大數(shù)據(jù)和人工智能夠幫助企業(yè)以新的方式改善客戶體驗。

人工智能和大數(shù)據(jù)之間的關系是雙向的。可以肯定的是：人工智能的成功很大程度上取決于高質(zhì)量的數(shù)據(jù)，同時，管理大數(shù)據(jù)并從中獲取價值越來越多地依靠(諸如機器學習或自然語言處理等)人工智能技術來解決對人類而言難以負擔的問題。

正如Anexinet公司高級數(shù)字策略師Glenn Gruber所述，這是一個“良性循環(huán)”。大數(shù)據(jù)中的“大”曾經(jīng)被視為一種挑戰(zhàn)而不是機遇，但隨著企業(yè)開始推廣機器學習和其他人工智能學科的應用，這種情況正在發(fā)生變化。

Gruber解釋說，“如今，我們想要盡可能多的數(shù)據(jù)，這不僅是為了更好地洞察我們試圖解決的業(yè)務問題，而且因為我們通過機器學習模型輸入的數(shù)據(jù)越多，它們得到的結果就越好。”

當大數(shù)據(jù)遇到人工智能：跨行業(yè)的用例

以下深入地了解這個更廣泛的循環(huán)中的一個部分：如何將人工智能當作處理大數(shù)據(jù)的強大杠桿的示例，無論是用于分析、改進的客戶體驗、新的效率還是其他目的。人們需要考慮以下人工智能和大數(shù)據(jù)應用的三個重要因素：

1.從非標準化來源收集結構化數(shù)據(jù)

大數(shù)據(jù)面臨很多的挑戰(zhàn)，例如以一種可用的、具有成本效益的方式存儲大數(shù)據(jù)。當涉及到非結構化數(shù)據(jù)時，其“可用”部分尤其棘手，根據(jù)研究機構的一些估計，非結構化數(shù)據(jù)占企業(yè)數(shù)據(jù)的大部分份額(70%或更多)。當人們談論大數(shù)據(jù)將不可避免地繼續(xù)增長時，非結構化數(shù)據(jù)是這種增長的主要驅動力。

將非結構化信息轉換為可用格式對人類來說是一項極其繁瑣的工作，特別是在重復(但完全必要)的后臺操作中。

Exasol公司首席技術官Mathias Golombek指出，發(fā)票處理是一個特定的示例，它闡明了使用人工智能從非結構化(或非標準)格式中自動提取結構化數(shù)據(jù)的廣泛可能性。

Golombek說，“如何將人工智能應用于大數(shù)據(jù)的一個例子是訓練一個模型，該模型從掃描的發(fā)票和提取的結構化數(shù)據(jù)的歷史數(shù)據(jù)中學習：發(fā)票ID、到期日、收件人等。這一信息通常必須由工作人員來解釋，因為每張發(fā)票看起來都有些不同，具有不同的名稱或語言。但是，如果企業(yè)使用數(shù)千張發(fā)票的歷史數(shù)據(jù)，則可以創(chuàng)建一個模型，通過掃描新發(fā)票即可自動為其提供結構化數(shù)據(jù)。”

使用人工智能從非結構化數(shù)據(jù)源自動提取結構化數(shù)據(jù)的這一相同原則可以廣泛應用，不僅適用于財務或人力資源等運營領域，還適用于企業(yè)內(nèi)容管理的廣泛(通常是無意義的)類別。這對數(shù)據(jù)分析、機器人過程自動化(RPA)和其他形式的自動化以及其他目的都是一個潛在的好處。

ABBYY公司首席創(chuàng)新官Anthony Macciola說，“組織正在使用人工智能改變其最有價值的資產(chǎn)——內(nèi)容。表示，高達90%的企業(yè)內(nèi)容都是非結構化的數(shù)據(jù)，并且以每年高達65%的速度增長。大多數(shù)非結構化數(shù)據(jù)都無法分析，從而導致有價值的信息丟失和無法使用。借助人工智能，組織將非結構化數(shù)據(jù)轉換為可在智能自動化系統(tǒng)中使用的可行信息。這使業(yè)務領導者可以更快地做出更好的業(yè)務決策。”

2.簡化復雜的官僚程序

在采用大數(shù)據(jù)的場合，就會有復雜性和官僚主義。例如醫(yī)療、保險和金融服務等領域，因此，這些行業(yè)正在越來越多地嘗試采用潛在的方式來使用人工智能技術來減少繁文縟節(jié)，并在圍繞法規(guī)遵從性和其他問題的復雜需求中改進流程和結果的潛在方法。

以下例舉金融領域的一個更深層次的例子：

Persistent Systems公司數(shù)據(jù)、分析和人工智能/機器學習總經(jīng)理Sameer Dixit說：“金融科技完美地說明了人工智能/機器學習如何改變銀行機構向消費者提供金融服務的方式。銀行的后臺操作涉及龐大而復雜的數(shù)據(jù)集，這些數(shù)據(jù)集需要大量人力。如果由機器人流程自動化(與人工智能/機器學習結合使用)進行處理，則可以在執(zhí)行了解客戶、驗證客戶身份和地址等任務時節(jié)省大量時間和成本。貸款本身也是勞動密集型的工作。借助人工智能/機器學習，降低成本，并以更具吸引力的利率向那些信用記錄有限的人提供貸款，正在擴大一個以前服務不足的市場。”

AI Foundry公司產(chǎn)品管理總監(jiān)Arvind Jagannath指出，抵押貸款行業(yè)是目前正在嘗試人工智能的金融行業(yè)的特定子集。

Jagannath說，“人工智能正在以多種方式改善抵押貸款行業(yè)中的數(shù)據(jù)分析。”他列舉了三個方面的例子，說明了人工智能可以在哪些方面為貸款人和客戶帶來好處：

• 吞吐量：Jagannath說，“目前業(yè)內(nèi)平均完成抵押貸款的時間約為3至4周。使用人工智能來自動化‘關鍵路徑流程’，只需幾天就可以完成抵押貸款的處理。這種吞吐量的增加使購房者的購房體驗更快、壓力更小，并幫助銀行和其他貸款人更快地處理更多貸款。”
• 分析速度：從某種意義上說，貸款處理是信息處理的另一種表達方式。人工智能可以加快速度，達到實時處理的程度。Jagannath說：“人工智能越來越多地被用于銷售點，以提供更多的貸款人自助服務。”
• 處理和結果的準確性：Jagannath說，“使用人工智能和自動化，能夠以高準確率處理抵押貸款。人類會感到疲勞，這種疲勞會導致出現(xiàn)錯誤，而人工智能技術可以全天候工作，而不會疲勞且精度很高。”

當然，金融、醫(yī)療和其他公司在削減繁文縟節(jié)的同時，將不得不與人工智能偏見作斗爭。

3. 更好地利用視頻和語音資源

當想到在各種組織中可以產(chǎn)生固有的“大”數(shù)據(jù)的媒體格式時，通常會想到語音和視頻。兩者都提供了人工智能如何應用于改善企業(yè)如何管理和從現(xiàn)有媒體資產(chǎn)中獲取價值的實例，或者如何改善未來使用這些格式和其他格式的示例。

Anexinet公司高級分析總監(jiān)Brian Atkiss指出，像自然語言處理(NLP)這樣的人工智能學科在企業(yè)如何使用他們的語音數(shù)據(jù)、從語音分析到語音到文本轉錄方面創(chuàng)造了相當多的新改進。

此外，人工智能可以解決與基礎數(shù)據(jù)相關的挑戰(zhàn)。例如，可能為了質(zhì)量保證和培訓而錄制視頻或音頻，實際上就是在使大數(shù)據(jù)變得更大。

Atkiss解釋說，“在以往，出于人工審查和合規(guī)的原因，企業(yè)會存儲通話記錄數(shù)據(jù)，有時會長達7年甚至更長時間。這些數(shù)據(jù)以單聲道格式記錄，并經(jīng)過高度壓縮以減小文件規(guī)模和存儲成本。隨著語音到文本算法的發(fā)展，這些通話記錄數(shù)據(jù)突然變成了有用數(shù)據(jù)的寶庫，企業(yè)可以利用這些有用數(shù)據(jù)來衡量客戶體驗并改善運營績效。”

人工智能驅動的新分析機會也徹底改變了與通話記錄和其他語音數(shù)據(jù)相關的存儲挑戰(zhàn)。

Atkiss表示，“更高質(zhì)量的音頻文件從語音到文本的算法產(chǎn)生了更好的準確性，因此企業(yè)需要使用未壓縮的音頻，這可能會使存儲成本更高。在此可以采用人工智能，這是因為它具有自動轉錄語音記錄的功能。”

Atkiss說，“這些錄音文件現(xiàn)在可以實時或接近實時地轉錄，生成的錄音提供通話記錄，可以用于高級分析。這些文本記錄可以存儲，而高質(zhì)量的未壓縮音頻文件現(xiàn)在可以刪除，不需要存儲。企業(yè)提供實時訪問這些數(shù)據(jù)的能力也要求在數(shù)據(jù)存儲和處理方面取得進展。”

視頻文件的處理可以帶來類似的機遇和挑戰(zhàn)。人工智能現(xiàn)在使企業(yè)能夠更好地管理和發(fā)現(xiàn)企業(yè)視頻資產(chǎn)的價值。

IBM Watson企業(yè)視頻產(chǎn)品高級總監(jiān)Chris Zaloumis說：“人工智能技術使企業(yè)能夠通過高級元數(shù)據(jù)豐富功能和以前未開發(fā)的見解來理解和優(yōu)化視頻內(nèi)容庫。從提高參與度和增加可發(fā)現(xiàn)性到自動化隱藏式字幕和進一步提高包容性，人工智能為企業(yè)提供了必要的工具，使其能夠在真正的全球、始終在線的環(huán)境中運營。”

語音對文本技術在提高視頻應用程序的可訪問性和包容性方面，包括在實時訂閱源中，可以起到巨大的作用。Zaloumis說，“像人工智能驅動的實時和按需自動字幕顯示，這樣的實用應用程序為聽力障礙員工和聾啞人彌合通信的鴻溝提供幫助。”