人工智能对于信息技术部门的成功至关重要。因此，你可能会认为这只是对这项技术重要性的不断炒作。
  从积极的一面来看，人工智能可以带来商业价值。从负面来看，它不会神奇地解决企业的所有问题。
  然而，如果你理性地对待人工智能，它仍然可以提升你的企业系统，改善你的商业运作。为了了解企业信息技术可以有效地利用人工智能的哪些方面，弗雷斯特研究公司的人工智能分析师谢尔卡尔松、高德纳公司的查理里奇和国际数据公司的米基诺斯里扎。
  不要混淆自动化和人工智能
  供应商经常声称，只要你部署他们的产品，他们的一些人工智能秘密武器就会彻底改变你的业务。别相信他。卡尔松说：“如果应用场景似乎与电影中的相似，那么就有必要问一个问号。”
  IDC的North Rizza指出，大多数供应商提供基于规则的系统。他们软件中复杂的算法或逻辑处理许多常见的应用情况，通常比人类的更快更准确。然而，这是自动化，不是人工智能。
  自动化是好的，但是基于机器智能的自动化可能是错误的或者有问题的。在真正的人工智能中，系统自己决定做什么，这在大多数商业情况下是不可能发生的。想象一下，如果你的财务、招聘、产品规划、网络管理等都由一个独立的代理来处理，但你并不真正理解它，也不能真正控制它，会发生什么。
  重点是实现人工智能的应用分析和异常检测
  真正的情况是使用人工智能技术来发现人类决策的异常模式。已知模式可以通过自动化来处理，但是为了发现未知模式，机器学习、深度学习和人工智能是必要的技术。

  异常检测形式的分析驱动的人工智能通常比人类更快地发现未知模式。它甚至可以根据现有的类似模式提出行动计划。但是采取什么行动是由人类的智力决定的，由别人来检查，并发挥专业知识超出分析的优势。
  自动化，或者至少是软件，可以使用规则库和其他编码逻辑来执行决策。机器人过程自动化是自动化技术发展的一个很好的例子。它们不是人工智能——。他们不会自己“思考”，而是通过越来越复杂的算法来处理越来越复杂的工作流。软件看起来可能是智能的，但它是由人类开发者培养的智能，而不是系统固有的人工智能。因此，分析，尤其是异常检测，占据了当今企业系统中实现的大部分人工智能。这种集成通常由软件供应商参考众所周知的应用场景和业务流程来完成。
  弗雷斯特的卡尔森说，将人工智能引入本地系统的分析并不容易。他说：“数据科学是一个集智能和分析于一体的领域，但人们往往没有意识到，数据科学家没有接受过决策和业务分析方面的培训，所以你可以根据需要做出很好的预测，但你不知道该怎么做。”
  卡尔松补充说：“理想情况下，人工智能建立一个更好的预测模型，为经典优化引擎提供更好的输入。它们是相辅相成的。但是这个过程是痛苦的，因为优化器不知道如何与数据科学家交流，反之亦然。“数据科学家”是一个非常有问题的术语。信息技术可以有各种各样的解释，但是没有多少信息技术部门能够理解这一点。"
  但是仍然有希望，卡尔松指出：工程师们开始通过AutoML使用机器学习，使用这个框架，没有必要从头构建机器学习模型。此外，这些工具对于精通数据的业务用户来说足够简单，并且可以轻松使用数据科学家通常无法掌握的专业知识。精通六西格玛和精益等方法的跨职能流程改进部门尤其适合将人工智能引入分析。卡尔松说：“他们有处理变革管理问题的基因。毫无疑问，获取数据并了解它始终是一项挑战。”
  这些更具探索性的人工智能形式，被——Carlsson称为“增强智能”，在各种企业系统中都有合法而有用的应用：营销、物流、文档处理、IT系统本身以及面向用户系统的用户界面等等。
  人工智能在商业系统中的应用
  人工智能的应用分析形式在处理大量数据、变化或不确定环境、需要快速适应过程的企业系统中普遍存在。
  典型的应用场景包括物流，例如包裹递送、车辆路线、即时库存管理，以及上下文估计，例如信用评分和产品推荐。较新的领域包括声誉管理、简历评分和跨多个领域的风险管理。

  人工智能的一个未提及的应用是自动文档处理。Forrester的Carlsson说：“许多过程都依赖于它们。”他说，虽然合同、政策、医疗报告等。似乎是高度公式化的，因此易于分析，但仍然很难从这些文档中提取信息。例如，标题样式和表格边框等看似微小的更改可能会淹没基于规则的文档提取器。
  提取表格中未明确定义的含义更加困难。例如，客户对市场新领域感兴趣的金融顾问。咨询顾问需要研究投资概况、资源和营销模式，而不是采用经典方法提出一个类似于客户选择的投资模式。Carlsson介绍的另一个例子是：分析医学病理学报告以发现意外信息，例如“根据隐藏的细节判断是否存在癌症风险，这通常是患者在开始时意外抱怨的”，他补充说，他知道有一家医院使用人工智能文档处理功能来发现这样的例子并将数据输入美国国家癌症数据库。人工智能在信息技术系统中的应用
  人工智能运营在帮助信息技术工作方面取得了巨大的成就，它可以识别和诊断网络和业务流程中的问题，以便自动化技术可以建议甚至实施可能的补救措施。类似的方法可以帮助保护工作，如入侵检测和内部数据盗窃。
  Gartner的Rich指出：“AIOps远不如其他企业人工智能领域成熟。”它通常包括机器学习，既有监督的也有非监督的，有时还包括深度学习和图形分析，以便“将数学应用于问题”。这意味着寻找模式和异常(通常在日志中)，向信息技术表明存在需要直接或通过自动化解决的问题。
  里奇说：“人工智能操作系统面临的挑战是噪音太大，导致误报。”现在几乎一切都数字化了，困难变得更加严重。几十年来，事件相关分析一直是一项基本技术。但是Rich说：“它们是基于规则的，所以工作量很大，而且总是需要更新。数据质量可能令人困惑，因此任何实现通常都是定制的。但只要你有钱，你就可以做。”市场希望有一套解决方案来完成这项工作，避免对数据科学家的需求，但这在目前是不可能的。
  另一个挑战是基于时间模式的地表异常时间序列分析。Rich说：“这些算法从20世纪50年代就已经存在，但是直到最近我们还没有足够的计算能力来实现它们。”
  人工智能需要解决的另一个领域是根本原因分析，它涉及大量的相关性和时间序列分析。里奇补充说：“人们总是说有希望解决这个问题，我们开始看到图形分析的进展。”
  更深刻的是像NoOps这样的自我修复系统的概念。里奇说，“总有一天我们会解决它的。现在可以做的是根据条件逻辑启动操作运行脚本。在过去的6到8个月中，供应商销售了一个常见问题知识库，并提供了添加新问题的工具包。”
  但是里奇提醒人们不要期望人工智能有一天能独自处理信息技术操作。“因为不可能收集所有的信息。即使这样做了，如果这是一个没有解决方案的新问题呢？接下来是变革的风险：其他东西会被打破吗？虽然风险分析是必要的，但实际上是没有用的。”
  同时，人工智能操作可以帮助信息技术人员提高发现问题的能力，以便他们能够更快地解决或预防问题。
  人工智能在用户界面中的应用
  多年来，我们已经看到了自然语言处理(NLP)的前景，它可以避免人工支持人员的需要。聊天机器人就是这种承诺的一个例子，也是冒险去相信它们的一个例子。——这些“智能”互动会让顾客感到沮丧并认为他们是负担吗？他们遵循的决定性规则通常不能解决客户的问题，但有时他们可以。卡尔松指出，自然语言处理在理解人类对话方面取得了很大进展，包括文本和口语。在过去的20年中，自然语言处理在语音识别和理解非结构化文本方面取得了很大的进步，促进了无键盘交互，帮助缩小了查询的含义，然后将其应用到手动或自动系统中执行。从某种意义上来说，它是一种分析形式，侧重于意义和表达，例如，分析发音以进行有目的的交流。

  机器视觉在过去的几十年里也取得了巨大的进步。无人驾驶汽车的未来比现实更光明。防撞技术显示，环境条件是感知的，并根据规则自动调整(刹车！)这种能力是真实的。像自然语言处理一样，机器视觉属于人工智能，而不是基于规则的自动调整或反应。
  随着底层模式分析技术的发展，机器视觉和其他传感技术越来越多地用于仓储以识别包裹、用于检测肿瘤的药物以及零售以了解购物者的行为。
  关键在于，在这些情况下，人工智能可以正确分析来自人和环境的真实输入，这样人们就不必理解用户界面的具体语法和限制，更多的人可以更自然地与技术系统进行交互。