在无限的变化

数字资产#3 -高级分析能力

大多数组织不需要被说服,先进的分析和人工智能的巨大重要性,以支持他们的业务蓬勃发展. 将来自企业统一数字平台的集成数据与功能强大的分析工具相结合,可以创造有效的战略优势.

抱歉,此内容只有在功能cookie被接受时才可见. 请到 Cookie设置 改变你的喜好.

先进的分析功能支持用户更加知情, 准确的决定, 更迅速地, 通过在正确的时间传递正确的信息来减少不确定性, 消除假阳性和假阴性, 并帮助区分微弱信号和噪声. 构建高级分析能力的目标是在组织中创建一个持续学习的过程, 如下图所示.

 

分配结果,用人工智能放大 1. 感知——现在正在发生的事情? 2. 通知-我需要知道什么? 3. 建议——你有什么建议吗? 4. 自动化-我应该总是做什么? 5. 预测——我能期望发生什么? 6. 预防——我能避免什么? 7. 态势感知——我现在需要做什么?
按此放大图片 分配结果,用人工智能放大

分配结果,用人工智能放大
© http://www.raywang.org/blog/2016-09/mondays-musings-understand-spectrum-seven-artificial-intelligence-outcomes

 

这个说, 今天,许多组织都在努力收集数据并将其转化为可操作的见解. 那些确实参与分析的公司在不同程度上进行分析. 有些公司才刚刚开始更好地利用其事务系统提供的数据,以便做出更明智的决策,并对操作中的变化做出更快速的反应.

更先进的组织正在利用他们的集成数据进行更强大的分析,以确定发生了什么,并对正在发生的事情提供更实时的洞察.

最先进的是建立预测模型,预测将要发生的事情, 相应地计划他们的行动,以操纵他们想要的结果. 后一种组织能够构建描述单个客户上下文的“业务图”, 详细, 在顾客做出购买决定的时候.

经验表明,构建像这样的高级分析功能是困难的, 需要在目标组织内部围绕决策过程进行高级技能和文化变革.

建立新的工作方式是困难的. “忘记”现有的工作方式往往被证明要困难得多. 实现高级分析功能, 例如, 引入一种“数据文化”很重要,它能清楚地区分由“未知”和“不可知”造成的不确定性。. 很多时候,不确定的决策都是基于企业家的直觉或“直觉”. These don’t involve unknowable uncertainties; they are simply unknown.

有效的数据文化要求个人通过高级分析生成相关见解,从而检查和减少“未知”. 如果没有现成的数据来回答相关问题, 然后必须花精力查找数据(包括外部数据), 通过人工智能和分析发现新的模式类型. 在这种类型的学科中,企业可以在竞争中建立数据优势.

目标的技术

  • 统一的数字平台和高级分析的结合为组织开辟了新的可能性. BI和AI的集成越来越成熟,BI消费者要求在他们的分析解决方案中具有预测性AI能力, 让他们能够回顾过去, 现在和未来.
  • 会话, 半结构化的BI方法——包括ThoughtSpot, lookker和AWS Quicksight -以对话的方式向用户提供分析.
  • 企业范围内的分析和AI的使用(包括运营)现在是主流, 以现代化综合云平台和应用为基础. 这使组织能够拥有和管理自己的数据. 下一个, 英皇国际2018版本旧版本-英皇国际2018版本旧版本v8.2.8全部版-apple app store-英皇排行榜将看到BI和AI的融合, 以及使用AI来加速和提高开发和QE质量的更先进方法, 比如利用ML(“DevAssist”)的数据驱动工程.
  • 算法性能现在通过强化学习进行优化, ML的一个接近成熟的分支领域. 强化学习处理的是机器如何根据反馈优化它们的行为. 这种类型的学习不同于监督学习和无监督学习,因为它不依赖于输入数据的预定义标签或类别. 而不是, 强化学习算法试图通过观察行为的结果来学习如何以某种方式行为.
  • 知识图是一种表示连接实体的数据的方法. 在知识图谱中, 实体表示为节点, 它们之间的连接用边表示. 这允许很容易地识别实体之间的关系. 例如, 知识图谱可以用来表示人与人之间的关系, 地方和事情. 使用知识图的好处之一是它可以帮助改进搜索结果. 另外, 知识图可以用于支持其他应用程序, 比如语音助手和推荐引擎.
  • 即将出现的是联合学习, 多设备的ML技术, 通常在不同的地方, 合作学习共享模式. 联邦学习设置中的每个设备都训练它自己的模型副本, 定期向中心服务器发送更新. 然后,中央服务器将所有设备的模型组合成一个单一的最终模型. 这种技术通常用于减少需要在设备之间传输的数据量,并提高ML模型的准确性.

测试 & 验证

人工智能是当今质量创新最关键和最有前途的驱动因素. 通过在质量和测试活动中应用人工智能, 组织可以构建真正智能的测试和验证系统.

今天, 人工智能被用于多种测试方式, 包括智能分析,以协助质量管理决策, 测试策略和自动测试优化, ML技术用于自动测试适应应用程序的更改, 使用自然语言处理(NLP)从用户故事中生成测试场景, 以及基于人工智能的创建合成测试数据的技术. 人工智能的最终前景是在几年内, 很大一部分测试将由能够适应应用程序基本变化的自适应和自修复测试机器人完全自主地生成和完成. 英皇国际2018版本旧版本-英皇国际2018版本旧版本v8.2.8全部版-apple app store-英皇排行榜还将看到更多用于提供测试数据和测试环境的智能解决方案.

一个仍处于起步阶段的领域是人工智能本身的验证. 随着人工智能的进步,它已经成为执行和自动化日常任务的事实上的行业标准, 人工智能广泛开发和采用的障碍不再是技术本身和所需的技能. 今天,它是人工智能的“人”方面——包括人工智能伦理、道德、透明度和治理. 公司现在必须学会识别和减少潜在的风险(例如歧视性模式),以避免产生偏见, 不公平的ML模型. 为了减轻这种, 建立一个质量框架来指导ML解决方案的开发是至关重要的.

Break-2.png

为了成功地处理AI的验证,Sogeti最近开发了英皇国际2018版本旧版本-英皇国际2018版本旧版本v8.2.8全部版-apple app store-英皇排行榜人工智能框架质量主任 -一个内聚的、通用的质量框架,可以为任何AI解决方案量身定制. 这是为了帮助产品经理和业务所有者识别和减轻与AI生命周期的每个阶段相关的风险. 该框架由欧盟的伦理原则管理:公平, 透明度, 问责制, 可跟踪性和鲁棒性. 有了这个模型,英皇国际2018版本旧版本-英皇国际2018版本旧版本v8.2.8全部版-apple app store-英皇排行榜可以在每个AI开发阶段(业务理解, 数据的理解, 数据准备, 人工智能模型开发, AI模型评估和AI模型部署),确保定期进行质量控制检查.

Sogeti还为数据科学家开发了实用的工具,与柴达木成分一起使用, 现在可以提供 AI质量即服务将公平和透明度自动注入任何AI模型. 对于接受人工智能技术的企业来说,这应该是一种要求,而不是奢侈. 这些举措得到了新的质量方法的支持, 比如英皇国际2018版本旧版本-英皇国际2018版本旧版本v8.2.8全部版-apple app store-英皇排行榜测试AI的特定质量框架.

在其他地方,人工智能正在与机器人过程自动化(RPA)一起使用,以创建 自主质量实现机器人 上面提到的, 和智能, 预测性仪表板,为涉众提供有关质量状态的适当信息,以及在生产情况下推荐的质量措施.