慕容霜霜Equinix公司首席信息官Milind Wagle拥有自己的“客户流失预测指标”。这个预测指标会告诉Wagle为什么账户正在发生重大变化，以及未来他们是否可能仍会如此。这一信息使数据中心服务提供商Equinix有机会通过改善服务并针对未来可能的租用率进行规划等措施，以提高预测准确性。他说：“我们正在把自己的思维模式，从事后报告的威胁分析转向在业务流程中植入人工智能。”Wagle在报告中表示，通过微调，客户流失预测器的准确度已经接近90%。

　　Wagel这种将人工智能与分析结合的用法并不罕见。市场研究机构Capgemini近期的一项研究表明，在近1000家使用人工智能的企业中，约80%的企业将其用于数据分析并形成有深刻见解的报告。这一数字听起来高得惊人，但是与我们交流的大多数首席信息官都认为这是可信的。

　　MITRE公司副总裁、首席信息官兼首席安全官Joel Jacobs说：“我并不感到惊讶。尽管我不相信人工智能能够解决几乎所有的问题，但是大型组织机构正在意识到它们具有很大的潜力。”

　　机器学习和深度学习都是人工智能的分支，也都可以用于数据分析工作。机器学习（ML）是通过对数据进行分类来工作的。数据分类是数据分析的基本组成部分，可实现机器学习与数据分析两者之间的自然协同。由于使用案例非常广泛，因此几乎所有东西都涉及业务数据。

　　机器学习也是识别和编排非结构化数据（例如文档、图像和视频）以及暗数据（从未被访问过的信息，可能因为它们是大数据中的杂乱部分）的工具。大多数商业智能（BI）系统仍然需要结构化数据。Elsevier公司执行副总裁兼首席技术官Dan Olley称：“文件怎么办？图像怎么办？这些都是我们可以使用机器学习的地方。机器学习既可以从文档中提取信息，也可以创建能够被进一步索引的注释，它是我们从可读材料中提取知识的关键手段。”

　　尽管大数据已经有了许多解决方案，但非结构化数据却很少得到利用，因为在人工智能出现之前，它们难以被访问。机器学习和云计算的结合意味着某些类型的暗数据也可以被访问到。近年来，对于一些使用机器学习的组织机构来说，访问非结构化数据和暗数据一直是推动他们在数据分析方面取得众多突破的动力，因为新数据的增加有时会带来新的视角。

　　许多负责人工智能的首席信息官和团队都在对此进行认真思考。同时，他们也在大规模地推广这些项目，并且为之不断努力。在Capgemini的调查中，约58%的受访者表示他们正在考虑复杂度更高且收益也更高的使用案例。由于回报形式多样，并且能够产生具大的商业价值，因此如何更好地应用它们具有现实紧迫性。一些组织机构也在这方面展开竞争以获得优势。

　　Caesars娱乐公司执行副总裁兼首席信息官Les Ottolenghi表示：“在未来几年内，人工智能/机器学习的使用将继续增加，并最终变得不可见，因为它们已经普遍嵌入到业务流程当中。人工智能功能是客户期望从组织机构那里获得的东西。”

　　Caesars娱乐公司已经开始全面部署人工智能了。该公司的多项人工智能项目已完成或正在进行中，其中包括根据背景进行客户个性化订制（客户旅程），人工智能会话（聊天机器人、语音），利用暗数据进行实时欺诈分析，根据语音进行照片/情绪识别，推荐引擎等等。

　　在客户旅程项目中，Caesars公司创建了一个引擎，可将十几个数据源中的数据关联起来，并使用模糊逻辑的机器学习近于实时地匹配数据，以确认来自不同系统的数据是否与特定人员相关联。在这种情况下，系统会有选择性地更新时间列表中该人员的数据。此外，该公司还使用了额外的人工智能技术来识别当时的最佳方案，在最佳的时间和地点，以适当的通信方法提供给客户。虽然不同的公司在手段、方法和具体业务流程中会有所不同，但是这个例子具有代表性。许多公司会将数据分析和机器学习配合起来，根据当时的环境追加销售或用交叉销售方式提升收益。

　　此外，包括MITRE在内的多家公司还在探索其他关于人工智能和数据的特定情境案例。MITRE公司创新和技术总监Michal Cenkl表示：“我们希望更好地利用我们现有的知识。我认为，把我们的非结构化数据（例如项目报告和交付给赞助商和客户的成果）与项目生成的结构化数据相互整合在一起是个机遇。”

　　MITRE的后续举措目前还处于初期，不过他们增加了环境性和预测性的元素。Loosely称之为“认知预期知识传递”，目的是向员工提供正在从事的工作的相关背景信息。Cenkl以正在致力于背景描述项目的项目经理为例进行了说明。人工智能组件能过滤可用的知识流，并向用户提示联系最为紧密的内容。Elsevier公司已经开发出了类似功能，主要用途是为跨学科环境中的研究人员提供背景和相关性预测。

　　许多使用人工智能的公司都称他们正在开发预测性分析。预测性分析通常始自企业特定的关键绩效指标。在Equinix，Wagle的团队开发了一套基于机器学习的预测工具，可以跟踪和预测诸如数据中心功耗、预订、客户购买倾向预测等指标。Equinix还使用了一套类似的工具来预测信息安全漏洞、系统中断和安全风险事件。在预测性分析变得有价值之前，它们需要随着时间推移不断进行测试和微调。

　　Elsevier公司还在财务部门使用了机器人流程自动化（RPA）来发现潜在的欺诈行为和托管问题。Olley称：“由于使用了该系统，我们能够进行预测和做出由数据支持的判断。”预测分析作为一个分支，发展势头已经超过人工智能，不过这种情况并不罕见。

　　与我们交谈的首席信息官们普遍认为，由人工智能驱动的分析非常重要，并且可能将成为转型趋势。CyrusOne的首席信息官Blake Hankins称其为“数字转换工具包的基石，它们将使企业变得更加高效，并专注于更有意义的项目。”

　　Caesars的Ottolenghi表示：“人工智能正在推动Caesars和其他一些公司的数字化转型。它们帮助我们转向一个平台（框架），并提供了一个快速试错、频繁测试且更快创新的范例。这转变了我们进行试验和概念验证的方式。人工智能还能够帮助我们挖掘暗数据、非结构化数据，并提供对不同数据元素的洞察力。”

　　几乎所有接受这次采访的首席信息官都表示，C级高管们一般都看好人工智能/机器学习和数据分析项目，但是事实上这些都是人工智能。如果要将它们分开，可能会涉及将人工智能的商业价值归在何处，以及如何归类的问题。Hankins还指出，大多数C级高管并不知道孵化一个人工智能/机器学习数据项目所涉及到的一切。Hankins称：“首席信息官有责任帮助人们认识到这些技术的潜力，并有责任帮忙将人工智能项目和投资与特定的商业成就联系起来。”

　　许多在人工智能领域加倍努力工作的人已经为首席信息官和其他想做同样事情的人准备好了建议。“没有数据真的很难做到这一点，”MITRE的Cenkl说。其他人的类似观点也印证了这一建议。

　　Olley指出，随着机器学习的发展，数据成为了最重要的资产，因为它们是机器学习或深度学习模型的训练集。机器学习项目的好坏取决于它们使用的数据，数据的数量和质量都很重要。

　　Ottolenghi强调称，你要确保自己得到了管理层的支持，同时还要选择能够解决实际业务问题的用例。他说：“这样一来，你的工作就得到了公司的支持。此外，还要确保用例是成功的。”

　　最后，如果你还没有具备数据分析、数据科学、数据工程等方面的技能，那就开始考虑雇用那些受过良好培训的人才吧。

　　机器学习和数据分析如果开发得当，有时会以一种类似于催化的方式相互补充。机器学习增强了数据分析的自动化，这将带来出色的洞察力和决策。反过来，这又会导致需要识别新数据，整个过程循环往复。人工智能/机器学习和商业数据的结合会为工作带来一种推动力，这是大多数首席信息官们都不能忽视的。本文只是粗浅地提到了可用案例的数量和类型。如果你仍然对人工智能持观望态度，那么现在是时候采取行动了。

　　注：本文作者Scot Finnie为自由撰稿人，曾担任《计算机世界》主编，已经有数十年的IT行业经验。原文网址：