人类每天都在产生海量的数据。不仅数据的总量在增加，数据的类型也在增加，而且存储和生成数据的应用程序也在增加。以往采用的商业智能工具无法处理大量数据，并且它们还发现难以处理来自新应用程序的数据;为了使原有的商业智能工具适合新的应用程序，通常需要进行大量的人工调整。因此，使用商业智能工具的企业可能会错过现在可用的数据驱动的见解。
探索人工智能和商业智能之间的六个主要区别
传统的商业智能已经不能满足企业数据的数量、种类和速度的要求，现在是让新的人工智能工具来弥补不足的时候了。但是，这种新一代工具与以前的工具有何不同?
(1)数据收集与整合
在未来五年，80%的数据将是非结构化的数据。这些数据无法在数据库中分类，因此很难标记、搜索和编辑。使用传统的商业智能工具，非结构化数据位于孤岛中，并且即使有的话也要对其进行缓慢的分析。数据科学家通常会花费大约80%的时间准备这些数据，然后才能对其进行分析。
使用现代的商业智能工具，准备工作将更快、更加自动化。无论企业需要分析哪种数据，这些新工具都可以在一个无缝的数据湖中对它们进行排序和分类，从而使孤岛成为过去。这些工具是自助服务，使数据科学家可以在数小时或数天之内开始接收可操作的情报，而无需参与IT运营。
(2)指标覆盖率
传统的关键绩效指标(人工设置和研究的关键绩效指标)仅覆盖组织中正在使用的指标的3%。实际上，对于现代企业而言，只有3%关键绩效指标的规模较小。
如果在面向用户的应用程序中出现问题，则很有可能会以企业当前未涵盖的指标来出错。只要企业监控的关键绩效指标不会下降，就无法检测到错误或中断，直到客户告知企业这些错误。相比之下，任何组织都不可能人工监控其所有关键绩效指标，因此采用人工智能可以解决这个问题。无论企业生成多少个指标，其数量级无关紧要。他们能够一次提取数百万个指标，并且在出现问题时仍可以提供即时反馈。
(3)阈值和基准
传统的人工警报实践要求数据科学家为关键绩效指标设置阈值。当关键绩效指标低于某个阈值或高于某一个阈值时，它会触发警报。不幸的是，即使在正常行为期间，指标也往往会出现不可预测的涨跌。即使企业将基线设置为高于和低于这些阈值，这也降低了在设置的阈值内仍可能发生异常行为的可能性。
这种做法也忽略了季节性，季节性是在每天、每周或每月的周期中某些指标的正常变化。在传统的商业智能程序中，所有的季节性看起来都是异常的，会导致大量的误报和漏报。
现代分析平台采用完全自主的方法进行基准划分。他们依靠机器学习算法来学习指标的正常行为并确定其基准，从而无需进行人工阈值处理。
(4)检测和警报
建立具有人工警报的传统商业智能系统自然是一个结果，那就是警报太多。警报疲劳是一个现实问题。在某些应用中，信息安全人员每天可能会遇到100多万次警报。这使得分析师很难区分紧急情况和数据中的噪音。
在人工智能驱动的报告中没有人工阈值。警报是“真实的”警报——在度量标准中是真正异常行为。即使只靠这种行为，这种行为也大大减少了误报。然而，人工智能的发展远不止于此。现代的商业智能工具使企业能够只对严重的偏差发出警报，从而使企业的响应团队只关注重要的事情。
(5)根本原因分析
异常不会自行发生。使用传统的仪表板，企业可能看到在监视的3%指标中出现的一个异常。不幸的是，企业将无法看到其他地方出现的异常。反过来，这意味着企业需要更长的时间来了解异常发生的位置以及如何解决。
相比之下，自主分析会报告每个警报的完整场景。如果在相关指标中同时发生两个异常，则企业的警报将反映出来。如果这些异常恰好与补丁程序、设备故障或黑色星期五同时发生，则企业的报告也将反映出来。这使得检测和应对异常更加容易。
(6)预测
预测与异常检测不同，但是对于传统的商业智能来说，同样存在困难。准备用于预测的数据需要花费很长时间，而不幸的是，当企业需要提前而不是推迟预测时。由于传统分析工具受其可以接受的分析数量的限制，因此企业的预测将无法考虑所有可能影响业务的指标。简而言之，企业会得到一个不太准确的预测，需要更长的准备时间。
借助自主分析，企业可以在需要时获得所需的预测。自主分析不仅可以在几秒钟内提供预测，而且每次进行预测时都会变得更加准确。该模型将自动将其预测与随后发生的事件进行比较，然后根据判断的对与错来完善其结论——它运行的时间越长，变得越精确。
企业需要什么样的人工智能?
自主分析程序消除了数据和分析之间的矛盾。在采用传统的解决方案的情况下，数据无法到达应有的位置，在处理之前需要对其进行处理对于工作人员或有限的工具来说，它已经变得太庞大，无法处理，而且它的度量标准也出人意料地发生了变化。简而言之，数据太大，变化太快，传统工具无法处理。
商业智能领域的解决方案正在将人工智能功能添加到其现有产品中，但并非每个解决方案都是一样的。现有企业正在零散添加解决方案，而这还没有完整的人工智能项目。其他供应商提供异常检测功能，但仅针对基础设施数据提供功能，这无法提供企业所需的完整信息。
只有完全自主的异常检测和预测解决方案才能为企业提供处理大量数据所需的规模和速度。无论是经验丰富的数据分析师还是经验不足的业务用户，这些工具都将帮助企业在不断变化的竞争环境中获得所需的切实可行的见解。
