论文部分内容阅读
数据科学正日益大众化：过去需要数据科学家花几个月时间准备的工作，数据敏锐的业务用户可能在几天内就能整理出来。
那些希望在数据分析、机器学习方面有所收获的企业转而求助于看起来“不大可能的老朋友”——商业智能（BI）系统，主要是用于分析过去的性能，目前正在通过人工智能进行改造，以便将预测功能引入到其报告功能中。
Symphony Post Acute Network就是这样的一个组织。这家医疗保健公司在伊利诺斯州、印第安纳州和威斯康星州的28家医疗保健機构中拥有5000张病床，希望利用人工智能和机器学习更好地护理每年从膝盖手术或者接受透析等治疗过程中康复的8万多名患者。例如，深埋在患者体内的医疗内核可以用来指示患者是否有跌倒的风险，从而需要额外的预防措施。
找到某个数据点或者数据细微模式的这些指标，是机器学习理想的应用情形。但是构建模型并不是一件简单的工作。
Symphony的数据科学和分析主管Nathan Patrick Taylor说：“我被预测方面的问题狂轰滥炸。即使我醒着的所有时间都花在构建机器学习模型上，我也没有办法解决所有问题。”
为此，该公司又聘请了两位数据科学家。Taylor说：“聘请他们并不便宜。但是，我们却并未得到想要的回报。这非常得困难，而且很昂贵。”
所以两年前，Symphony开始寻找业务替代解决方案——求助于那些已经建好了机器学习模型并能马上使用的供应商。现在，该公司取出数据仓库中收集的数据，通过其供应商DataRobot基于云计算的人工智能引擎发送数据，结果每四个小时就会把结果传回公司的Microsoft PowerBI仪表盘中。Taylor说：“我和我的首席信息官立刻都能得到这些数据，我们都非常惊喜。看起来很神奇。”
目前，240名医生和护士在他们的PowerBI仪表盘上获得了预测和建议，而他们可以通过平板电脑和智能手机访问仪表盘。例如，很有可能摔倒的患者会被自动标记上楼梯图标。用救护车图标来标记有可能再次入院的高危患者。
把人工智能注入到商业智能中
Taylor说，再次入院率对于Symphony来说是个大问题。医院和保险公司关注再次入院率，每次重新入院的费用都高达13500美元。他说，“这可不是一笔小数目。”
为了弄清楚DataRobot的预测是否有用，Symphony开始在其他一些设备上应用了DataRobot，并进行了为期6个月的研究，以查看再次入院率有什么不同。他说：“即使是只变化了1%，那也是相当不错的。”
Taylor说：这一比率的确下降了——从21%降到了大约18.8%。“这是很大的进步。这说服了我们的首席执行官。”
今天，该公司开始采用同样的方法来处理与保险公司的合同。他说：“如果我们不能很好地为服务计费，那就是随意扔钱。”
第一次安装花了大约20个小时，涉及到连接数据输入和建立学习模型。他说，现在，如果有人想要新类型的预测，会在大约6到8个小时内设置好一种全新的学习模型，在三个工作日内部署完毕。
此外，公司随时都能够对现有的模型进行重新训练。例如，法规可能会改变，或者医务人员可能开始使用新的程序。还有模型会随时间而改变。Taylor每三个月或者每当有重大政策转变时，会重新训练一次模型。如果发生重大变化，只需要在新政策生效后针对输入数据来训练学习模型。
他说，管理系统不再需要训练有素的数据科学家，但确实需要有统计学基础知识的员工。在Symphony，公司还使用R程序来建立模型。
DataRobot还支持开箱即用式的Python。据DataRobot的产品营销总监Colin Priest，使用其他语言的用户也可以使用任何Rest API感知语言来调用DataRobot Rest API，这包括Java、C#、SAS、JavaScript以及Visual Basic。
人工智能的下一步是自助服务
Forrester Research副总裁兼首席分析师Boris Evelson认为：“人工智能已经大众化了。直到最近，它还需要数据科学家来编写代码。今天，通过这些业务智能系统，我可以找到并点击几个数据点，选择我想要预测的变量——比如客户的购买倾向，就会自动生成这些预测模型。”
他说，过去需要一名数据科学专家花几个月来整合完成的工作，现在一名理解数据并使用Excel的员工在几天内就能完成。
他说：“营销人员利用这些来预测和处理客户行为，企业经理用来观察和预测风险，供应链上的人们则用来查看和优化物流。”
据最近Forrester对全球决策者的调查，增强数据、分析和洞察平台是人工智能技术的三大应用情形之一。包括IBM、Oracle和微软在内的所有业务智能大供应商，都在这一领域加大了投入。
如果感觉花8个小时建立一个机器学习新模型的时间有点太长，那么还有更容易的选择。很快，用户将自动获得最常见的预测类型，得到建议，拥有内置的图像识别和自然语言处理功能——正如Gartner预测的那样，未来两年内，自然语言生成和人工智能将成为90%现代业务智能平台的标配。
为文本分析和视觉分析装上商业智能
SpringBoard.ai的首席执行官Bruce Molloy指出，利用自然语言处理功能，用户可以在需要信息的时候提出一些简单的英语问题。“我认为这是很自然的演进。”
他说，领域越窄，平台获得的相关数据就越多，供应商就更容易添加人工智能功能。会计平台，或者像Salesforce这样的客户关系管理系统，已经有了他们所需要的数据，并且存储了一些用户最有可能问的问题。他说，“采用了Salesforce之后，看看他们做什么会很有意思。已经对其作出了一些限制，部分工作已经完成了。他们已经确定这些观点非常重要，而且他们把人工智能能力放在首位。” 人工智能之所以有强劲的发展，是由越来越强的处理能力、更智能的算法、云计算和标准接口推动的。例如，DataRobot同时发挥了云计算和标准REST的API的优势，除了PowerBI、Tableau、Qlik、Excel、R Shiny之外，还支持Trifacta、Alteryx和Domino Data Labs业务智能系统，以及很多其他的仪表盘工具。
人工智能驱动的业务智能仪表盘工具处理的各种数据比以前更为广泛。例如，Symphony不只是查看患者病历中的硬指标，还会查看医生和护士记录的患者病情进展情况。
咨询公司Publicis.Sapient的数据和人工智能全球主管Josh Sutton说，以非结构化格式保存了很多信息，这些信息会带来有用的深度分析结果和预测。但不仅仅是文本。
Sutton说：“非结构化数据是商业智能的基础，而非结构化数据的最大来源之一是视觉图像。”例如，营销部门参考客户在社交媒体上分享的照片，分析他们怎样与产品进行互动，从而获益。
超越描述性分析
国际数据公司的认知和人工智能系统研究主管David Schubmehl认为，预测和深度分析只是人工智能添加到业务智能仪表盘的第一步。人工智能驱动的仪表盘可以提供用户下一步具体行动的意见或者建议，甚至能够为用户完成这些行動。
他说：“如果小部件销售数量下降了，它可能会指出这对今后意味着什么，以及您现在应该怎么做。”
这让业务智能更有价值。
他说：“我认为，这就是为什么这么多人都使用这类工具的原因。”例如，Salesforce刚刚发布了一项重大声明，即它的Einstein预测在预测智能方面每天能够做出10亿多次预测，这有助于人们关闭新业务，确定新的业务线索，创建可采取行动的功能。他说：“我认为这是一个信号，说明人们不仅仅需要描述性的业务分析。我们还处于非常早期的阶段。在未来两三年内，我们可能会完全成熟起来。人们才刚刚开始了解人工智能和机器学习能够带来什么。”
埃森哲的人工智能高级首席负责人兼全球主管Rumman Chowdhury指出，人工智能尤其还没有常识判断力。
她说：“我们还处在弱人工智能世界中。”即使某一个平台内置了一个人工智能模型并能够马上使用，用户仍然必须理解正在使用的数据，以及与当前问题的相关性。
她说：“你不得不去衡量自己得到的输出是否合适。我不知道我们能否会在某些领域完全取代人类的判断。我也不知道我们是否能够实现实际决策的完全自动化——甚至我们是不是应该这样做。”
Maria Korolov过去20年一直涉足新兴技术和新兴市场。
原文网址
https：//www.cio.com/article/3268965/business-intelligence/new-ai-tools-make-bi-smarter-and-more-useful.html
那些希望在数据分析、机器学习方面有所收获的企业转而求助于看起来“不大可能的老朋友”——商业智能（BI）系统，主要是用于分析过去的性能，目前正在通过人工智能进行改造，以便将预测功能引入到其报告功能中。
Symphony Post Acute Network就是这样的一个组织。这家医疗保健公司在伊利诺斯州、印第安纳州和威斯康星州的28家医疗保健機构中拥有5000张病床，希望利用人工智能和机器学习更好地护理每年从膝盖手术或者接受透析等治疗过程中康复的8万多名患者。例如，深埋在患者体内的医疗内核可以用来指示患者是否有跌倒的风险，从而需要额外的预防措施。
找到某个数据点或者数据细微模式的这些指标，是机器学习理想的应用情形。但是构建模型并不是一件简单的工作。
Symphony的数据科学和分析主管Nathan Patrick Taylor说：“我被预测方面的问题狂轰滥炸。即使我醒着的所有时间都花在构建机器学习模型上，我也没有办法解决所有问题。”
为此，该公司又聘请了两位数据科学家。Taylor说：“聘请他们并不便宜。但是，我们却并未得到想要的回报。这非常得困难，而且很昂贵。”
所以两年前，Symphony开始寻找业务替代解决方案——求助于那些已经建好了机器学习模型并能马上使用的供应商。现在，该公司取出数据仓库中收集的数据，通过其供应商DataRobot基于云计算的人工智能引擎发送数据，结果每四个小时就会把结果传回公司的Microsoft PowerBI仪表盘中。Taylor说：“我和我的首席信息官立刻都能得到这些数据，我们都非常惊喜。看起来很神奇。”
目前，240名医生和护士在他们的PowerBI仪表盘上获得了预测和建议，而他们可以通过平板电脑和智能手机访问仪表盘。例如，很有可能摔倒的患者会被自动标记上楼梯图标。用救护车图标来标记有可能再次入院的高危患者。
把人工智能注入到商业智能中
Taylor说，再次入院率对于Symphony来说是个大问题。医院和保险公司关注再次入院率，每次重新入院的费用都高达13500美元。他说，“这可不是一笔小数目。”
为了弄清楚DataRobot的预测是否有用，Symphony开始在其他一些设备上应用了DataRobot，并进行了为期6个月的研究，以查看再次入院率有什么不同。他说：“即使是只变化了1%，那也是相当不错的。”
Taylor说：这一比率的确下降了——从21%降到了大约18.8%。“这是很大的进步。这说服了我们的首席执行官。”
今天，该公司开始采用同样的方法来处理与保险公司的合同。他说：“如果我们不能很好地为服务计费，那就是随意扔钱。”
第一次安装花了大约20个小时，涉及到连接数据输入和建立学习模型。他说，现在，如果有人想要新类型的预测，会在大约6到8个小时内设置好一种全新的学习模型，在三个工作日内部署完毕。
此外，公司随时都能够对现有的模型进行重新训练。例如，法规可能会改变，或者医务人员可能开始使用新的程序。还有模型会随时间而改变。Taylor每三个月或者每当有重大政策转变时，会重新训练一次模型。如果发生重大变化，只需要在新政策生效后针对输入数据来训练学习模型。
他说，管理系统不再需要训练有素的数据科学家，但确实需要有统计学基础知识的员工。在Symphony，公司还使用R程序来建立模型。
DataRobot还支持开箱即用式的Python。据DataRobot的产品营销总监Colin Priest，使用其他语言的用户也可以使用任何Rest API感知语言来调用DataRobot Rest API，这包括Java、C#、SAS、JavaScript以及Visual Basic。
人工智能的下一步是自助服务
Forrester Research副总裁兼首席分析师Boris Evelson认为：“人工智能已经大众化了。直到最近，它还需要数据科学家来编写代码。今天，通过这些业务智能系统，我可以找到并点击几个数据点，选择我想要预测的变量——比如客户的购买倾向，就会自动生成这些预测模型。”
他说，过去需要一名数据科学专家花几个月来整合完成的工作，现在一名理解数据并使用Excel的员工在几天内就能完成。
他说：“营销人员利用这些来预测和处理客户行为，企业经理用来观察和预测风险，供应链上的人们则用来查看和优化物流。”
据最近Forrester对全球决策者的调查，增强数据、分析和洞察平台是人工智能技术的三大应用情形之一。包括IBM、Oracle和微软在内的所有业务智能大供应商，都在这一领域加大了投入。
如果感觉花8个小时建立一个机器学习新模型的时间有点太长，那么还有更容易的选择。很快，用户将自动获得最常见的预测类型，得到建议，拥有内置的图像识别和自然语言处理功能——正如Gartner预测的那样，未来两年内，自然语言生成和人工智能将成为90%现代业务智能平台的标配。
为文本分析和视觉分析装上商业智能
SpringBoard.ai的首席执行官Bruce Molloy指出，利用自然语言处理功能，用户可以在需要信息的时候提出一些简单的英语问题。“我认为这是很自然的演进。”
他说，领域越窄，平台获得的相关数据就越多，供应商就更容易添加人工智能功能。会计平台，或者像Salesforce这样的客户关系管理系统，已经有了他们所需要的数据，并且存储了一些用户最有可能问的问题。他说，“采用了Salesforce之后，看看他们做什么会很有意思。已经对其作出了一些限制，部分工作已经完成了。他们已经确定这些观点非常重要，而且他们把人工智能能力放在首位。” 人工智能之所以有强劲的发展，是由越来越强的处理能力、更智能的算法、云计算和标准接口推动的。例如，DataRobot同时发挥了云计算和标准REST的API的优势，除了PowerBI、Tableau、Qlik、Excel、R Shiny之外，还支持Trifacta、Alteryx和Domino Data Labs业务智能系统，以及很多其他的仪表盘工具。
人工智能驱动的业务智能仪表盘工具处理的各种数据比以前更为广泛。例如，Symphony不只是查看患者病历中的硬指标，还会查看医生和护士记录的患者病情进展情况。
咨询公司Publicis.Sapient的数据和人工智能全球主管Josh Sutton说，以非结构化格式保存了很多信息，这些信息会带来有用的深度分析结果和预测。但不仅仅是文本。
Sutton说：“非结构化数据是商业智能的基础，而非结构化数据的最大来源之一是视觉图像。”例如，营销部门参考客户在社交媒体上分享的照片，分析他们怎样与产品进行互动，从而获益。
超越描述性分析
国际数据公司的认知和人工智能系统研究主管David Schubmehl认为，预测和深度分析只是人工智能添加到业务智能仪表盘的第一步。人工智能驱动的仪表盘可以提供用户下一步具体行动的意见或者建议，甚至能够为用户完成这些行動。
他说：“如果小部件销售数量下降了，它可能会指出这对今后意味着什么，以及您现在应该怎么做。”
这让业务智能更有价值。
他说：“我认为，这就是为什么这么多人都使用这类工具的原因。”例如，Salesforce刚刚发布了一项重大声明，即它的Einstein预测在预测智能方面每天能够做出10亿多次预测，这有助于人们关闭新业务，确定新的业务线索，创建可采取行动的功能。他说：“我认为这是一个信号，说明人们不仅仅需要描述性的业务分析。我们还处于非常早期的阶段。在未来两三年内，我们可能会完全成熟起来。人们才刚刚开始了解人工智能和机器学习能够带来什么。”
埃森哲的人工智能高级首席负责人兼全球主管Rumman Chowdhury指出，人工智能尤其还没有常识判断力。
她说：“我们还处在弱人工智能世界中。”即使某一个平台内置了一个人工智能模型并能够马上使用，用户仍然必须理解正在使用的数据，以及与当前问题的相关性。
她说：“你不得不去衡量自己得到的输出是否合适。我不知道我们能否会在某些领域完全取代人类的判断。我也不知道我们是否能够实现实际决策的完全自动化——甚至我们是不是应该这样做。”
Maria Korolov过去20年一直涉足新兴技术和新兴市场。
原文网址
https：//www.cio.com/article/3268965/business-intelligence/new-ai-tools-make-bi-smarter-and-more-useful.html