L'avenir de l'analyse métier avec AI, ML et Blockchain

L'intelligence artificielle est déjà utilisée pour contextualiser les données et réduire considérablement les efforts de transformation des ensembles de données pour de meilleures perspectives. L'intelligence adaptative est infusée dans les applications cloud par des fournisseurs comme Oracle pour piloter l'intelligence basée sur des algorithmes d'apprentissage machine à des vitesses considérablement accrues.

Pour citer Angela Zutavern, coauteure de The Mathematical Corporation «Nous passons d'une époque où regarderait le passé pour interpréter ce que cela signifiait pour l'avenir et se diriger vers le vrai pouvoir prédictif des machines, où les gens agissent en fonction des résultats. "

Alors comment AI, ML et Blockchain vont-elles changer Business Analytics? Bien que l'analyse prédictive puisse vous indiquer quels produits et services vous souhaitez cibler avant d'en avoir besoin, prévoir l'avenir de l'analyse métier nécessite un examen rapide des nouvelles sources de données qui continueront d'augmenter au cours des cinq prochaines années. 10 ans: intelligence artificielle, apprentissage automatique et blockchain. Chacun peut être une source de données ainsi qu'un mécanisme pour améliorer l'analyse que vous utilisez pour votre organisation.

Intelligence artificielle

L'intelligence artificielle commence par la création d'algorithmes qui reproduisent la pensée humaine et le jugement. produire des idées ou des recommandations pour les utilisateurs de prendre des décisions. Théoriquement, ces algorithmes peuvent être exécutés sur des volumes de données et à des vitesses qui rendraient impossible pour les individus d'analyser en temps opportun. Pour que les entreprises tirent parti de l'IA comme avantage concurrentiel, elles doivent investir dans le développement des algorithmes qui font ces recommandations.

Malheureusement, il n'y a pas de bouton "facile" à faire, mais le bon partenaire et la technologie peuvent vous aider. et développez les règles et la logique à incorporer dans votre solution AI pour améliorer la qualité des résultats. Un excellent exemple de ceci est un problème rencontré par IBM lors de la préparation de Watson pour le jeu. Jeopardy! L'équipe a continué à voir la précision des réponses aux questions en intégrant plus d'informations dans la mémoire de Watson; C'est jusqu'à ce qu'ils aient chargé un livre qui a diminué la précision de tout le système. Quel livre était-ce? La Bible . En dépit d'être le livre le plus largement publié dans l'histoire, le chargement La Bible a diminué la précision de l'intelligence artificielle de Watson. La conclusion est qu'un livre largement basé sur des paraboles impliquant la foi n'aide pas une machine à déterminer les réponses à d'autres questions factuelles. En fait, il a exactement l'effet inverse. Pour les entreprises, cela signifie que l'intégration d'informations non vérifiées dans votre IA – telles que des critiques gonflées par des trolls ou des bots sur Amazon – peut conduire à de mauvaises recommandations venant de votre système d'IA

Machine Learning

Contrairement à l'IA qui peut être considérée comme ayant une portée plus large, l'apprentissage automatique adopte une vision plus étroite en essayant d'incorporer des données spécifiques concernant des éléments spécifiques pour améliorer la performance d'un résultat de tâche. Un bon exemple et l'application de l'apprentissage automatique est la précision de l'iPhone dans la reconnaissance des mots et des phrases avant de finir de taper. L'amélioration de la reconnaissance vient d'un ensemble de données très spécifique (ce que vous tapez) au fil du temps, dans le but d'améliorer l'exactitude de votre frappe dans le futur. Ce que cela représente d'un point de vue analytique est un ensemble de données très ciblé et souvent structuré qui peut et doit être intégré dans votre data lake. Si une organisation peut afficher les mots tendance que Apple corrige sur les iPhones de son équipe de maintenance, elle peut être plus à même de résoudre les problèmes liés à ces mots de manière plus proactive pour améliorer le service client dans une organisation de service répartie sur le marché. [Block: Blockchain]

Blockchain

La blockchain représente potentiellement l'innovation la plus révolutionnaire dans l'enregistrement des transactions depuis l'EDI, bien qu'elle crée un défi important du point de vue de l'analyse métier. Le concept de base de blockchain est un registre distribué qui est stocké et validé à travers de nombreux endroits qui sont tous connectés et ont un mécanisme de validation qui empêche quiconque de faire un changement non validé. Contrairement à Wikipédia où n'importe qui peut éditer la page sur Abraham Lincoln pour dire qu'il a vécu jusqu'en 1901 et l'afficher, seulement pour l'avoir corrigé après coup, blockchain valide proactivement les transactions avant de les poster.

Par exemple, si la compagnie A vend une machine à la société B et la transaction est enregistrée dans un registre blockchain, les deux parties doivent valider la transaction via le protocole approprié à travers la chaîne. Le défi est que les informations que vous souhaitez publier et analyser sont distribuées non seulement entre la société A et la société B, mais potentiellement entre des milliers et des milliers de clients et d'emplacements faisant partie de la chaîne. Il est facile de suivre et de mesurer le nombre de wagons et combien ils ont payé pour passer par un poste de péage, parce que c'est dans un endroit. Il est beaucoup plus difficile de dire où toutes ces voitures sont passées après avoir traversé le péage, même si toutes les voitures retournent leurs destinations vers les ordinateurs chez les propriétaires. Finalement, il peut y avoir un protocole de reporting ou des services d'agrégation de données pour les ledgers de blockchain, mais les entreprises peuvent avoir besoin de payer pour accéder à ces services et investir dans l'infrastructure pour incorporer ces données dans leurs systèmes AI ou ML. b, e, v, n, t, s) {si (f.fbq) renvoie; n = f.fbq = fonction () {n.callMethod?
n.callMethod.apply (n, arguments): n.queue.push (arguments)}; if (! f._fbq) f._fbq = n;
n.push = n; n.loaded =! 0; n.version = '2.0'; n.queue = []; t = b.createElement (e); t.async =! 0;
t.src = v; s = b.getElementsByTagName (e) [0]; s.parentNode.insertBefore (t, s)} (fenêtre,
document, 'script', '// connect.facebook.net/en_US/fbevents.js');

fbq ('init', '911436665572720');
fbq ('track', "PageView");

Source link