По мере того как искусственный интеллект (AI) и машинное обучение (ML) начинают переходить из академических кругов в деловой мир, большое внимание уделяется тому, как они могут помочь бизнес-аналитике (BI). Системы, использующие исследования естественного языка, обладают большим потенциалом, чтобы помочь руководству быстрее исследовать корпоративную информацию, проводить анализ, а также составлять бизнес-планы. В предыдущей колонке, посвященной «самоподдерживающейся» бизнес-аналитике (BI), были кратко упомянуты две области, в которых машинное обучение поможет бизнес-аналитике. Хотя пользовательский интерфейс, пользовательский опыт (UX), все, наглядность - это лишь верхушка этого айсберга. Информация, поставляемая в UX, гораздо более значима.
Хотя это очень важно, еще более важно иметь возможность доверять отображаемым данным. ИИ и машинное обучение могут помочь решить эту проблему.
Все начинается с данных
Хотя мэйнфреймы все еще существуют, то время, когда их мэйнфреймы контролировали все данные и информацию, давно прошло. Хотя в 1990-е годы были предприняты попытки создания информационных хранилищ, данные - это жидкий продукт, который существует слишком во многих местах, чтобы когда-либо сделать хранилище «единственной версией реальности», на которую надеялись. Информационное озеро сейчас - это только функциональные стероиды, хранящие данные. Это помогает, но это больше не будет единым хранилищем, чем предыдущие попытки сделать то же самое.
Данные существуют во многих системах, а также развитие Интернета вещей и систем облачных вычислений означает, что данные продолжают распространяться дальше от ядра локальных вычислений. Работа по отслеживанию всей информации и определению данных становится все более сложной проблемой.
Следовательно, у предприятия есть три важных проблемы с современным взрывом данных:
- Где твои данные?
- Какая информация достаточно важна, чтобы ее можно было рассматривать как совет?
- Какие люди должны иметь доступ к каждой из этих частей совета?
Без устранения проблем бизнес подвергается риску из-за неправильного принятия решений на основе неточных данных и из-за все более строгих правил соблюдения данных.
Не начинайте с нуля
Учитывая эту проблему, необходимо решение. К счастью, нет необходимости начинать с нуля. Скорее, вы найдете методы в других областях приложений, которые можно использовать и приспособить к проблеме. Теории машинного обучения и другие приложения могут быть заимствованы из различных областей ИТ, чтобы способствовать соблюдению нормативных требований и принятию бизнес-решений.
Машинное обучение в настоящее время проникает в безопасность сетей и приложений. Обученные системы глубокого обучения исследуют транзакции на предмет аномалий и выявления атак и других угроз безопасности. В то же время, развитие систем управления активами подтолкнуло к развитию мобильных устройств и приложений SaaS, чтобы лучше понять, какие активы физической и интеллектуальной собственности связаны с корпоративной инфраструктурой и сетями.
Эти методы могут использоваться для запроса сетевых узлов, ищущих ресурсы данных, чтобы помочь построить лучшую корпоративную модель метаданных. Транзакции в сети могут быть опрошены для получения новой информации и для надлежащего использования.
Управление данными с помощью самообслуживания
Решающее значение имеет то, что система ML может помочь в улучшении доступа к информации наряду с соблюдением требований. В BI неадекватно обнаруживать исключения и идентифицировать риски. Когда аналитика действительно становится понятной, необходим более быстрый доступ к информации.
В текущей модели принципы соответствия и решения аналитиков устанавливают доступ работника к базам данных и специальным полям. Это значительно ограничивает самообслуживание по той простой причине, что мы не можем заранее представить себе все требования.
Поскольку NLP предоставляет персоналу простой метод для проверки бизнес-информации, изучения бизнес-процессов, а также для обнаружения новых связей между бизнес-данными, часто приходят мысли, основанные на интуиции и понимании. Руководитель задаст вопрос об отношениях или данных, которые он ранее не рассматривал, запросит данные, которые еще не доступны, или иным образом попытается выйти за рамки жестко установленных информационных границ.
В стандартной процедуре это означает, что расследование внезапно прекращается, электронные письма должны быть отправлены в ИТ, должны состояться переговоры, а затем необходимо настроить системы, чтобы разрешить новые правила доступности.
Программа машинного обучения может значительно ускорить этот процесс, обладая всеми правилами и опытом, позволяющими быстро находить новые данные, проверять, соответствуют ли существующие данные правилам соответствия, и предоставлять немедленный доступ или отмечать запрос на немедленную проверку сотрудником по соответствию.
Этот барьер намного сложнее, чем то, что происходит сейчас с модификациями UX, но борьба не менее важна. Неважно, насколько легко менеджер может задать вопрос, если нет быстрого способа понять, где находится информация для ответа на вопрос, а также выбрать, имеет ли задающий вопрос полномочия знать ответ.
Машинное обучение дает возможность гораздо лучше управлять корпоративными данными в распределенном мире. В то время как компания ищет способы задавать гораздо более эффективные вопросы, ей следует подумать о том, как найти и обработать информацию, которая дает ответы.