德勤:机器智能比人工智能更具潜力|亚博app手机版

本文摘要:德勤最近发布了一份报告,为机器智能时代的企业应用和战略提供了建议。

亚博app手机版

德勤最近发布了一份报告,为机器智能时代的企业应用和战略提供了建议。德勤指出,人工智能的缓慢进化早已留给它无数的能力。从管理大规模复杂任务所需的基本能力,到用于从数据库中挖掘业务见解的更成熟的分析工具技术,数据往往是一项关键的业务资产。

人工智能技术继续执行一般人类必须完成的任务,已经成为这些分析工作最重要的组成部分。然而,人工智能只是理解计算领域一系列显著发展的一部分,更大的主题是机器智能(MI)。

随着越来越多的公司申请机器动力,机器智能在各个领域的支出已经减少,预计2019年将超过313亿美元。数字世界产生的数据不会减少到每12个月一次,预计到2020年将超过44 zettabyte。

随着来自物联网、暗物质分析等来源的新信号的快速增加,数据的增长会越来越快,越来越慢。从业务角度来看,这种爆炸性的快速增长将转化为比以往任何时候都更具潜在价值的数据源。除了通过传统分析技术揭示新见解的潜力之外,这些结构化数据和在深层网络中等待的大量非结构化数据对于机器智能的转变至关重要。这些系统消耗的数据越多,它们通过寻找关系、模式和潜在的外观就越聪明。

为了有效地管理快速增长的数据量,有必要使用先进的方法来控制数据。从连接设备的分解信号到所有业务和功能系统的历史交易数据背后的线路级细节,数据资产的处置已经成为机器智能目标的关键组成部分。

随着数据量和分析复杂性的降低,允许个人用户访问数据的分布式网络变得更加强大。如今,我们可以慢慢处理、搜索和操作大量数据,这在几年前是不可能的。微处理器的这种强大性能使得设计先进的设备系统成为可能,如多核和并行处理。在某种程度上,这也使得我们需要设计具有先进设备的数据存储技术来反对缓慢的检索和重复的数据分析。

从MapReduce、内存计算、机器学习技术如Google的张量处理单元硬件构建中,我们可以看到技术的发展是为了优化我们有效处理指数级数据的能力。除了性能和速度上的纯粹提升,分布式网络的应用范围也更广。他们现在可以与云基础设施、云平台和云应用无缝连接,并需要消化和分析快速增长的云数据量。

亚博app手机版

亚博app

他们还能够从网络的“边缘”功能(如物联网、传感器和嵌入式智能设备)分析和驱动流式数据。近年来,日益强大的机器学习算法在构建和理解计算完成的目标——以模拟人类思维过程的方向上取得了快速进展。机器智能构造值在机器智能中的应用,需要一种新的数据分析思维模式,这种思维模式在一定程度上是一种创建静态报告的手段,是一种通过使用更大、更多样的数据语料库,自动继续执行任务、提高效率的方法。机器智能可以为操作者获得深度的可视性,不仅是对于已经再次发生的事情,而且对于正在再次发生和将要再次发生的事情。

这可以帮助企业领导提前做出决策,并帮助员工提高工作绩效。例如,在世界各地的呼叫中心,服务代表用于多功能客户异议程序,以执行产品回答、订单处理、账单问题调查和其他客户服务。在许多这样的系统中,工作人员通常必须在屏幕之间来回冲刺,以访问特定搜索需要恢复的信息。

机器智能树根的下一层是理解agent,它是利用理解技术与人进行交互的系统。目前,这项技术更多地应用于消费者服务,而不是企业服务。

他们要求语音命令来降低恒温器温度或关闭电视频道。然而,一个新的应用领域经常出现,一些业务任务和流程可以从这种理解中受益。他们可能能够获得简单的信息,并继续执行一些数字任务,如患者入院或介绍产品和服务。

他们可能会在客服方面获得更大的商业潜力,也就是说,他们明白代理人可能会通过处理账单或账户交互、处理技术支持问题、向员工询问人力资源等方式来取代一些人工代理人。机器学习、RPA等理解工具理解和发展特定领域的专业知识,比如行业、功能等等,然后自动化就涉及到任务。例如,一家医疗保健初创公司正在应用深度自学技术来分析放射图像。在测试中,该系统在识别恶性肿瘤方面超过了人类放射学家50%的准确性。

亚博app手机版

权衡商业和伦理价值在网络安全的背景下,机器智能既面临机遇,也面临风险。就机会而言,利用机器人过程自动化的速度和效率来开发自动化风险管理的某些方面,可以更积极有效地识别、包围和消除潜在威胁。使用机器智能来对抗网络系统可能有助于扩展数据分析和处理,并以无意的方式对这些工具识别的风险采取自动行动。

机器智能在这一领域的有效性可以通过预测风险和网络模型进一步增强,其数据挖掘网络可以进一步扩展到很大程度上未被探索的领域,如深度网络,并应对可能的非传统威胁。企业也可以利用机器智能来促进渠道活动、策略和产品设计。然而,机器智能的客户分析能力有一个潜在的缺点:这些相同的应用程序可能会导致网络漏洞。机器智能的推理可能会引入新的风险,尤其是当推理有缺陷时。

通过创建相关性,机器智能还可以分解存在隐私问题的派生数据。事实上,随着自动化充分发挥其作为效率和节约成本的驱动力的全部创造力,许多人正在辩论更普遍的伦理和道德问题。最后,风险辩论应该解决许多机器智能技术的“黑箱”现实。

虽然算法的透明性在不断提高,但在未来几年里,我们应该仔细平衡商业价值的驱动力和来自声誉、安全、金融等方面的潜在风险。

本文关键词:亚博app,亚博app手机版

本文来源:亚博app-www.ssa-st.com