圍繞人工智能(AI)的熱議在企業(yè)中從未出現(xiàn)過。如果僅反映了我們的認知偏見，那么將類人特征歸因于軟件的趨勢是令人興奮的。

但是在這種最初的迷戀之下，人工智能在利用我們現(xiàn)在正在積累的海量數(shù)據(jù)方面具有真正的實質(zhì)。簡而言之，AI是基于智能算法執(zhí)行任務的機器-它是從豐富的數(shù)據(jù)集中學習并對其執(zhí)行操作的計算機，而沒有經(jīng)過明確的編程即可這樣做。

作為消費者或僅僅是人們，我們經(jīng)常以預測建?；驒C器學習的形式遇到此技術(shù)，其中建立模型以基于新數(shù)據(jù)點做出未來決策。無論是Netflix建議您接下來要看什么，Google Maps知道您可能在晚上6點回家，還是Revolut帳戶標記為異常付款，這都是我們?nèi)粘Ｊ褂玫漠a(chǎn)品和服務的形式。

根據(jù)SnapLogic委托Vanson Bourne進行的一項研究，正是由于這些智能產(chǎn)品的吸引，導致93%的英國和美國組織將AI視為業(yè)務優(yōu)先事項。

但是，產(chǎn)品用戶經(jīng)常將AI和機器學習的功能作為UX的好處，而不是由仍然依賴傳統(tǒng)解決方案的產(chǎn)品制造商(在后端擁有自己的其他所有人)享受數(shù)據(jù)壓縮算法可以提供的便利的需求和要求?；蜻m用于可以使企業(yè)更安全，更具彈性的全業(yè)務系統(tǒng)。

人工智能在優(yōu)化企業(yè)后端工作中具有重要的應用，使組織能夠更快地預測和響應趨勢，事件甚至威脅。Splunk的《組織中的AI和機器學習》電子書闡明了AI在幕后發(fā)揮全面影響的地方。

人工智能

盡管可以改進最終用戶的產(chǎn)品，但制造該產(chǎn)品的開發(fā)人員可能仍在處理復雜的IT結(jié)構(gòu)，成千上萬的警報以及日益不透明的環(huán)境。

現(xiàn)在，有一些軟件系統(tǒng)可以自主地改進和替換IT運營。

用于IT運營或AIOps的人工智能是“ IT中的大數(shù)據(jù)與機器學習的結(jié)合”。AIOps由Gartner于2017年創(chuàng)立，如今已成為IT領(lǐng)域的一種增長趨勢。它利用歷史數(shù)據(jù)通過將資源分配給低價值的重復性任務來提高生產(chǎn)率，并結(jié)合了預測分析和自動事件響應功能來更快地修復問題。

隨著所有企業(yè)變得對技術(shù)的依賴以及IT團隊的不斷壯大，AIOps已成為一個新興行業(yè)，其中不乏供應商和專家，他們專注于性能監(jiān)控，事件關(guān)聯(lián)和分析，IT服務管理和自動化。

最終結(jié)果?為企業(yè)和更高效(和更快樂)的工程師節(jié)省了時間和金錢。“對于繼續(xù)從事數(shù)據(jù)和例行任務的IT運營團隊而言，自動化仍然是最重要的最終目標，” OpsRamp高級副總裁Bhanu Singh此前對TechHQ表示。

網(wǎng)絡安全中的AI

企業(yè)可以“藏在人群中”的日子已經(jīng)一去不復返了。網(wǎng)絡犯罪分子的技術(shù)是如此廣泛，以至于僅連接到Internet即可打開威脅之門，其中包括受感染的網(wǎng)站，網(wǎng)絡釣魚電子郵件和分布式拒絕服務攻擊。

不幸的是，企業(yè)沒有做好充分準備來全面預防，檢測和應對不斷增長的威脅數(shù)量和復雜性的準備。

根據(jù)《網(wǎng)絡安全投資公司官方年度網(wǎng)絡犯罪報告》，勒索軟件攻擊每14秒發(fā)生一次。面對如此多的攻擊，企業(yè)正在轉(zhuǎn)向AI和機器學習功能，以幫助填補稀缺的網(wǎng)絡安全專家。

在網(wǎng)絡安全中，機器學習在高級威脅檢測和阻止內(nèi)部威脅中具有應用，這需要更細微的方法來進行監(jiān)視和響應?？梢酝ㄟ^自動和智能的異常檢測來解決在網(wǎng)絡內(nèi)橫向移動的復雜攻擊或因不知情而訪問敏感信息而導致的破壞。

人工智能和機器學習可以使分析人員和安全團隊從應用程序，端點和網(wǎng)絡設(shè)備中讀取大量日志和事件數(shù)據(jù)，以進行快速調(diào)查和發(fā)現(xiàn)模式以確定事件的根本原因。

隨著威脅形勢的發(fā)展，網(wǎng)絡安全漏洞的損失對小型企業(yè)和大型企業(yè)而言都越來越具有災難性，人工智能和機器學習正幫助組織提高檢測速度，影響分析和響應能力。

挑戰(zhàn)?

數(shù)據(jù)以及許多數(shù)據(jù)是任何AI或機器學習計劃成功的核心。為了利用組織內(nèi)這些智能系統(tǒng)的優(yōu)勢，企業(yè)必須準備進行必要的手動工作和資源，以精煉大量數(shù)據(jù)，從而為AI模型提供學習和燃燒所需的燃料。

據(jù)IBM云與認知軟件高級副總裁Arvind Krishna稱，在IBM，一家比大多數(shù)新興技術(shù)市場更具遠見的公司，與數(shù)據(jù)相關(guān)的競爭是該公司客戶停止或取消人工智能項目的首要原因。

克里希納去年在《華爾街日報》舉辦的“萬事俱備的未來”節(jié)上說，公司發(fā)現(xiàn)自己在獲取和準備數(shù)據(jù)的工作和成本方面準備不足，這些數(shù)據(jù)工作占人工智能項目的80%。

克里希納說：“[……]你在這一過程中已經(jīng)沒有耐心了，因為你的第一年只是在收集和整理數(shù)據(jù)。”。他解釋說，公司可能會對這項工作失去耐心和幻想，并“有點逃避”

然而，你擁有的數(shù)據(jù)越多越好，一旦繁重的工作被淘汰，有效的人工智能和機器學習就意味著組織不再被數(shù)據(jù)所束縛，而是被數(shù)據(jù)提升了。挑戰(zhàn)就在眼前，但好處本身就說明了問題(而且起作用了)。