劳动力短缺一直是困扰很多企业的问题。大量初级职位空缺,大多数零售商店都在招聘,当然平均薪酬也在随之上升。像日本这样的国家早就出现了这种情况,在利用人工智能实现更高水平的自动化方面处于领先地位,其目标是用更少的人做更多的事。
以下是人工智能自动化的一些主要趋势:
Great Expectations开放数据质量平台的高级开发倡导者Ruben Orduz表示,从事人工智能培训的数据工程师正在认真对待数据质量流程。面临的一个问题是,现实世界的数据并不整洁或不可预测。它可能会遭受诸如丢失、截断或无效数据、意外重复和异常等质量问题。
他说,“当使用杂乱的数据来训练算法时,其结果可能是灾难性的。依赖于根据输入数据进行推断和调整的机器学习和人工智能算法特别容易受到不良数据条件的影响。”
例如,如果企业发送和交付货物,会收到来自供应商的一组订单,其中包括名称、地址和要交付的货物。人工智能系统接收这些数据,并使用它来学习和规划交付路线。如果交付货物的数量通常为1~30个,但数据在“包数”中突然显示有数千个包裹,那么说明这需要雇佣更多的送货司机,这表明这个模型也有偏差。这就是为什么数据工程师正在努力了解其数据的质量,并使用数据质量平台来识别异常值和受影响的数据的原因。现在做这件事比以往任何时候都容易。工程师可以发现,在数据流进入时运行管道测试,并在进入人工智能训练过程之前捕获异常值。
思科、Juniper Networks、Gluware和Splunk等许多公司正在投资于人工智能功能的自动化,以将其应用于网络故障排除和性能诊断。网络运营传统上需要高度参与的人力资源。人工智能和数据可以使很多工作实现自动化。
网络毕竟是一个复杂的系统,包含了大量的技术、架构和覆盖,导致许多操作点出现故障和性能问题。网络的人工操作方面同样具有挑战性。尽管一些努力将操作集中到网络控制器,但网络管理在很大程度上仍然是人工管理的,并且需要管理人员具备大量专业知识。此外,这项工作主要是探索性的,管理人员试图在没有提前洞察或数据的情况下人工得出问题的根源。因此,以传统方式运行网络的成本很高,无论是在服务停机时间或降级方面,还是在实现解决方案的人力方面。
Gluware公司人工智能副总裁Stanislav Miskovic说,“利用人工智能自动化进行分析是一个巨大的机会,我们正在构建一个平台,该平台将利用和统一整个网络堆栈中的真实数据。
人工智能自动化可以通过多种方式帮助企业降低与网络相关的运营成本:执行根本原因分析和本地化有问题的站点、设备和协议;将基础设施作为整体及其所有组件进行自主基线化;对已经识别问题的相关性进行排序;例如识别支持证据并向网络工程师规定补救措施。但在网络世界中,这些功能中的大多数仍处于起步阶段。”
正如网络通常需要通过更多人工智能实现自动化一样,网络安全也是如此。随着威胁变得越来越复杂,企业网络的边界变得越来越模糊,特别是随着向云平台的过渡,需要分析的数据量远远超出了人工检查的能力。
Miskovic说,“人工智能和分析是增强安全性的关键推动因素。如今,安全需要覆盖更广泛的范围,如果没有人工智能自动化的帮助,这是无法实现的。如果攻击面太大,数据量太大,那么无法在没有人工智能帮助的情况下进行检查。”
这促进了用户和实体行为分析的发展,这是一个纯粹的人工智能驱动的安全领域。另一种人工智能驱动的安全方法是检测零日攻击或未知事件,如果没有人工智能自动化基线分析和异常检测,这是无法实现的。最后,人工智能自动化通过对安全警报进行排序、减少警报疲劳和建议纠正措施来帮助安全响应团队。
即使有所有有助于监控、管理、操作和保护企业基础设施的产品,它们产生的警报数量以及工程师为解决这些问题需要采取的步骤数量也变得难以处理。出于这个原因,人工智能驱动的流程自动化正在成为网络运营、安全运营和票证管理不可或缺的一部分。
Miskovic说,“许多人工智能驱动的解决方案已经开发,在发出警报和解决问题任务的各个方面实现自动化。这些人工智能自动化解决方案提供了可定制的剧本,可以在没有人工干预的情况下执行许多后勤或补救任务。该系统可以通过识别工程师为解决类似问题所做的模式来自主学习解决问题所需的许多剧本步骤。这些剧本也可以由工程师进行定制。”
人工智能引擎和平台很复杂。因此,其他人不可避免地会承担繁重的工作,并提供人工智能即服务作为人工智能作为平台的替代品。
DataProphet公司联合创始人、首席执行官Frans Cronje表示:“随着企业及其数据科学团队已经通过人工智能平台发挥自身优势,开始通过构建专业团队以实现人工智能的附加价值,需要以人工智能即服务的形式提供深入知识的人工智能系统将会加速发展。”
以上是2022年五大人工智能自动化趋势的详细内容。更多信息请关注PHP中文网其他相关文章!