Суть дополненной аналитики
В прошлом тонкостями аналитики данных занимались специалисты по работе с данными. У них были знания, опыт и программное обеспечение, необходимые для выполнения основных процессов в жизненном цикле аналитики данных, в который входят исследование и подготовка данных, проектирование и разработка моделей, а также генерирование и распространение аналитических выводов. Эта утомительная работа часто выполнялась вручную и могла занимать дни, недели или даже дольше. Бизнес-отделы ждали, пока станет доступна информация, которая направит их решения и действия.
Однако, учитывая скорость, с которой компании теперь должны работать в условиях высокой конкуренции на цифровых рынках, люди, принимающие решения, просто не могут ждать. Им нужны более глубокие выводы, в большем объеме и с беспрецедентной скоростью. Однако большинство отделов обработки и анализа данных не могут расширить свои операции достаточно, чтобы успевать за требованиями к анализу данных. Эта проблема усугубляется необходимостью работы с большими данными и другими крупными, сложными хранилищами данных.
Специалисты по дополненной аналитике помогают компаниям изменить подход к созданию, использованию и распространению бизнес-аналитики (BI) и бизнес-анализа (BA), используя искусственный интеллект (ИИ) и родственные технологии.
Дополненная аналитика состоит из трех основных компонентов:
- Машинное обучение (ML). ML, разновидность ИИ, использует алгоритмы для быстрого поиска данных за прошлые периоды, выявления закономерностей, обнаружения отклонений и генерирования выводов и рекомендаций. Модели ML процветают на больших данных и постоянно учатся на новых структурированных и неструктурированных данных — без человеческого вмешательства. Модели ML лежат в основе большинства возможностей дополненной аналитики.
- Технологии обработки естественного языка. Людям и компьютерам стало легче общаться друг с другом благодаря новым технологиям: обработке естественного языка (NLP), которая интерпретирует человеческий язык для компьютеров, и генерированию естественного языка (NLG), которое переводит компьютерный код на человеческий язык. В результате представители бизнеса могут общаться с компьютерами в формате вопросов и ответов, используя знакомую терминологию из своей предметной области и отрасли.
- Автоматизация. Технологии, основанные на ML, автоматизируют рутинные, выполняемые вручную задачи во всех точках жизненного цикла аналитики данных. Это значительно сокращает время, необходимое для создания, обучения и развертывания моделей ML. Например, автоматически сгенерированные запросы помогают техническим и нетехническим специалистам быстрее находить и подготавливать сырые данные. Ближе к концу жизненного цикла текстовые отчеты, автоматически создаваемые и распространяемые с заданной пользователем частотой, ускоряют обмен выводами.
Верная своему названию, дополненная аналитика не заменяет, а дополняет человеческий разум, интуицию и любознательность. Учитывая контекстуальные и поведенческие подсказки, собранные от пользователей с течением времени, модели ML оценивают человеческие намерения и предпочтения и предлагают соответствующие выводы, рекомендации и советы на естественном языке. Принятие решений они оставляют людям.