IT基礎設施中的人工智能能夠改變工做的方式

　　現在，減小人工智能的宣傳和炒做已成爲IT領導者的主要工做。提供有關人工智能在何處以及如何將其添加到IT基礎設施的深刻指南將會提供幫助。

　　不少技術提供商正在投入巨資，將人工智能技術應用到他們的產品和服務中。不少媒體一直在宣傳企業將人工智能應用在IT基礎設施將會得到收益，其中包括增強網絡安全、簡化法規聽從性、自動化捕獲數據，以及優化存儲容量。而且指出，人工智能將使企業的每一個角落變得更智能，而那些不瞭解人工智能轉型能力的企業將會落後於人。

　　與大多數新興技術同樣，實際上人工智能並不那麼像宣傳得那樣強大。

　　塔塔諮詢服務公司副總裁兼全球認知業務主管Ashok Pai警告說：「儘管人工智能有潛力改變產品和業務流程，但管理人員不該該被大肆宣傳的好處所迷惑。」

　　在IT主管和業務負責人爲人工智能項目提供資金以前，他們須要仔細考慮人工智能可能在其組織中產生最大影響的場合。他們必須令人工智能投資與戰略業務優先事項保持一致，例如增長銷售、提升生產力，以及更快地將產品推向市場。Pai表示，這種選擇因企業和行業而異。例如，製造商可能會決定，在供應鏈和生產系統中嵌入人工智能是他們的首要任務，而服務行業可能會尋求人工智能來改善客戶體驗。

　　Pai表示，對於大多數公司來講，人工智能項目不會像汽車行業開發無人駕駛汽車耗費大量時間和費用。高層管理人員應該優先考慮和資助6到12個月的短時間項目，這些項目由具備明確目標和潛在投資回報的商業案例支持。他們應該明白，當將人工智能嵌入IT基礎設施時，可能會面臨失敗。

　　Pai說，「重點是快速識別故障，減小損失，從失敗中吸收教訓，並作出改變，以提升將來人工智能項目成功的機會。」

　　IT諮詢機構Information Builders公司的市場情報主管Lyndsay Wise表示，並不是全部企業都被人工智能的功能所迷惑。事實上，許多企業在採用人工智能自動化工具時都很明智， Wise說：「他們並無被宣傳的好處所迷惑，而是在尋求得到最強投資回報率的關鍵問題，致使人工智能的採用得以延遲。」

　　Gartner公司在2019年對首席信息官支出的調查發現，只有約37%的企業採用某種形式的人工智能，而2015年約爲10%。

　　Wise表示，許多組織都意識到，強大的數據管理是預測分析和人工智能技術的核心基礎，他們首先關注的是如何有序地獲取數據。她說，其餘人已經意識到，他們沒有充分利用預測技術所需的數據池，而且正在投資建設正確的數據流。

　　制定將自動化和人工智能整合到IT基礎設施中戰略的企業須要在人工智能技術如何幫助他們實現業務目標方面有紮實的基礎。如下是對IT系統和流程的深刻研究，其中自動化和人工智能已經在改變企業的工做方式。

　　數據捕獲的自動化和人工智能

　　人工智能技術在捕獲對當今企業相當重要的不一樣類型的數據，以及識別將來可用於改進企業的數據方面發揮着愈來愈大的做用。例如，大多數語音數據一般會丟失或簡要總結。新一代的人工智能轉錄工具不只能夠更容易地記錄這些過程，還能夠捕獲更多的分析來理解呼叫中心交互、業務會議和演示。

　　儘管新的應用程序接口不斷增加，文檔在事務處理業務中仍然扮演着重要的角色。例如，美國勞工局報告說，企業每一年花費超過1300億美圓用於從文檔中輸入數據。從文檔中提取數據的新工具能夠幫助下降這些成本。

　　愈來愈複雜的光學字符識別(OCR)技術以及更好的文本挖掘和使用天然語言處理的語音提取功能，使系統可以快速數字化大量的文檔和文本。這些工具自動化文檔的排序、分類、提取和最終處置。

　　Infosys Consulting公司合夥人Senthil Kumar表示，數據捕獲領域的更大突破正在醞釀之中。

　　他說，「數據捕獲系統的將來在於可以模仿人類的思惟——不只是工業化的數據捕獲，並且可以處理不明確的數據，並快速解釋場景。」

　　雖然光學字符識別(OCR)技術變得更加複雜和快速，但它仍然主要受到基於模板的規則的限制，沒法對數據進行分類、提取和驗證。Kumar說，「這些工具缺少人類思惟的魔力，這基本上是對複雜數據塊的直觀同化、協調和解釋。」

　　他表示說，複雜的業務場景須要可以像人類同樣理解文檔的系統。他認爲，機器學習和深度學習是改善數據捕獲最有但願的地方。

　　機器學習模型在不一樣的語言和文檔類型之間具備極大的可擴展性。他們須要一些初步的努力來創建高質量的訓練模型和實體識別技術，可是一旦創建了基礎，這些技術比模板化方法更快、更好、更具場景性。Kumar說，「成功的組織不是創建在模板驅動的世界裏。」

　　Kumar表示，一個有趣的數據捕獲應用是使用機器學習模型來跟蹤企業的信息流。例如，可使用機器學習來識別公司關於困難主題的頂級專家，使其餘工做人員能夠隨時訪問該知識庫。對信息流的分析還能夠幫助管理層肯定其內部消息的優先級，或者改進信息的傳遞。

　　人工智能提升數據捕獲的5種方法

　　企業正在使用人工智能執行如下數據捕獲：

　　(1)處理和分析跨多個供應商、地點和地理位置的數百萬張發票，以改進提交回扣管理和對帳的驗證。

　　(2)從複雜文件中分解和提取背景，例如法律簡報、多語言研究論文、建築藍圖和土地調查。

　　(3)評估搜索引擎優化的相關性並經過搜索獲利。

　　(4)評估社交內容的相關性和偏好，並監控仇恨言論和錯誤信息。

　　(5)爲實體識別(註釋)標記圖像和視頻，幫助用戶使用天然語言進行查詢。

　　人力資源中的人工智能和自動化

　　在人力資源領域，將人工智能嵌入到IT基礎設施中能夠簡化企業用於審查簡歷、分析新員工績效、自動提供新員工所需的IT資源以及改進培訓服務提供的分析。

　　IBM公司安全副總裁Aarti Borkar說，「招聘人員瀏覽一份簡歷平均只看6秒，這在人才招聘過程當中可能錯失大量的機會。」他曾是IBM Watson人才和協做小組成員。

　　人工智能能夠對應聘者的簡歷進行總結，並對技能和熟練程度進行全面的描述，從而使招聘人員可以在6秒內作出更準確的評估。人工智能還能夠經過實施更好、更個性化的職業發展計劃來促進人才的保留。

　　可是，人工智能比提升人力資源效率更爲重要，它有能力減輕招聘過程當中的天然人類偏見，並創造出更加多樣化的勞動力。Borkar說，「有大量的證據代表，企業的更大的多樣性推進了更大的業務成果，由於在實踐中，反對的觀點能夠消除盲點。」

　　人工智能顧問和培訓師、《商業人工智能》一書的做者DougRose預計，企業將使用人工智能來改善員工的福祉和敬業度。這些工具尋找模式，而後試圖肯定員工的幸福感。這可能令人力資源部更容易進行一些小實驗來改善福利，例如讓員工在家工做或爲他們提供特定的培訓。而後，該算法能夠評估是否有改進。Rose指出，這些新的人工智能參與工具能夠幫助企業實時調整他們的政策，以下降營業額，改善他們的組織文化。

　　他說：「一般狀況下，企業僱主只需稍加改進就能提升生產率，併爲每位員工提供更好的體驗。」

　　人力資源團隊也可能處於工做場所使用人工智能的另外一個後果：解決員工對自動化和人工智能的擔心。人力資源研究和諮詢公司Global Workplace總裁Kate Lister表示，她認爲企業須要關注自動化和加強智能如何讓許多人更輕鬆地工做。

　　Lister說，「員工應該將人工智能技術視爲數字助理，他們能夠作好全部的重複性工做，而人力資源工做人員能夠完成他們真正喜歡的工做。此外，因爲人工智能自動化，重複性工做將會作處更好。」

　　Lister指出，可是人力資源部門須要注意這些數字助理如何可以正常運轉。例如，若是傳感器檢測到Sally不多在辦公室辦公。這可能會得出結論Sally不須要辦公桌或者工做懈怠，事實上她在利用會議室更好的Wi-Fi信號在那裏辦公。

　　Lister說，「雖然計算機所作的大部分工做都與匿名的大數據有關，但特別是關於Sally的‘小數據’會致使安全、隱私、全部權問題。」

　　NTT如何實現安全自動化

　　NTT數據服務公司首席信息安全官Steve Williams表示，他一直致力於使用人工智能來自動化系統集成商傳統的一級安全操做，以解決技術嫺熟的安全專業人員短缺的問題，以更高的質量實現標準化，並與開始使用人工智能來改進攻擊的攻擊者保持技術同步。

　　這一策略經過讓Steve Williams的團隊專一於更具吸引力的項目，幫助提升了員工的保留率。啓用人工智能的方法也有助於減小人爲錯誤，由於它減小了與標準操做程序的誤差。與尋找合適的人相比，自動化和人工智能還能夠減小解決問題所需的時間，然後者必須記住他在上次是如何解決問題的。

　　Williams還認爲，人工智能能夠更容易地跟上因徹底自動攻擊工做流而產生的雙因素身份驗證保護措施的步伐。

　　應用中的人工智能自動化

　　主要的CRM、ERP和市場營銷參與者開始在其核心平臺之上建立人工智能分析層。人工智能層將更容易從這些平臺上顯示數據，並將數據整合到其餘應用程序中，經過更好的響應時間和大規模個性化建立更好的客戶體驗。

　　將人工智能融入ERP也能夠幫助企業領導者更快地作出更好的採購決策。調研機構Forrester Research公司預測，這種增長的功能最終可能致使新一代業務雲更加適應傳統企業的需求，而不是現有云計算領導者的需求。

　　例如，Adobe公司最近推出了Adobe Experience平臺，以在其普遍的營銷、廣告和創意服務中集中數據。該工具承諾突破數據孤島，使企業更容易瞭解客戶，並經過使用人工智能和機器學習使數據可操做。SAP、Salesforce、Microsoft、Oracle等公司推出了相似的計劃，令人工智能更容易注入到運行在其平臺上的不一樣應用程序中。

　　流程自動化工具供應商Fortressiq公司創始人兼首席執行官Pankaj Chowdhry說，「業務應用程序供應商對數據的深刻了解使他們可以快速實現客戶價值，這將是企業採用人工智能最快速和最成功的方法之一。」這些業務雲的早期工具專一於實現垂直人工智能層，以幫助自動化很是具體的業務流程，如CRM中的銷售線索評分或ERP中的供應鏈優化。

　　Chowdhry說，企業面臨的最大挑戰是，這些功能中的大部分只能在最新版本的平臺上使用，並且不能很好地進行定製。此外，在這些平臺上構建的人工智能在很大程度上依賴於企業數據的質量。例如，自動機器學習工具提供商DataRobot的高級主管Colin Priest說，許多CRM數據庫包含重複的客戶記錄，這是因爲多渠道銷售、客戶在輸入客戶詳細信息時更改地址或只是由於輸入錯誤。可是，人工智能還能夠經過識別這些重複記錄來清除數據，從而提升客戶服務和法規聽從性。

　　安全中的人工智能自動化

　　將人工智能歸入IT基礎設施能夠提升安全合規性和管理，更好地理解來自各類來源的數據，從而快速檢測傳入的攻擊並改進應用程序開發實踐。

　　英特爾公司管理數據庫諮詢商DSP公司的Oracle雲服務負責人Philip Brown表示，在安全方面使用人工智能加強自動化的低效成果在於合規管理。

　　「企業IT仍然有很長的路要走，只是爲了涵蓋安全合規和管理的基礎知識。」Brown說。一個典型的企業可能有一個包含250個數據庫的數據庫區和一個符合性政策，每一個數據庫約有30個規定，所以須要收集大約7500個數據點。

　　人工收集全部這些數據是不切實際的，由於必須按期收集這些數據纔能有價值。而後必須對其進行處理和評分，並在發現安全或合規問題時採起補救措施。Brown說，「若是沒有實現自動化，這很難作到。」

　　Brown指出，有兩種方法可能讓審計員感到惱火。第一種方法是告訴他們不符合的實例。這會讓審計人員很惱火，但他們會很高興知道差距在哪裏。第二種方法是告訴他們沒法收集和處理數據。

　　Brown說，「安全自動化不只在自動解決問題方面很重要，並且在按期捕獲和處理數據方面也一樣重要。」

　　人工智能還顯示了在挖掘事件數據中可能表明安全威脅的異常模式的一些前景。可是，培訓這些系統須要IT經理維護乾淨的數據集，以控制這些系統學到的東西。

　　安全工具供應商有不一樣的策略來啓動這些系統中使用的人工智能模型。但云計算諮詢公司CandidPartners的雲安全架構師Jonathan Glass表示，在審查這些工具時要謹慎。他擔憂黑客會匿名地用惡意製做的關鍵系統文件(如Windows內核)來攻擊他們，這可能會致使人工智能解決方案阻止這些文件。

　　Glass說：「人工智能和機器學習很是適合識別威脅和模式，可是仍然應該讓人類作最後的決定，直到人們對這些決定有100%的信心。」若是人類不在其中，那麼使用人工智能自動執行的安全服務可能會阻止合法用戶。他強調，工具應該只能加強良好的安全流程，不該該用來徹底解決任何問題。

　　在開發週期的早期解決安全問題的成本要低得多。來自Contrast Security、Secure Code Warrio、Semmle、Synopsis和Veracode等提供商的軟件集成開發環境(IDE)插件將安全「拼寫檢查器」直接嵌入IDE中。

　　「但如今和未來，擁有真正的安全專家和同行代碼審查仍然是關鍵。」密碼管理提供商Keeper Security公司首席技術官兼聯合創始人CraigLuley對此表示認同。他解釋說，人工智能既不瞭解軟件的用途，也不瞭解網絡攻擊者的思想，所以人員的因素對安全仍然相當重要。人工智能在安全性中的一種用途是使用人工智能自動化測試和分析來確保底層數據的加密和更好的保護。但這仍然須要人們充分了解使用模式和業務案例。

　　Zillow如何利用人工智能自動化來改進其數據管理

　　房地產服務商Zillow Group公司的數據工程高級主管Steve Hsiao表示，隨着數據愈來愈豐富，愈來愈複雜，人類不可能監控和管理全部這些海量數據集。

　　Zillow公司正在IT基礎設施中使用人工智能來監控和預測異常的數據場景、數據依賴性和數據使用模式，從而幫助企業更高效地運行。人工智能和自動化也被用於自動擴展、智能查詢規劃和集羣調整，以及優化用於運行Hadoop基礎設施的服務器集合性能的過程。

　　Hsiao說，「使用人工智能是識別再也不使用的數據的有效方法，而後咱們能夠肯定是將數據加載到更慢的存儲、壓縮仍是考慮刪除。」人工智能技術還能夠用於標記有關數據集的統計信息，以進行查詢優化。例如，Zillow公司使用內部的人工智能系統檢測異常狀況，以預測不正確的數據或可疑的數據生成模式。

　　Hsiao說，目前尚未快速的解決辦法。數據是很是複雜的，用於收集數據的每一個管道可能具備很是不一樣的特性，這使得擁有一個完整的、一刀切的適合全部人工智能的解決方案變得很是困難。人工智能模型也能夠像數據自己同樣複雜地進行管理。Hsiao說，「最重要的是，現實狀況是人工智能遠非完美，經常須要人工干預，以儘可能減小錯誤或有偏見的結果。」

　　存儲和數據管理中的人工智能自動化

　　存儲和數據管理是兩個領域，行業專家表示，人工智能將下降存儲更多數據的成本，提升訪問數據的速度，並下降法規聽從性方面的管理負擔，使數據在許多方面更加有用。

　　企業正在使用人工智能來尋找減小須要物理存儲在固態驅動器等存儲介質上的數據大小的方法。IT基礎設施中的另外一我的工智能顯示出了但願的領域是分析數據硬件的特性，以便更好地預測故障並提升更換存儲介質的速度。在數據管理中，人工智能正被嵌入以動態地調整、更新和管理各類類型的數據庫。示例包括Oracle的自治數據庫技術和Azure SQL數據庫。這些類型的人工智能和自動化工具協同工做，將有助於減小與管理大型數據基礎設施相關的人工負擔，並減小爲新用途(如數據科學項目)從新調整數據用途的開銷。自動化還將致使文化轉變，數據庫管理工做減小，而數據工程工做等其餘工做則有所增長。

　　IT諮詢機構Apps Associates公司的高級副總裁Bill Saltys表示，在IT基礎設施中嵌入人工智能將從根本上改變存儲系統正常運行所需的許多任務。一個領域是調整物理數據基礎設施，使用人工智能進行實時維護、自我修復、故障轉移和業務連續性。例如，許多存儲系統使用RAID使多個物理硬盤驅動器或固態驅動器顯示爲一個存儲系統，以提升性能並減小單個故障的影響。更好的自動化能夠幫助分發這些數據，以提升讀寫速度或提升綜合性。

　　運營數據庫提供商Marklogic Corporation公司高級產品經理Anthony Roach表示，改進存儲系統須要超越對存儲系統中哪些物理或軟件組件遭到破壞的瞭解，從而找出如何預測這些損壞，以便採起糾正措施。其目的是建立機器學習模型，以不斷提升其預測複雜存儲系統中維護故障的能力，並採起主動措施防止故障發生。他說，基於大量輸入數據的近實時異常檢測和風險評估有望使數據管理操做更加高效和穩定。

　　Apps Associates公司雲計算服務的實踐經理和解決方案架構師Bharath Terala說，在數據管理方面，人工智能和自動化將顯著減小跨各類數據庫管理系統的管理、擴展、轉換和調優工做。

　　Terala說，人工智能和自動化還將使對不一樣類型數據庫的數據管理應用程序進行調整變得更容易，包括用於事務的結構化SQL、用於分析的圖形數據庫以及用於捕獲快速移動數據的其餘非SQL數據庫。人工智能輔助的自動化可能會影響一種文化轉變，即從專一於優化企業現有數據庫的DBA轉向專一於優化和擴展不一樣最佳數據管理應用程序基礎設施的數據工程師。例如，SQL能夠用於事務、分析的圖形數據庫和用於捕獲物聯網數據的關鍵值存儲。

　　Marklogic公司的Roach說，然而，現代數據管理也涉及到管理安全、隱私、數據主權、生命週期管理、權利和贊成管理。人工智能自動化能夠幫助改進驗證不一樣用途數據集的過程，並管理與數據生命週期相關的全部活動中的數據來源。例如，人工智能能夠幫助掌握非結構化數據中的數據、發現數據和識別結構。人工智能還能夠幫助識別我的可識別的信息，肯定數據的適用性，甚至識別結構或訪問中的欺詐和異常。這將使參與數據生命週期的每一個人更容易看到數據來自何處以及如何進入其所處的狀態。

　　Roach說，在存儲和數據管理中使用人工智能工具的最大挑戰之一是識別和糾正觀察和行動之間的差距。例如，分析可能會告訴數據經理，跨不一樣存儲層從新平衡數據可能會下降成本。但這樣作會面臨挑戰，同時也會使數據保持在線、事務性和業務性能。基礎設施軟件(如數據庫)在傳統上不是很靈活。

　　Roach說，「現代建築須要提供執行人工智能建議的行動所必需的靈活性。」對於許多組織來講，這將須要用更靈活的數據管理工具組合替換舊數據庫。

　　雲計算文件服務Panzura公司首席產品官Rich Weber說，數據管理者將來可能會找到創建基礎設施的方法，以便特定類型的數據更新能夠經過簡單地將數據寫入與編排腳本相關的位置來觸發新的機器學習過程。其用途包括自動將數據攝取到機器學習引擎中進行預處理;改進預測分析模型;自動編輯我的識別信息;自動糾正圖像文件的視覺異常。

　　自動化IT基礎設施中的人工智能

　　第一代人工智能工具要求IT和數據專家花費大量時間和專業知識建立新的人工智能模型和應用程序。如今各類各樣的平臺正在出現，並在這個過程當中自動化消除瓶頸，或者做爲一個平臺來簡化整我的工智能應用程序的開發生命週期。

　　大多數現代人工智能項目都是由機器學習模型驅動的。創建機器學習模型是一個耗時的過程，但藉助於自動化機器學習能夠加快速度。例如，數據科學家一般花費大量時間將數據轉換爲不一樣的結構和格式，而後調整神經網絡配置設置以建立更好的機器學習模型。

　　DataRobot公司的Priest說：「自動化機器學習使用的軟件知道如何自動化構建人工智能模型的重複步驟，以便爲更關鍵的業務、以人爲中心的任務減小工做人員的工做量。」

　　用於自動化機器學習的新興工具能夠幫助數據準備、人工智能模型特徵工程、模型選擇和自動結果分析。除了DataRobot公司，其餘開發自動化人工智能基礎設施工具的供應商還包括DataBricks、Google、H20.ai、IBM、Oracle和Tibco。

　　Box如何自動化其合同生命週期

　　Box公司首席產品官Jeetu Patel說，現代參考體系結構能夠在將人工智能和自動化引入新的業務流程中發揮關鍵做用。該公司最近決定將重點放在使用人工智能和自動化來改進其合同生命週期管理，這是很是耗時的，由於來回通訊、審查和標記。該戰略要求使用已經與提供商的IT基礎設施集成的服務，包括用於電子郵件附件智能的MXHERO;用於電子簽名的DocuSign;用於合同編輯和談判的Office365;用於報告、分析和義務管理的Crooze;以及用於元數據智能提取和標記的eBrevia。Patel說，該公司擴展了其內部產品「Box Skills」來分析和更好地理解全部合同，以幫助快速識別合同中的任何法律問題。

　　須要耐心

　　支持人工智能的自動化工具仍處於初級階段，這可能會挑戰IT主管識別承諾最有價值的用例。

　　我的化平臺Dynamic Yield公司首席技術官兼聯合創始人Omri Mendellevich說，「人工智能有不少機會，但缺少關注和策略可能會阻礙企業推進成功的人工智能項目。」

　　人工智能戰略應該從將人工智能歸入IT基礎設施能夠解決的問題的良好理解開始。這使組織可以分析它是想在內部解決問題，仍是想購買一種能夠爲他們解決問題的產品。Mendellevich表示，一個良好的人工智能採用策略將定義和澄清組織爲了達到預期的結果須要經歷的過程。將關鍵績效指標應用於人工智能項目的每一個階段將有助於確保成功實施。　　大連婦科醫院 mobile.bhyy0411.com

　　這須要極大的耐心，由於企業須要知道人工智能的自動化還處於起步階段，其交付結果很是複雜。創建模型、測試、調整、失敗、成功和再次失敗都須要至關長的時間。

　　「若是作得好就會成功，人工智能最終將改變人們的工做方式。」Mendellevich說。