人工智能在各种企业系统中都有其实际的应用，特别是在分析和异常检测用例方面。
人工智能(AI)是每一个IT组织获得成功的必备条件。或者说，考虑到这种技术的重要性，你会作出这样的判断。
是的，人工智能可以提供商业价值。但是，它不会神奇地解决组织的所有问题。
尽管如此，依然需要理性地对待人工智能，它仍然可以提升你的企业系统，进而提升你的商业运作。为了了解企业在哪些方面可以有意义地利用如今的人工智能，记者网站采访了Forrester Research的人工智能分析师Kjell Carlsson、Gartner的Charley Rich和IDC的Mickey North Rizza。
不要把自动化和人工智能混为一谈
供应商经常声称，只要你部署他们的产品，他们产品中的一些人工智能秘方将彻底改变你的业务。别相信。“如果它看起来像你在电影中看到的任何东西，就要心存怀疑。”Carlsson说。
IDC的North Rizza说，大多数供应商提供的都是基于规则的系统。他们的软件中复杂的算法或逻辑处理着许多常见的用例--它们比人们通常能做的会更快更准确。然而，这是自动化，而不是人工智能。
自动化是好的，但是基于机器智能的自动化很可能是假的或是有问题的。在真正的人工智能中，系统会自己决定要做什么，而这在大多数商业案例中是不太可能发生的。想象一下，如果你的财务、招聘、产品规划、网络管理等都是由一个独立的情报机构来处理的，而你并不真正了解，也无法真正的控制它。
专注于应用分析和异常检测的AI实现
真正真实可用的是将人工智能技术用于识别人类决策的异常模式。已知的模式可以通过自动化来处理，但要发现未知的模式，机器学习和深度学习、人工通用智能等形式则可能会是需要转向的技术。
以异常检测形式出现的分析驱动的人工智能通常能够比人类更快地识别出未知模式。它甚至可以根据相似的模式来提出行动方案。但是，决定采取什么行动的决定权是落在人类智能上，而人类智能可以被其他人检查，并利用超越分析的专业知识。
自动化(至少是软件)可以使用规则库和其他编码逻辑来执行决策。像机器人流程自动化(RPA)这样的技术是当今自动化技术进步的很好的例子。它们不是人工智能--它们不会自己“思考”，但是它们可以通过它们日益复杂的算法来处理日益复杂的工作流。软件可能看起来很智能，但这是人类开发人员的智能，而不是系统固有的人工智能。
因此，分析，特别是异常检测，占据了当今企业系统中实现的人工智能的大部分。这种集成通常是由软件供应商基于众所周知的用例和业务流程来完成的。
Forrester的Carlsson说，对于本地系统来说，将人工智能引入分析领域并非易事。数据科学是将智能与分析融合在一起的领域，但“人们通常没有意识到，数据科学家没有接受过决策和商业分析方面的培训，所以你可以根据需要来做出伟大的预测，但却不知道该做什么。”他说。
理想情况下，“在人工智能端可以建立一个更好的预测模型，为你的经典优化引擎提供更好的输入。它们是相辅相成的，”Carlsson补充道。“但这会很痛苦，因为优化人员不知道如何与数据科学家交谈，反之亦然。‘数据科学家’是一个非常有问题的术语，它可以指任何事情，没有多少IT组织能理解这一点。”
但Carlsson也指出，希望还是存在的:工程师们已经开始通过AutoML来访问机器学习了，这种框架无需从头构建机器学习模型。而且这些工具对于精通数据的商业用户来说已经足够简单，可以利用它们，将数据科学家通常无法利用的专业知识带到桌面上来。精通六西格玛和精益等方法的跨职能流程改进团队尤其适合将人工智能引入分析。“他们有应对管理变革的DNA，”Carlsson说。“获取数据并使之合理化总是一个挑战。”
这些更具探索性的人工智能形式--Carlsson称之为“增强智能”--在各种企业系统中都有合法、有用的用例:包括营销、物流、文档处理和IT系统本身，以及面向用户的系统的用户界面。
将AI应用于业务系统
人工智能的应用分析形式通常出现在需要处理大量数据、变化或不确定环境以及快速适应流程的企业系统中。
经典的用例包括物流，如包裹交付、车辆路由和即时库存管理，以及情景估计，如信用评分和产品推荐。较新的领域包括声誉管理、简历评分和跨领域的风险管理。
AI的一个未被提及的领域是自动文档处理。“很多流程都依赖于它们。”Forrester的Carlsson说。尽管合同、政策、医疗报告等看起来很公式化，很容易被解析，但这些文件仍然很难从中提取信息，他说。例如，标题样式和表边框等看似微小的变化就可能会混淆基于规则的文档提取器。
更困难的是提取表单中没有明确定义的内容。“例如，对于一个客户在对市场新领域感兴趣时的金融顾问。顾问需要深入研究投资概况、资源和营销模式。”而不是采用经典的方法提出类似客户自已选择的投资模式。另一个例子是:分析医学病理报告中的偶然信息，比如“根据隐藏的细节来判断是否有致癌的风险，这些细节通常是最初的病人投诉所附带的。”Carlsson说，并补充说，他知道有一家医院已经在使用人工智能文档处理程序来查找此类例子了，并能够自动将数据输入美国国家癌症数据库。
应用于IT系统的AI：AIOps
AIOps(智能运维)领域在识别和诊断网络、业务流程等问题方面对IT工作负载有很大的希望，从而使得自动化能够建议甚至是执行可能的补救措施。类似的方法还可以用来帮助安全工作，如入侵检测和防止内部数据盗窃。
“AIOps还远没有其他企业人工智能领域来的成熟。”Gartner的Rich指出。它通常会涉及有监督和无监督的机器学习，有时还涉及深度学习和图表分析，以便“将数学应用到实际问题当中”。这意味着需要寻找模式和异常(通常是在日志中)，这些模式和异常信号可直接或通过自动化来解决问题。
AIOps面临的挑战是“有太多的容易导致虚假警报的噪音。”Rich说。现在几乎所有的东西都数字化了，困难也更大了。事件相关分析作为一种基本的技术已经存在了几十年。但是“它们是基于规则的，因此涉及到非常繁重的工作，总是需要更新。”Rich说。“数据质量也可能很混乱，因此任何实现通常都是自定义的。但它确实有效，“前提是你能付得起费用。”市场希望能够有一个包来完成这项工作，以避免对数据科学家的需求，但这在今天是不可能的。
另一个挑战则涉及对基于时间模式的表面异常执行时间序列分析。“这些算法自20世纪50年代就已经存在，但直到最近我们才有了计算能力来实现它们。”Rich说。
人工智能另一个长期寻求的领域是根源分析，它涉及到大量的相关性和时间序列分析。“人们一直在给出承诺，但我们才开始看到图表分析的进展。”Rich补充道。
更进一步的是像自愈系统这样的概念，也就是NoOps。“总有一天我们可能会实现这个目标。”Rich说。“现在可以做的是基于条件逻辑发起的操作来运行脚本。在过去的6到8个月里，供应商已经提供了常见问题的知识基础，并提供一个工具包来添加新问题。”
但是Rich提醒大家不要期望AIOps有一天能够自己处理IT运营。“你不可能得到所有的信号。即使你做了，如果这是一个没有解决方案的新问题怎么办?然后就是改变带来的风险：你还会打破什么?风险分析是必要的，但它实际上并不存在。”
同时，AIOps也可以帮助IT人员增强识别问题的能力，这样他们就可以更快地解决或预防问题了。
将AI应用于用户界面
多年来，我们已经看到了有关自然语言处理(NLP)的承诺，以便消除对人力支持人员的需求。聊天机器人是这种承诺的一个例子，也是相信它们存在风险的一个例子--这些“智能”互动会不会让客户感到沮丧和负担?它们所遵循的确定性规则通常无法解决客户的关注点--但有时它们可以。无论如何，NLP--无论是文本的还是语音的--在理解人类对话的能力上都取得了相当大的进步，Carlsson指出。
在语音识别和理解非结构化文本方面，NLP在过去20年里取得了巨大的进步，它在不需要键盘的情况下促进了交互，并在查询语句被人类或自动化系统执行之前帮助缩小了含义。从某种意义上来说，它是一种分析的形式，围绕着意义和表达方式，例如，为其预期的交流而进行的演讲。
机器视觉在过去几十年也取得了重大进展。虽然自动驾驶汽车仍然比现实更有希望，但碰撞缓解技术表明，它能够感知环境条件，并根据规则进行一些自动调整(踩刹车!)是真实的。与NLP一样，机器视觉是人工智能的一部分，而不是基于规则的自动调整或响应。
随着底层模式分析的改进，机器视觉和其他感知技术正越来越多地被用于仓储以识别包装对象，在医学中检测肿瘤，以及在零售中了解购物者的行为。
关键是人工智能在这些情况下能够正确地分析来自人和环境的真实输入，从而减少人们对特定语法和用户界面限制的理解，使更多的人能够更自然地与技术系统相交互。