Når kunstig intelligens (AI) og maskinlæring (ML) begynner å bevege seg ut av akademia til næringslivet, har det vært mye oppmerksomhet om hvordan de kan hjelpe business intelligence (BI). Det er mye potensiale i systemer som bruker naturlig språkforskning for å hjelpe ledelsen raskere med å undersøke bedriftsinformasjon, gjøre analyser og også etablere forretningsplaner. En forrige kolonne som snakket om "selvbærende" business intelligence (BI) nevnte kort to fokusområder der ML vil hjelpe BI. Selv om forbrukergrensesnittet, brukeropplevelsen (UX), ting, er synligheten ganske enkelt toppen av dette isfjellet. Informasjonen som leveres til UX er mye mer viktig.
Selv om det er veldig viktig, er det enda viktigere å kunne stole på at dataene som vises. AI og maskinlæring kan bidra til å løse den utfordringen.
Det begynner med data
Mens mainframes fortsatt eksisterer, har ettermiddagen til mainframe som kontrollerer all data og informasjon for lengst gått. Selv om det på 1990-tallet ble arbeidet med informasjonslager, er data et flytende produkt som eksisterer for mange steder til å gjøre lageret til den "eneste versjonen av virkeligheten" som en håpet. Now's information lake er bare den funksjonelle datalagringen på nettet steroider. Det hjelper, men det vil ikke lenger være et enkelt arkiv enn å ha tidligere forsøk på det samme.
Data finnes i mange systemer, og også utvikling av IoT og cloud computing-systemer betyr at data fortsetter å strekke seg lenger borte fra kjernen i lokal databehandling. Å jobbe for å overvåke all informasjonen og finne ut hva som er data er et stadig mer komplekst problem.
Derfor har bedriften tre viktige problemer med den moderne eksplosjonen i data:
- Hvor er dataene dine?
- Hvilken informasjon er viktig nok til å overvåkes som råd?
- Hvilke personer må ha hvilken tilgang til hver av disse rådene?
Uten å løse problemene, er virksomheten i fare gjennom dårlig beslutningstaking basert på unøyaktige data og fra stadig sterkere regelverk for overholdelse av data.
Ikke start fra bunnen av
Gitt at utfordringen, er det nødvendig med en løsning. Heldigvis er det ikke nødvendig å starte fra bunnen av. Snarere vil du finne teknikker innen andre applikasjonsfelt som kan utnyttes og tilpasses problemet. ML-teorier og andre applikasjoner kan lånes fra forskjellige IT-felt for å hjelpe både etterlevelse og forretningsbeslutninger.
Maskinlæring er for tiden på vei inn i nettverks- og applikasjonssikkerhet. Trenede dype læringssystemer undersøker transaksjoner for å lete etter avvik og identifisere angrep og andre sikkerhetsrisikoer. Samtidig har kapitalforvaltningssystemer blitt presset av eksplosjonen av mobile enheter og økningen av SaaS-applikasjoner for å bedre forstå hvilke fysiske og immaterielle eiendeler som er knyttet til bedriftsinfrastrukturen og nettverkene.
Disse metodene kan brukes til å søke på nettverksnoder som søker etter dataressurser for å bidra til å bygge en bedre bedriftsmetadatamodell. Transaksjoner på nettverket kan avhøres for ny informasjon og for riktig bruk.
Data Management Assisting Self Service
Av avgjørende betydning kan ML-systemet hjelpe deg med å forbedre tilgangen til informasjon sammen med å håndtere samsvar. Det er utilstrekkelig i BI å oppdage unntak og identifisere risiko. Når analyse virkelig skal bli selvforklarende, er raskere tilgang til informasjon nødvendig.
I den gjeldende modellen setter overholdelsesprinsipper og analytikerbeslutninger arbeidstakers tilgang til databaser og spesielle felt. Dette begrenser selvbetjeningen betydelig, fordi vi ikke kan forestille oss alle krav på forhånd.
Siden NLP gir en enkel metode for personell å stille spørsmål ved forretningsinformasjon, å kjenne forretningsprosesser, og også å oppdage nye sammenhenger mellom forretningsdata, vil det ofte komme tanker basert på intuisjon og innsikt. En veileder vil stille et spørsmål om forhold eller data hun ikke tidligere har tenkt på, stille data som ennå ikke er tilgjengelige, eller på annen måte prøve å strekke seg utover de hardt innstilte informasjonsgrensene.
I standardprosedyren betyr det at etterforskningen stopper plutselig, e-postmeldinger må sendes til IT, samtaler må skje, og deretter må systemene justeres for å tillate nye tilgjengelighetsretningslinjer.
Et ML-program kan betydelig akselerere den prosessen, med alle regler og erfaring for raskt å finne nye data, se om nåværende data passer innenfor regler for samsvar og gi umiddelbar tilgang, eller flagge forespørselen om øyeblikkelig inspeksjon av en compliance officer.
Denne barrieren er mye mer kompleks enn det som skjer nå med modifikasjoner fra UX, men kampen er like viktig. Det er ikke viktig hvor lett en leder kan stille et spørsmål hvis det ikke er en rask måte å forstå hvor informasjonen for å svare på problemet ligger, og også å velge om spørgeren har myndighet til å være klar over svaret.
Maskinlæring gir en mulighet for å bedre administrere bedriftsdata i den distribuerte verden. Mens virksomheten ser på måter å stille mye bedre spørsmål på, bør den se på hvordan man kan finne og håndtere informasjonen som gir svar.
