至顶网CIO与应用频道 11月08日 北京消息: 商业分析仍然是企业软件市场的热门细分市场,也是每个组织实现数字化转型的核心环节。但是,在商业分析实际应用于市场的连续过程中,不同时间点上存在许多特定发展。
对于技术领导人而言,应意识到可应用于当今实际业务方案的成熟趋势以及可供供应商演示、令人惊叹但尚处于成型阶段的趋势两者之间存在差异,这一点至关重要。按市场成熟度从低到高的顺序,这些趋势分为以下几个类别:人工智能 (AI)、自然语言处理 (NLP) 和嵌入式分析。
人工智能增强实际的人类智力
在当今市场,围绕机器学习 (ML) 和深度学习在内的 AI 所进行的大肆宣传和追捧已经超越了的大数据。将 AI 完全取代和自动执行目前由人类进行的人工分析任务,这一概念距离在大多数实际用例中投入运用还很遥远。事实上,无论是现在还是将来,我们甚至都不应将分析工作流的完全自动化视为最终目标。
“辅助智能”一词更合适作为 AI 这个首字母缩写词的解释,对于将自动化视为威胁的分析师而言,这个词也更容易接受。如今,市场上越来越多的组织都采用了辅助智能的概念。借助辅助智能,分析师或业务用户可通过嵌入式高级分析功能和机器学习算法来提高技能。这些类型的智能功能的效用已得到证实,它们有助于数据准备和集成,以及检测数据模式、相关性、异常值和异常情况等分析过程。
自然交互可提高分析的可访问性
自然语言处理 (NLP) 和自然语言生成 (NLG) 经常互换使用,但用途完全不同。尽管两者均支持与分析平台的自然交互,但 NLP 可视为公式的提问部分,而 NLG 用于向用户呈现自然语言形式的发现结果和见解。
对比两者,NLP 在主流市场的认知度更高,因为自然语言界面通过 Siri、Cortana、Alexa、Google Home 等产品在我们的日常生活中越来越常见。分析供应商将 NLP 功能添加到其产品中,以充分利用此消费趋势并实现更广的业务用户覆盖面(这些用户可能认为自然语言界面比传统分析方式更易接受)。NLP 必将成为广泛使用的分析平台核心部分,但由于目前它尚未覆盖足够广泛的用户群或用例,因此未被视为当今市场主流。
另一方面,NLG 已面市多年,但最近才被纳入主流分析工具以增强数据的可视化呈现。体育赛事、运动员统计数据、共同基金业绩等许多基于文本的摘要均使用 NLG 技术自动创建。此外,NLG 功能越来越多地用作交付机制,使基于 AI 的输出更易于主流用户使用。
最近,分析供应商与 NLG 供应商建立了合作伙伴关系,利用其专业知识为数据可视化增添了新的亮点 - 使用自然语言叙述形式自动识别和表达关键见解,进一步丰富了可视化。尽管商业分析和 NLG 的结合相对较为新颖,但仍赢得了市场关注,并打开了组织探索新用例的大门。
嵌入式分析有助于将见解应用于实践
当见解能够为决策提供参考以改善业务成果时,分析的真正价值得以实现。通过将分析嵌入决策制定者运作日常业务的应用程序和系统,可消除采用障碍,并能够向即时采取行动的人员直接提供见解。
现代分析平台供应商极大程度上简化了组织采用嵌入式策略,进而推动将分析内容扩展至传统方式之前无法覆盖业务线用户的过程。目前,组织正在向客户、合作伙伴、供应商等推广类似的功能,目的是增强竞争优势,并在某些情况下通过从数据资产和分析应用程序中获利来实现新的收入来源。
这些创新为技术领导人提供了一个独一无二的机会。凭借此契机,技术领导人可引领其组织进入所有业务决策均以数据分析为基础的时代。每个组织都将按照自己的节奏开始这段旅程。一些组织会成为新创新的早期采用者,而另一些组织则会在市场的大部分组织成功实施后才会采用这些创新。
归根结底,组织是否采用任何新技术,这取决于最终用户采用新创新和接受流程更改的能力和意愿。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。