À medida que a inteligência artificial (IA) e o aprendizado de máquina (ML) começam a sair da academia para o mundo dos negócios, tem havido muita atenção sobre como eles poderiam auxiliar a inteligência de negócios (BI). Há muito potencial em sistemas que usam pesquisa de linguagem natural para ajudar a administração a pesquisar informações corporativas mais rapidamente, fazer análises e também estabelecer planos de negócios. Uma coluna anterior falando sobre business intelligence (BI) "autossustentável" mencionou brevemente duas áreas de enfoque nas quais o ML ajudará o BI. Embora a interface do consumidor, a experiência do usuário (UX), as coisas, sua visibilidade seja simplesmente a ponta deste iceberg. As informações fornecidas ao UX são muito mais significativas.
Embora isso seja muito importante, ser capaz de confiar nos dados exibidos é ainda mais crucial. A IA e o aprendizado de máquina podem ajudar a enfrentar esse desafio.
Começa com Dados
Embora os mainframes ainda existam, a tarde de seu mainframe controlando todos os dados e informações já se foi. Embora a década de 1990 tenha testemunhado esforços em depósitos de informações, os dados são um produto líquido que existe em muitos lugares para tornar o depósito a "versão única da realidade" que se esperava. O lago de informações de agora é apenas os esteróides online de armazenamento de dados funcionais. Isso ajuda, mas não será mais um único repositório do que possuir as tentativas anteriores da mesma coisa.
Os dados existem em vários sistemas e também o desenvolvimento de IoT e sistemas de computação em nuvem significa que os dados continuam se estendendo para longe do núcleo da computação local. Trabalhar para monitorar todas as informações e determinar quais são os dados é um problema cada vez mais complexo.
Consequentemente, a empresa tem três problemas importantes com a explosão moderna de dados:
- Onde estão seus dados?
- Quais informações são significativas o suficiente para serem monitoradas como um conselho?
- Quais indivíduos devem ter acesso a cada uma dessas partes do conselho?
Sem corrigir os problemas, a empresa corre risco devido à má tomada de decisões com base em dados imprecisos e de regulamentos de conformidade de dados cada vez mais rígidos.
Não comece do zero
Dado esse desafio, é necessária uma solução. Felizmente, não há necessidade de começar do zero. Em vez disso, você encontrará técnicas em outros campos de aplicativos que podem ser aproveitadas e adaptadas ao problema. Teorias de ML e outros aplicativos podem ser emprestados de diferentes áreas de TI para ajudar na conformidade e na tomada de decisões de negócios.
O aprendizado de máquina está atualmente fazendo incursões na segurança de redes e aplicativos. Os sistemas de aprendizagem profunda treinados estão investigando as transações para procurar anomalias e identificar ataques e outros riscos à segurança. Ao mesmo tempo, os sistemas de gerenciamento de ativos foram impulsionados pela explosão de dispositivos móveis e o surgimento de aplicativos SaaS para compreender melhor quais ativos de propriedade física e intelectual estão conectados à infraestrutura e redes corporativas.
Esses métodos podem ser usados para consultar nós de rede em busca de recursos de dados, a fim de ajudar a construir um melhor modelo de metadados corporativos. As transações na rede podem ser interrogadas para novas informações e para uso apropriado.
Autoatendimento de assistência à gestão de dados
De importância crucial, o sistema de ML pode ajudar a melhorar o acesso às informações, além de gerenciar a conformidade. É inadequado em BI descobrir exceções e identificar riscos. Quando as análises realmente devem se tornar autoexplicativas, é necessário um acesso mais rápido às informações.
No modelo atual, os princípios de conformidade e as decisões do analista definem o acesso do trabalhador a bancos de dados e campos especiais. Isso restringe significativamente o autoatendimento pelo simples fato de que não podemos imaginar todas as demandas de antemão.
Como a PNL fornece um método simples para o pessoal questionar informações de negócios, conhecer processos de negócios e também descobrir novas conexões entre dados de negócios, frequentemente surgirão pensamentos baseados na intuição e no insight. Um supervisor fará uma pergunta sobre relacionamentos ou dados que ela não contemplou anteriormente, perguntará a dados ainda não acessíveis ou tentará se estender além dos limites fixos de informação.
No procedimento padrão, isso significa que a investigação é interrompida repentinamente, e-mails devem ser enviados para a TI, conversas devem acontecer e, então, os sistemas devem ser ajustados para permitir novas diretrizes de acessibilidade.
Um programa de ML pode acelerar consideravelmente esse processo, com todas as regras e experiência para encontrar rapidamente novos dados, ver se os dados presentes se enquadram nas regras de conformidade e conceder acesso imediato ou sinalizar a solicitação de inspeção imediata por um oficial de conformidade.
Essa barreira é muito mais complexa do que o que está ocorrendo agora com as modificações da UX, mas a luta é tão importante quanto. Não é importante a rapidez com que um gerente pode fazer uma pergunta se não houver uma maneira rápida de entender onde reside a informação para responder à questão e também para escolher se o questionador tem autoridade para estar ciente da resposta.
O aprendizado de máquina oferece a possibilidade de gerenciar muito melhor os dados corporativos no mundo distribuído. Enquanto a empresa procura maneiras de fazer perguntas muito melhores, ela deve procurar como localizar e lidar com as informações que fornecem as respostas.