大數據和人工智能工具的結合可以實現新的分析和自動化形式，而在企業應用程序中，這些技術仍在不斷發展和演變。
Dun&Bradstreet公司今年1月發布了一項調查結果，調查發現，40%的受訪者表示部署人工智能技術增加了更多的工作崗位。這一發現似乎與采用人工智能將減少就業機會的擔憂相反，而在調查中，100名受訪者中只有8人表示，他們的組織由于采用人工智能而裁員。
這是Dun&Bradstreet公司的調查團隊于去年12月在波士頓的人工智能世界會議和博覽會上對與會者進行的調查，這就提出了一個問題，即企業將如何適應人工智能和大數據等新興技術，尤其是處在這個前所未有的數字化顛覆時代。
企業領導者面臨數字化顛覆的現實，發現即使在人工智能上采用快速跟隨策略也很難應對。迅速發展的技術以及人工智能對未來工作的影響，將導致工作崗位的變化和知識型員工難以保留等迫在眉睫的問題。
Dun&Bradstreet公司的調查發現，人工智能主要用于分析、自動化和數據管理。正在啟用新功能，使原本不可訪問的域更容易訪問。例如，大學教授現在可以使用一系列工具來作弊行為，這曾經是一個人工檢驗和基于經驗的繁瑣過程。在人力資源部門，也采用了能夠篩選簡歷、預測應聘者是否合格成功的技術，以及執行許多其他任務的技術，這些任務曾經被認為難以處理。
不僅僅是人工智能功能使這些應用程序更加可行，它也是對業務任務的重新構想，以利用現有數據并開辟新的思維方式。與此同時，不斷變化的隱私法規使企業和網絡犯罪分子以驚人的新方式使用先進的技術，這迫使企業采用更多資源處理與數據安全和治理相關的問題。
當今的業務環境越來越復雜，很難應對這種混亂。隨著第二代數字原生代的興起，需要對不斷增長的人工智能和大數據的應用進行探索和研究。
根據Dun&Bradstreet公司的調查，人工智能技術目前在大多數組織中都有一定程度的使用。這一發現與其他行業機構的研究是一致的，這些研究指出，人工智能技術已從認識和早期采用過渡到全面實施，并從使用中創造了附加業務價值。
現實情況是，許多人工智能應用程序，特別是那些需要豐富的穩定數據集合得出結論的人工智能應用程序，一直受到數據發現和管理的復雜性的困擾。然而，隨著大數據技術的發展，使組織能夠保持和管理越來越多的數據，利用物聯網和移動網絡等新技術的新應用開始產生有希望的結果。其中一些例子包括執法中的面部識別、智慧城市技術、自動駕駛汽車和無人機等。
對人工智能從業者的調查通常包括三類：已經成功部署人工智能應用程序的人員;正在部署人工智能項目，但仍在創新和投資回報率之間尋求平衡的人員;仍在探索人工智能技術或尚未對企業中的人工智能做出認真承諾的人員。而關于這三個群體的相對規模存在重大爭議。
Dun&Bradstreet公司的調查是在一次以人工智能為重點的活動中進行的，近半數受訪者(44%)表示他們的公司正在部署該技術，而20%的受訪者表示其公司已經部署人工智能技術。23%的人表示，正在計劃實施。
尋求采用人工智能技術解決復雜問題的企業有時會感到有點困惑，對其結果不滿意，這表明存在一些可解釋性問題。如果人工智能方法沒有得到很好的理解，那么他們很難接受看似違反直覺的結果。這一點在Dun&Bradstreet公司的調查結果中比較突出，46%的受訪者表示，理解人工智能如何得出結論是他們組織面臨的一個問題。只有三分之一的人表示，他們完全理解他們的人工智能系統是如何得出結論的。
對人工智能結果不滿意的其他一些原因來自于基本問題的制定。例如，由人類訓練的監督人工智能方法存在基于潛在誤導性強化現有知識做出決策的風險，特別是在沒有提前采取正確步驟來解決偏差的情況下——在數據、算法本身或在他們產生的結果的解釋中。
問題制定依賴于數據科學家確保使用正確方法和數據的能力，并要求正確的問題支持得出的結論。問題制定不完整的風險強調需要有可解釋的人工智能和更多關于思想和方法多樣性的對話，以便技術對企業更有價值。
仔細考慮人工智能使用的數據同樣重要。在Dun&Bradstreet的調查中，很多組織表示，缺乏正確的數據是進一步實施人工智能的最大障礙之一，28%的受訪者認為缺乏內部專業知識也是一個主要障礙。
隨著數據的生產和存儲量呈指數級增長，人們將開始看到人工智能系統的適應和改進。
雖然人工智能從業者可能對數據量有合理的處理，但大數據環境中的變化速度仍然是某些人工智能應用程序的重要問題。流媒體數據是數據樣本經常被忽視的一個很好的例子。
數據準確性是另一個越來越重要的問題，特別是對于分類方法和其他無監督的人工智能方法。數據是必須創建任何技術(尤其是人工智能)的基礎。錯誤的數據基礎(例如使用包含偏差或被錯誤操作的數據)通常會導致錯誤的技術方法產生錯誤的見解，而且可以通過壓力以消極的方式得到強化。
但是，隨著數據的持續生成和存儲量呈指數增長，人們將開始看到人工智能系統的適應和改進。這種演變是人工智能的商業價值所固有的特征。正如人工智能技術在某種程度上具有自我診斷的能力一樣，人們將開始看到出現復雜的系統，這些系統不僅可以從人類代理那里學習，而且還可以從經驗中學習——其很好的例子包括對抗人工智能和集成方法。
此外，下一代數字原生代的人工智能和數據科學從業者將更加細致地對系統進行觀察。這些未來的數據科學家將進行鑒別診斷，就像醫生一樣，可以區分具有相似癥狀的疾病。
人工智能和大數據的結合將繼續發展，組織可以確保繼續增加對該技術的實驗和部署。然而無法保證這種演變將朝著積極的方向發展。事實上，一些偉大的預言得出的結論卻恰恰相反。
數字顛覆的新科學與商業和人工智能的發展息息相關。似乎可以肯定的是，這種進化的速度將繼續增加。事實上，人工智能和大數據并不總是完美地結合在一起。在這一領域，最終會產生最佳結果的是不同分析方法和思維的日益成熟。
上一篇：裝修材料驗收13條規范全面保障
下一篇：腫瘤標志物篩查更適合高危人群
大數據和人工智能工具的結合可以實現新的分析和自動化形式，而在企業應用程序中，這些技術仍在不斷發展和演變。
Dun&Bradstreet公司今年1月發布了一項調查結果，調查發現，40%的受訪者表示部署人工智能技術增加了更多的工作崗位。這一發現似乎與采用人工智能將減少就業機會的擔憂相反，而在調查中，100名受訪者中只有8人表示，他們的組織由于采用人工智能而裁員。
這是Dun&Bradstreet公司的調查團隊于去年12月在波士頓的人工智能世界會議和博覽會上對與會者進行的調查，這就提出了一個問題，即企業將如何適應人工智能和大數據等新興技術，尤其是處在這個前所未有的數字化顛覆時代。
企業領導者面臨數字化顛覆的現實，發現即使在人工智能上采用快速跟隨策略也很難應對。迅速發展的技術以及人工智能對未來工作的影響，將導致工作崗位的變化和知識型員工難以保留等迫在眉睫的問題。
Dun&Bradstreet公司的調查發現，人工智能主要用于分析、自動化和數據管理。正在啟用新功能，使原本不可訪問的域更容易訪問。例如，大學教授現在可以使用一系列工具來作弊行為，這曾經是一個人工檢驗和基于經驗的繁瑣過程。在人力資源部門，也采用了能夠篩選簡歷、預測應聘者是否合格成功的技術，以及執行許多其他任務的技術，這些任務曾經被認為難以處理。
不僅僅是人工智能功能使這些應用程序更加可行，它也是對業務任務的重新構想，以利用現有數據并開辟新的思維方式。與此同時，不斷變化的隱私法規使企業和網絡犯罪分子以驚人的新方式使用先進的技術，這迫使企業采用更多資源處理與數據安全和治理相關的問題。
當今的業務環境越來越復雜，很難應對這種混亂。隨著第二代數字原生代的興起，需要對不斷增長的人工智能和大數據的應用進行探索和研究。
根據Dun&Bradstreet公司的調查，人工智能技術目前在大多數組織中都有一定程度的使用。這一發現與其他行業機構的研究是一致的，這些研究指出，人工智能技術已從認識和早期采用過渡到全面實施，并從使用中創造了附加業務價值。
現實情況是，許多人工智能應用程序，特別是那些需要豐富的穩定數據集合得出結論的人工智能應用程序，一直受到數據發現和管理的復雜性的困擾。然而，隨著大數據技術的發展，使組織能夠保持和管理越來越多的數據，利用物聯網和移動網絡等新技術的新應用開始產生有希望的結果。其中一些例子包括執法中的面部識別、智慧城市技術、自動駕駛汽車和無人機等。
對人工智能從業者的調查通常包括三類：已經成功部署人工智能應用程序的人員;正在部署人工智能項目，但仍在創新和投資回報率之間尋求平衡的人員;仍在探索人工智能技術或尚未對企業中的人工智能做出認真承諾的人員。而關于這三個群體的相對規模存在重大爭議。
Dun&Bradstreet公司的調查是在一次以人工智能為重點的活動中進行的，近半數受訪者(44%)表示他們的公司正在部署該技術，而20%的受訪者表示其公司已經部署人工智能技術。23%的人表示，正在計劃實施。
尋求采用人工智能技術解決復雜問題的企業有時會感到有點困惑，對其結果不滿意，這表明存在一些可解釋性問題。如果人工智能方法沒有得到很好的理解，那么他們很難接受看似違反直覺的結果。這一點在Dun&Bradstreet公司的調查結果中比較突出，46%的受訪者表示，理解人工智能如何得出結論是他們組織面臨的一個問題。只有三分之一的人表示，他們完全理解他們的人工智能系統是如何得出結論的。
對人工智能結果不滿意的其他一些原因來自于基本問題的制定。例如，由人類訓練的監督人工智能方法存在基于潛在誤導性強化現有知識做出決策的風險，特別是在沒有提前采取正確步驟來解決偏差的情況下——在數據、算法本身或在他們產生的結果的解釋中。
問題制定依賴于數據科學家確保使用正確方法和數據的能力，并要求正確的問題支持得出的結論。問題制定不完整的風險強調需要有可解釋的人工智能和更多關于思想和方法多樣性的對話，以便技術對企業更有價值。
仔細考慮人工智能使用的數據同樣重要。在Dun&Bradstreet的調查中，很多組織表示，缺乏正確的數據是進一步實施人工智能的最大障礙之一，28%的受訪者認為缺乏內部專業知識也是一個主要障礙。
隨著數據的生產和存儲量呈指數級增長，人們將開始看到人工智能系統的適應和改進。
雖然人工智能從業者可能對數據量有合理的處理，但大數據環境中的變化速度仍然是某些人工智能應用程序的重要問題。流媒體數據是數據樣本經常被忽視的一個很好的例子。
數據準確性是另一個越來越重要的問題，特別是對于分類方法和其他無監督的人工智能方法。數據是必須創建任何技術(尤其是人工智能)的基礎。錯誤的數據基礎(例如使用包含偏差或被錯誤操作的數據)通常會導致錯誤的技術方法產生錯誤的見解，而且可以通過壓力以消極的方式得到強化。
但是，隨著數據的持續生成和存儲量呈指數增長，人們將開始看到人工智能系統的適應和改進。這種演變是人工智能的商業價值所固有的特征。正如人工智能技術在某種程度上具有自我診斷的能力一樣，人們將開始看到出現復雜的系統，這些系統不僅可以從人類代理那里學習，而且還可以從經驗中學習——其很好的例子包括對抗人工智能和集成方法。
此外，下一代數字原生代的人工智能和數據科學從業者將更加細致地對系統進行觀察。這些未來的數據科學家將進行鑒別診斷，就像醫生一樣，可以區分具有相似癥狀的疾病。
人工智能和大數據的結合將繼續發展，組織可以確保繼續增加對該技術的實驗和部署。然而無法保證這種演變將朝著積極的方向發展。事實上，一些偉大的預言得出的結論卻恰恰相反。
數字顛覆的新科學與商業和人工智能的發展息息相關。似乎可以肯定的是，這種進化的速度將繼續增加。事實上，人工智能和大數據并不總是完美地結合在一起。在這一領域，最終會產生最佳結果的是不同分析方法和思維的日益成熟。
