu cydymffurfiaeth a gwneud penderfyniadau busnes.
Ar hyn o bryd mae dysgu trwy beiriant yn gwneud cynnydd o ran diogelwch rhwydwaith a chymhwysiad. Mae systemau dysgu dwys hyfforddedig yn ymchwilio i drafodion i chwilio am anghysonderau a nodi ymosodiadau a risgiau diogelwch eraill. Ar yr un pryd, mae systemau rheoli asedau wedi cael eu gwthio gan ffrwydrad dyfeisiau symudol a chynnydd cymwysiadau SaaS i ddeall yn well pa asedau eiddo ffisegol a deallusol sy'n gysylltiedig â'r seilwaith a'r rhwydweithiau corfforaethol.
Gellir defnyddio'r dulliau hynny i ymholi nodau rhwydwaith sy'n chwilio am adnoddau data er mwyn helpu i adeiladu model metadata corfforaethol gwell. Gellid archwilio trafodion ar y rhwydwaith i gael gwybodaeth newydd ac i'w defnyddio'n briodol.
Rheoli Data yn Cynorthwyo Hunan Wasanaeth
O arwyddocâd hanfodol, gallai'r system ML gynorthwyo i wella mynediad at wybodaeth ochr yn ochr â rheoli cydymffurfiad. Mae'n annigonol yn BI i ddarganfod eithriadau a nodi risg. Pan fydd dadansoddeg yn wirioneddol i ddod yn hunanesboniadol, mae angen mynediad cyflymach at wybodaeth.
Yn y model cyfredol, mae egwyddorion cydymffurfio a phenderfyniadau dadansoddwyr yn gosod mynediad gweithiwr i gronfeydd data a meysydd arbennig. Mae hynny'n cyfyngu'n sylweddol ar hunanwasanaeth trwy'r ffaith syml iawn na allwn ddychmygu pob galw ymlaen llaw.
Gan fod NLP yn darparu dull syml i bersonél gwestiynu gwybodaeth fusnes, i wybod prosesau busnes, a hefyd i ddarganfod cysylltiadau newydd rhwng data busnes, yn aml fe ddaw meddyliau yn seiliedig ar reddf a mewnwelediad. Bydd goruchwyliwr yn gofyn cwestiwn am berthnasoedd neu ddata nad yw wedi'u hystyried o'r blaen, yn gofyn am ddata nad yw'n hygyrch eto, neu fel arall yn ceisio ymestyn y tu hwnt i'r ffiniau gwybodaeth caled.
Yn y weithdrefn safonol, mae hynny'n golygu bod yr ymchwiliad yn dod i ben yn sydyn, mae'n rhaid anfon e-byst i mewn i TG, rhaid i sgyrsiau ddigwydd ac yna mae'n rhaid addasu systemau i ganiatáu canllawiau hygyrchedd newydd.
Gall rhaglen ML gyflymu'r broses honno'n sylweddol, gyda'r holl reolau a phrofiad i ddod o hyd i ddata newydd yn gyflym, gweld a yw'r data presennol yn cyd-fynd â rheolau cydymffurfio a chaniatáu mynediad ar unwaith, neu dynnu sylw at y cais am archwiliad ar unwaith gan swyddog cydymffurfio.
Mae'r rhwystr hwn yn llawer mwy cymhleth na'r hyn sy'n digwydd nawr gydag addasiadau o'r UX, ond mae'r frwydr yr un mor bwysig. Nid yw'n bwysig pa mor hawdd y gall rheolwr ofyn cwestiwn os nad oes ffordd gyflym o ddeall ble mae'r wybodaeth i ateb y mater yn byw a hefyd i ddewis a oes gan yr holwr yr awdurdod i fod yn ymwybodol o'r ateb.
Mae dysgu trwy beiriant yn gyfle i reoli data menter yn llawer gwell yn y byd dosbarthedig. Er bod y busnes yn edrych ar ffyrdd o ofyn cwestiynau llawer gwell, dylai edrych ar sut i ddod o hyd i'r wybodaeth sy'n darparu atebion a delio â hi.