【MarketTrend】人工智能所需的数据分析架构

作者：SAS 香港总经理何伟信

根据《全球趋势研究》2017 报告反映，人工智能（Artificial Intelligence）及机械学习（Machine Learning）将于 2020 年在企业决策上带来重要影响，几乎所有受访行业都计划在 2020 年前投资在人工智能范畴，八成受访企业目前已有作相关投资。

人工智能及机械学习最大的特点是能够针对各行各业需要，发展出不同应用，当中衍生的认知运算（Cognitive Computing）是最常见的应用。认知运算透过应用深度学习（Deep Learning）及高效的认知运算系统，促进人类与电脑的互动，令电脑能感知周遭世界，达至更好的自动化效果，为企业提供更准确的资讯及见解，协助管理层在业务发展上作出重要决策。然而，认知运算系统背后需要丰富的数据源，加上强大而富弹性的分析功能，将数据点与点之间的关联有效作出衔接，并将日常工作任务自动化。企业必须明确定下业务目标，在决定应用人工智能前，认清本身需要和能力，例如是否有足够的数据量。

统一开放架构

数据分析是现今企业的核心，可助企业改善客户体验及发掘新商机。商界、政府和其他机构都需要一个易于管理、可应对各种数据分析挑战，并提供各种数据分析的技术及架构平台 ，而人工智能其实是进阶数据分析的伸延。一个能够支援人工智能、机械学习及认知运算数据分析的统一开放架构，需具备以下三项条件：

首先，在未来三至五年，愈来愈多人工智能衍生的数据将储存在云端，加快企业把原有系统和数据迁移到云端。进阶数据分析领域需要多云架构，确保其单一代码库一致、可重复利用，以及可随着基建发展而灵活迁移资产。

此外，由于认知运算结合自然语言处理、图像处理、文本挖掘及机器学习等技术，架构必须能处理文本及图像产生迅速而庞大的数据，并能进一步支援分析来自话音及视像的海量数据。

最后是简易管理的架构平台，简单易用的管理及操作界面，可应对各种数据分析挑战，提供各种分析技术，如加快建模和产生代码的速度，协助进行数据分析，数据准备、功能设计、降低数据维数、综合模型比较，以及在生产过程中实施模型等，协助不同技术水平的人士进行数据挖掘和分析。

数据人才缺一不可

最近不少国家的行业和机构采用内置人工智能效能的分析平台，如影像识辨、深入学习及自然语言理解等，以便从数据中获取更高价值。以为球队提供策略意见的荷兰 SciSports 为例，研究队伍需要重要数据、深入学习及人才专长 ，以取得各种分析及见解。透过人工智能模拟球员动向，而数据亦可以用作发掘新星，以及透过特定赛事中其他队员表现的指标找出被低估的球员。

在人工智能的时代，企业如能配备支援所有数据分析工作技术的架构，加上合适的数据分析人才，就能从大量的数据源中得出以数据主导的见解。香港正处于缺乏数据分析人才的境况，不少企业都开始着手培养 IT 人才，以应付市场需求，最有效的方法莫非为员工提供全面的学习基础和结构化的课程。针对本地雇主对大数据分析人才与日俱增的需求，IT 机构亦有推出专业认证计划或培训课程，进修人士可透过认可的课程取得业界肯定、从事大数据及数据分析工作必备的专业资格；雇主也能借此活用大数据管理、进阶数据分析、机器学习及数据可视化等技术，提升企业的竞争优势。