开云

传统的商业（yè）智能已经（jīng）不能（néng）满足企业数据的数（shù）量、多样性和速度性的（de）要求，现在（zài）是让新的人工智能工具来弥（mí）补不足的时候了。

人类每天都在产（chǎn）生海量的数据。不仅数（shù）据的总量在增加（jiā），数据的类型也在（zài）增（zēng）加，而且存储和生成数（shù）据的（de）应用程序也在增加。以（yǐ）往采用的（de）商业智能工具无法（fǎ）处（chù）理大量数据，并（bìng）且它们还发现难以处理来（lái）自新（xīn）应用程序的数据;为（wéi）了使原有的商业智能（néng）工具适合新（xīn）的应用程序，通常（cháng）需要进行大量的人工调整。因此，使用商业智能工具的企业可能会错过（guò）现在可用的数据驱动的见解（jiě）。

探索人工（gōng）智能（néng）和商（shāng）业智能之间的六个主要区别（bié）

传统的商业智能已经不能满足（zú）企业数据的数量、种类（lèi）和速度的要求，现在是让新的人（rén）工（gōng）智能工具来弥补不足的时候了。但是，这（zhè）种新一代工具与以前的工具（jù）有何（hé）不同?

(1)数据收集与整合

在（zài）未来五年，80%的数据将是非结构化的数据（jù）。这些数据无法在数据库中分类（lèi），因此（cǐ）很（hěn）难标记、搜索和编（biān）辑（jí）。使（shǐ）用传统的商业智能工具，非结构化数（shù）据位于（yú）孤岛（dǎo）中（zhōng），并（bìng）且即使（shǐ）有的话也要对其进行缓慢的分析（xī）。数据科（kē）学家通常（cháng）会花费大（dà）约80%的时间（jiān）准备这些数据（jù），然后才能对其进（jìn）行分（fèn）析。

使用现代的商业（yè）智（zhì）能工具，准备工作将更快（kuài）、更加自动化（huà）。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（féng）的数据（jù）湖中对它们进行（háng）排序和分类（lèi），从而使孤岛成为过去（qù）。这些（xiē）工具是自（zì）助（zhù）服务，使数据科学（xué）家可以在数小时或数天之内开始接收可操（cāo）作的情报（bào），而无需参与IT运（yùn）营。

(2)指标覆盖率

传统的关键（jiàn）绩效指标(人工设置（zhì）和（hé）研究的关键（jiàn）绩效（xiào）指（zhǐ）标（biāo）)仅覆（fù）盖组（zǔ）织（zhī）中正在使用的指（zhǐ）标的（de）3%。实（shí）际上，对于现代（dài）企（qǐ）业而言，只有3%关（guān）键绩效指标的规模较（jiào）小。

如果在面向（xiàng）用（yòng）户的应用程序中出现问题，则很（hěn）有可能会以企业当前未涵盖的指标来出（chū）错。只（zhī）要企（qǐ）业监控的关键绩效指标不会下降（jiàng），就（jiù）无法检测到（dào）错误或中断，直到（dào）客户告知企业（yè）这些（xiē）错误。相比之下，任何组织都不可（kě）能人工监控（kòng）其所有关键绩效（xiào）指标，因此采用人工智能可（kě）以解决这（zhè）个问题（tí）。无（wú）论企业生成多（duō）少个指标（biāo），其数量级无关（guān）紧要。他们能够一（yī）次提取（qǔ）数（shù）百万个指标，并且（qiě）在（zài）出现问题时仍（réng）可以提供（gòng）即时反馈（kuì）。

(3)阈（yù）值和基准

传统的人工警（jǐng）报实践要求数据科学家为关键绩效（xiào）指标（biāo）设置阈值。当关键（jiàn）绩（jì）效（xiào）指标低于某个阈值或高于某一个阈值时（shí），它会触发警报。不（bú）幸的是，即使在正常行为期（qī）间，指（zhǐ）标（biāo）也往往会出现不可（kě）预测的涨跌（diē）。即使企业（yè）将基线设置为高于和低（dī）于这些阈值，这也降低了在设置（zhì）的（de）阈值内仍（réng）可（kě）能发生异（yì）常（cháng）行（háng）为的可能性。

这种做法也忽略了季节性（xìng），季节性是（shì）在每天、每周或每（měi）月（yuè）的周期中某些（xiē）指标的正常变化。在（zài）传统（tǒng）的商业智能程序中，所有（yǒu）的季节性（xìng）看起来都是异（yì）常的，会导致大量的误（wù）报和漏报。

现代分（fèn）析平（píng）台采用完（wán）全自（zì）主的方法进行基（jī）准划分。他们依靠机器学习（xí）算法来学习指标的正常行为（wéi）并确定其（qí）基（jī）准，从而无需进（jìn）行人工阈值处理。

(4)检测和警报（bào）

建立（lì）具有人工（gōng）警报的传（chuán）统商业（yè）智（zhì）能（néng）系统自然是一个结果，那就是警报太（tài）多。警报疲劳（láo）是（shì）一个现（xiàn）实问题。在某些应用中，信息安全人员每天（tiān）可能会遇到100多万次警报。这使得（dé）分析师很难区分紧急情况和数据中的噪音（yīn）。

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（de）”警报（bào）——在度量标准中是真正异（yì）常行为。即使只靠这种行为，这种行为也大大（dà）减（jiǎn）少了误（wù）报（bào）。然而，人工智能的发展远不止（zhǐ）于此。现（xiàn）代的商业智能（néng）工具使企业能（néng）够只（zhī）对最严重的偏差（chà）发出警（jǐng）报（bào），从而（ér）使企（qǐ）业的响应（yīng）团队只关注最重要的事（shì）情（qíng）。

(5)根本原（yuán）因分（fèn）析

异常不会自行发（fā）生。使（shǐ）用传统的仪表板，企业可能（néng）看到在监视的3%指（zhǐ）标中出现的一个异（yì）常。不幸的是，企业（yè）将无（wú）法看到其（qí）他地方出现的异常。反过来，这意（yì）味着企业需要（yào）更长的时间来了解异常（cháng）发生（shēng）的位置以及（jí）如（rú）何解决。

相比（bǐ）之下，自（zì）主分析会（huì）报告每（měi）个警报的完整场景。如果在（zài）相关指标中同时发生两个异常，则企业的警报将（jiāng）反映出来。如果这（zhè）些异常恰好与补丁程序、设备故障或黑色星期五同时（shí）发生，则企（qǐ）业的（de）报告也将反映（yìng）出来。这（zhè）使得检测和应对（duì）异常更加容易。

(6)预测

预测与异常检测不同，但是对于传统的商业（yè）智能（néng）来说（shuō），同样存在困难。准（zhǔn）备用于预（yù）测的数据需要花费很长（zhǎng）时间，而不（bú）幸（xìng）的是，当企业（yè）需要（yào）提前而不（bú）是推（tuī）迟预（yù）测时。由于传统分析（xī）工具受其可（kě）以（yǐ）接受的分析数量的限制，因此（cǐ）企业的预测将无法考虑（lǜ）所有（yǒu）可能影（yǐng）响业务（wù）的（de）指标。简而言之，企业会（huì）得到一个不（bú）太准确的预测（cè），需要更长的准备时间。

借助自主（zhǔ）分析，企业可以在需（xū）要时获得所需的预测。自主分析不仅可以在几秒（miǎo）钟（zhōng）内提供预测，而且（qiě）每次进行预测时（shí）都会（huì）变得（dé）更（gèng）加（jiā）准确。该模型将自动将其预测（cè）与随后发（fā）生（shēng）的事件进（jìn）行比较（jiào），然（rán）后根据判断的对与错来（lái）完善其结论——它运行的时间越长，变得越精确。

企业需要什么样（yàng）的人工（gōng）智能（néng）?

自主分析程序消除了数据（jù）和分析（xī）之间的（de）矛盾。在（zài）采用传统的解决方案（àn）的情（qíng）况下，数（shù）据无法到达应有的位（wèi）置，在处理之（zhī）前需要对其进行处理对于工作人员或有限的（de）工具来说，它已经变得太庞大（dà），无法（fǎ）处理（lǐ），而（ér）且它的度量（liàng）标准也出人意料地（dì）发生了变化。简而（ér）言之，数（shù）据太大，变化太快，传统（tǒng）工（gōng）具无法处理。

商业（yè）智能领域的领先解决方案（àn）正在将人工智能功能添（tiān）加到其现有（yǒu）产（chǎn）品中，但并非每个解决（jué）方案都是一样的。现有企业正在零散添加解决方案，而这还（hái）没有完整的人工智（zhì）能（néng）项目。其他供（gòng）应商（shāng）提供异（yì）常检测（cè）功能，但仅针对基础（chǔ）设施（shī）数据提（tí）供功能，这无法提（tí）供企业所需的完整（zhěng）信息。

只有完全自主的异常检测（cè）和预测解决方案才（cái）能（néng）为企业提供处理大量（liàng）数据所需的规模和速度。无（wú）论是经（jīng）验（yàn）丰富的数据分（fèn）析师还（hái）是经（jīng）验不足（zú）的业（yè）务用户，这（zhè）些（xiē）工具都将帮助企业在不断（duàn）变化的竞争环（huán）境中获得所需的切（qiē）实可行的见解。

来源：企（qǐ）业网D1Net