盡管軟件開發(fā)商務智能（BI）相當成熟，但當今的大多數(shù)見解都是描述性的，而不是預測性的和說明性的。由于過去和現(xiàn)在并不總是一帆風順，因此BI不足以使企業(yè)能夠從對數(shù)據(jù)分析的投資中實現(xiàn)全部價值。而且這種不足注定會被機器學習和人工智能（AI）技術所填補，這些技術已經(jīng)推動了比人類（可能是雙關語）可能更深刻的見解。
基于AI的智能業(yè)務是一種數(shù)據(jù)和分析指導人員和流程的方法，以便他們不斷了解應采取的最佳行動以及何時采取行動，以動態(tài)地優(yōu)化業(yè)務運營，最小化風險，保持合規(guī)性并削減成本，同時抓住機遇并以最大化利潤的方式改善客戶參與度。
要實現(xiàn)支持AI的智能業(yè)務，需要打破傳統(tǒng)的管理模式（在C-Suite中做出大多數(shù)或所有戰(zhàn)略決策），并更多地依賴于數(shù)據(jù)學習模型，該模型是自學習，自組織和自組織的。優(yōu)化-因此需要機器學習（ML）和AI。此外，要獲得更深入的洞察力，還需要攝取和分析新的數(shù)據(jù)源，包括點擊流，傳感器和文本等結構化數(shù)據(jù)源，以及JSON和XML等半結構化數(shù)據(jù)源。
盡管結果有望帶來革命性的變化，但實現(xiàn)這些結果僅需要進化的變化。
到達目的地-
逐漸使用當今收集的分析點解決方案是一個很好的起點，但是構建支持AI的智能業(yè)務需要創(chuàng)建一個綜合框架，該框架可以利用現(xiàn)有投資，同時奠定能夠利用數(shù)據(jù)中心所有數(shù)據(jù)的新基礎。通往企業(yè)邊緣的途徑。擁有框架有助于在數(shù)據(jù)和分析上進行謹慎的投資，從而連續(xù)不斷地產(chǎn)生新的，更深刻的見解和更深刻的見解。
要達到目標，就需要進行增量且可管理的更改，這些更改必須在同樣可擴展的通用數(shù)據(jù)結構之上逐步構建一個通用且可擴展的分析框架。分析框架應設計為使分析和AI / ML工作流程與業(yè)務策略保持一致。數(shù)據(jù)結構應包含運動中的數(shù)據(jù)和靜止數(shù)據(jù)。前者包括邊緣，云和本地流數(shù)據(jù)。后者包括云中以及本地數(shù)據(jù)存儲中的數(shù)據(jù)。
為了有條不紊地，漸進地構建支持AI的智能業(yè)務，結構和框架應支持單獨支持所有特定戰(zhàn)略業(yè)務目標的數(shù)據(jù)和分析項目的實施。戰(zhàn)略業(yè)務目標的一個示例是減少欺詐。理想情況下，可以通過創(chuàng)建多個減少欺詐的分析項目來量化并最終實現(xiàn)目標，每個項目都專注于分析特定的數(shù)據(jù)資產(chǎn)。
在每個項目的基礎上進行持續(xù)改進，使首席數(shù)據(jù)官（CDO）和其他C級主管可以查看單個AI和ML模型的價值，以及如何將它們組合和調(diào)整以實現(xiàn)共同的業(yè)務目的。
支持AI的智能業(yè)務成功的關鍵在于構建分析框架和數(shù)據(jù)結構，使其既靈活又可完全擴展。這種敏捷性和可擴展性必須適應所有工作負載-從數(shù)據(jù)提取到培訓，推理和行動-從邊緣到核心以及在私有，公共和混合云中還必須跨越整個組織及其許多數(shù)據(jù)源。
單獨的數(shù)據(jù)，分析和決策工作流是可以作為服務在信息目錄中發(fā)布并可以在其他工作流中鏈接在一起的管道，可能會使用Kafka API。這使基于微服務的管道得以創(chuàng)建和組合，最終達到相當于狀態(tài)機的狀態(tài)，該狀態(tài)機可動態(tài)響應事件并不斷優(yōu)化業(yè)務運營以整體方式實現(xiàn)多個業(yè)務目標。
智能業(yè)務的好處
一旦實現(xiàn)，基于AI的智能業(yè)務將繼續(xù)發(fā)展，因為其最終目標不僅是變得智能，而且還要自學，自組織和自優(yōu)化，以不斷適應和改進。結果是一個數(shù)據(jù)驅(qū)動的業(yè)務，該業(yè)務更加明智，響應迅速，積極主動且具有競爭力。
CDO的優(yōu)勢還包括CDO管理數(shù)據(jù)和分析項目，使它們與業(yè)務目標保持一致以及評估它們（分別和遞增）如何為業(yè)務創(chuàng)造價值的能力。這種相同的可見性使其他C級主管可以更好地理解在支持AI的智能業(yè)務中進行的投資如何為實現(xiàn)組織的戰(zhàn)略目標做出貢獻。