人工智能首页 > AI资讯 > 正文

传统行业的不足由人工智能弥补

2019-11-16 阅读888次

  传统的商业智能已经不能满足企业数据的数量、种类和速度的要求,现在是让新的人工智能工具来弥补不足的时候了。但是,这种新一代工具与以前的工具有何不同?

传统行业的不足由人工智能弥补

  ▍数据收集与整合

  在未来五年,80%的数据将是非结构化的数据。这些数据无法在数据库中分类,因此很难标记、搜索和编辑。使用传统的商业智能工具,非结构化数据位于孤岛中,并且即使有的话也要对其进行缓慢的分析。数据科学家通常会花费大约80%的时间准备这些数据,然后才能对其进行分析。

  使用现代的商业智能工具,准备工作将更快、更加自动化。无论企业需要分析哪种数据,这些新工具都可以在一个无缝的数据湖中对它们进行排序和分类,从而使孤岛成为过去。这些工具是自助服务,使数据科学家可以在数小时或数天之内开始接收可操作的情报,而无需参与IT运营。

  ▍指标覆盖率

  传统的关键绩效指标(人工设置和研究的关键绩效指标)仅覆盖组织中正在使用的指标的3%。实际上,对于现代企业而言,只有3%关键绩效指标的规模较小。

  如果在面向用户的应用程序中出现问题,则很有可能会以企业当前未涵盖的指标来出错。只要企业监控的关键绩效指标不会下降,就无法检测到错误或中断,直到客户告知企业这些错误。相比之下,任何组织都不可能人工监控其所有关键绩效指标,因此采用人工智能可以解决这个问题。无论企业生成多少个指标,其数量级无关紧要。他们能够一次提取数百万个指标,并且在出现问题时仍可以提供即时反馈。

  ▍阈值和基准

  传统的人工警报实践要求数据科学家为关键绩效指标设置阈值。当关键绩效指标低于某个阈值或高于某一个阈值时,它会触发警报。不幸的是,即使在正常行为期间,指标也往往会出现不可预测的涨跌。即使企业将基线设置为高于和低于这些阈值,这也降低了在设置的阈值内仍可能发生异常行为的可能性。

  这种做法也忽略了季节性,季节性是在每天、每周或每月的周期中某些指标的正常变化。在传统的商业智能程序中,所有的季节性看起来都是异常的,会导致大量的误报和漏报。

  现代分析平台采用完全自主的方法进行基准划分。他们依靠机器学习算法来学习指标的正常行为并确定其基准,从而无需进行人工阈值处理。

  ▍检测和警报

  建立具有人工警报的传统商业智能系统自然是一个结果,那就是警报太多。警报疲劳是一个现实问题。在某些应用中,信息安全人员每天可能会遇到100多万次警报。这使得分析师很难区分紧急情况和数据中的噪音。

  在人工智能驱动的报告中没有人工阈值。唯一的警报是“真实的”警报——在度量标准中是真正异常行为。即使只靠这种行为,这种行为也大大减少了误报。然而,人工智能的发展远不止于此。现代的商业智能工具使企业能够只对最严重的偏差发出警报,从而使企业的响应团队只关注最重要的事情。

  ▍根本原因分析

  异常不会自行发生。使用传统的仪表板,企业可能看到在监视的3%指标中出现的一个异常。不幸的是,企业将无法看到其他地方出现的异常。反过来,这意味着企业需要更长的时间来了解异常发生的位置以及如何解决。

  相比之下,自主分析会报告每个警报的完整场景。如果在相关指标中同时发生两个异常,则企业的警报将反映出来。如果这些异常恰好与补丁程序、设备故障或黑色星期五同时发生,则企业的报告也将反映出来。这使得检测和应对异常更加容易。


随意打赏