当企业将AI视为逐步成为必然的全新趋势时，它已经渗透企业正在使用的工具与应用之中

在IBM Think大会上，AI领域吸引了大众眼球。IBM通过Watson重新启动了AI，而且伴随着市场压力的关注，AI会更容易成为现实。几个月前，公布了关于云服务是将机器学习与非专家系统对接。IBM则以数据私有云加入了这场角逐。以之前企业对AI的关注，他们将AI视为一种新兴的必然趋势。企业相信AI不仅仅是带来差异化的竞争优势，而是会成为他们赖以生存的基础。

乐观的是，在很多场景下，企业已经从融合了机器学习的智能应用和工具中获益。有了AI，他们不用自己再去创建，培训和运行模型。在企业软件领域，AI正在成为一个活生生的现实，就像在大众市场消费领域，人们已经通过AI提供的次优选择和自动推荐来做决策。

Exhibit A已经有相关应用运行在企业的核心部分；Salesforce也将AI纳入未来的核心部分，它将Einstein定位为“大众AI”；AI也是甲骨文和SAP下一代应用的核心。这些都旨在适应组织未来怎么与客户之间进行运作和交互。对于Salesforce的客户，这将涉及通过发掘客户意愿来预测未来行为以及制定下一步最优动作，这仅仅是冰山一角。

SAP和甲骨文都在后台办公室进行初步训练他们的关注点。对于SAP，首先将是关于任务优化，例如自动将发票与收入支付配对，或者提前预测合同更新的动态。对于甲骨文来说，AI可以帮助优化供应商条款，审视供应链管理，使其更具适应性和灵活性，或者连接车间的RCA来预防制造故障。这些例子只是AI增强后台办公室的浅层实现，正如一大批初创企业所指出的那样。

BI(Business Intelligence)工具正在获取类似的智能协助。像Amazon QuickSight和IBM Watson Analytics,通过机器学习来提供一种指导分析，帮助用户发现数据中值得关注的模式，提出正确问题，并通过自然语言接口自动生成叙述。Tableau也有类似的愿望;与亚马逊和IBM不同，目前它的AI计划正在实现中。但是下一代的Tableau将会根据用户的查询模式来指导用户（类似于电子商务网站的建议），提供一个自然语言界面，数据模型更新自动化，并自动发现隐性的意愿。

Data Lakes在使用机器学习上，提供了另外一个诱人目标。与传统数据库相比，“数据湖泊”规模之大其实是受益于一定形式上的智能协助;人类是无法轻易地衡量TB级的数据清理和整理。我们回顾几年前，图林奖获得者Dr.Michael Stonebraker在一次会议上指出，当你管理的数据不再是少量，手动方法将束手无策，机器学习则必须介入。

机器学习毫无疑问地成为了数据准备工具的筹码。例如，Trifacta从数据和用户如何与数据交互中学习。数据目录已经成为流行点，为组织在他们的数据湖泊中找到数据;例如，Alation将机器学习作为外包的补充，收集元数据并检测形成SQL查询的通用模式。Unifi整合了机器学习，根据跨多个数据集的通用键的检测来推荐连接，这是它用于分析、准备和编目数据的一部分。

行业新秀Io-Tahoe也在数据编目上也放开了机器学习。但这个框架更多是针对遵守法规方面，在个人身份识别信息数据方面，它（在字面上）被训练得接受隐私授权的制约，如GDPR，PCI以及HIPAA等。它的工具也已经正式发布，其本质是一种基于AI驱动针对敏感数据的侦测。它开始了，但是并没有以爬虫为终点。除此之外，Io-Tahoe的工具能够分析可能未被文档化的主键和外键关系，这些关系可能暗含在验证链路共性（冗余）实体的数据流中，这才是机器学习的用武之地

这就是大势所趋。当企业正在积极地寻找将AI植入他们的业务的方法时，他们已经赖以使用的企业应用和工具，正在或者很快会被AI重新整合。

文章来源：AI 资讯社