深度解读|SAS与企业级人工智能

来源：网络整理网络用户发布，如有版权联系网管删除　2018-07-12　

SAS作为数据分析领域的领导者，对于行业发展的洞察非常敏锐。最近SAS执行副总裁兼首席技术官Oliver Schabenberger在一个专访中，向大家介绍了SAS有关企业人工智能的定位及前景。内容精彩，不容错过~~

在IDC公布的“全球商业智能和分析工具软件市场份额”调查报告中，SAS被评为“高级及预测分析软件市场领导者”。成为全球高级分析软件市场占有率最高的企业意味着什么，为什么这对于企业十分重要?

Schabenberger：40年来，SAS一直致力于高级分析软件创新。在过去的四十年里，分析领域出现大量创新，技术和方法已经相当成熟。但这个领域不是止步不前，而是在不断发展和演变。现代机器学习、深度学习和认知分析正在步入以数据为主导的高级分析新阶段。边缘分析和流数据分析要求我们提高网络内部和设备内部的分析能力。

作为全球高级分析软件市场占有率最大的企业，SAS满足所有细分市场的需求。SAS为大小客户提供帮助，应对最为严峻和最为复杂的分析挑战，同时解决简单易行的问题。

各类规模的企业正在向着数据驱动决策的方向发展，而分析是关键。今天，企业极大地提高了数据意识和数据素养。但没有分析，无法实现数据价值。

我们通常将分析分为描述性分析与预测性分析。前者利用基于历史数据的内向方法回答“发生了什么”。后者利用前瞻性预测方法回答“可能发生什么”以及“什么情况下可能发生”的问题。企业的分析进程开始由基于历史数据获取描述性洞察向采用更具前瞻力的预测方法转变，以指导业务发展。高级分析软件支持预测方法并优化业务流程。

我的任务是为客户不断遇到的数据挑战提供分析解决方案，帮助指导客户完成分析进程。例如，云计算实现了计算资源访问的民主化，但在我看来，这只是分析洞察民主化的开始。高级分析软件中的“高级”并不意味着“需要高级编程技能”。如果每个人都能访问数据并能访问计算资源，那么我们需要在高级分析环境下利用无处不在的数据。

为了保持高级分析市场领先地位，需要的不仅仅是具备巧妙地利用复杂的算法解决企业层面难以优化的问题的能力。你还需要了解并支持企业分析生命周期：从数据探索到模型开发、部署直至模型管理的整个过程。例如，开发用于确定借记卡交易是否存在欺诈的模型不是静态的，需要随着条件的变化进行监控和调整。

从机器学习到深度学习和认知计算，SAS产品扩展经历了怎样的过程，以及如何为企业客户提供帮助？

Schabenberger：几十年来，SAS通过编程语言和解决方案，为客户提供高级建模和机器学习功能。还推出强大的非结构化数据分析产品，特别是文本挖掘和场景分析。内容分类、实体提取、情感分析以及问答系统等功能对于SAS来说可谓层出不穷。

机器学习是一种数据驱动的分类、预测和模式识别方法。近年来，随着获得更多数据，预测分析兴趣的提高，以及数据科学作为一门学科的兴起，这些方法与传统建模技术相比有了长足的进步。 SAS涉足这一领域已有几十年的时间。

大数据与大计算结合推进了基于深度神经网络的现代机器学习方法，也称深度学习。深度学习令人感到兴奋和着迷的地方是其使用数据的不同方式。数据（而不是模型）用于不断驱动方法、且被用于算法获取技能。与利用一组数据训练决策树，使其能够很好地进行数据分类不同，深度神经网络通过提取各层数据的规则来学习分类。

SAS在以下几个方面扩展深度学习和认知分析：

我们在经典方法中加入基于深度学习的分析方法以提供选择，支持以更少的专业知识实现更高的自动化和问题解决能力。

为客户提供深度学习工具，使他们能够利用自己的数据训练现代机器学习模型。

将认知计算和深度学习嵌入SAS产品，支持用户与软件之间更加拟人化交互，并支持更加强大的个性化和更加动态的行为。

企业客户需要人工智能、深度学习和认知计算，因为这些技术支持准确性和自动化，不必依赖深入的既定专业领域知识。建立准确学习系统的关键是具备大量高质量数据、计算能力和工具。我们提供工具和分析架构以获得洞察，而这种洞察将越来越多地得益于人工智能技术在企业客户数据中的应用。

企业客户还需要推动组织内部分析和数据驱动决策。分析越来越多地被未经过数据科学和统计培训的人员需要、理解和使用。可视化是实现自助分析的一种动力。认知技术将可视化提高到新的水平，即用户与软件之间自然交互：以自然语言（录入或语音输入）请求分析，根据用户和情景，以相应复杂程度获得分析洞察。

我们致力于将人与SAS软件的自然交互成为现实。

您可以向我介绍一下正在构建的最新高速内存分析平台吗?

Schabenberger：我们的最新平台SAS Viya，这是我们第三代内存可扩展高性能架构。但是，SAS Viya不仅仅是一种系统架构，它是用户真正用以构建分析型企业的平台。这是SAS的典范转变。

我们建立SAS Viya的方式与我们开发所有软件解决方案的方法是一样的：不断创新满足客户需求并对市场变化做出响应。我们的客户需要速度和扩展能力、灵活性、弹性和可塑性。他们需要面向服务的开放式可访问平台，易于部署、管理、更新和监控。同时，我们也看到利用通用SAS平台支持数据和分析解决某些技术问题的机会。

我们将此归结为SAS Viya的四大支柱或业务需求：需要一个开放、统一、强大的云就绪平台。

我们早在40年前便开始了高性能分析进程。SAS一直在解决大数据问题，并提供最佳的最高性能算法。2009 年，基于多核商品化硬件的分布式计算推进步伐加快。随后几年中，我们掌握了如何将高级分析和数据管理迁移到从单台计算机扩展到多台计算机的环境中。 SAS Viya是该努力赋予的杰作，我们为此感到非常自豪。

您认为企业级人工智能面临哪些挑战?

Schabenberger：我们目前讨论的人工智能（AI）应用属于一种试图解决具体狭义人工任务的弱AI。相比之下，“强AI”旨在开发智力水平相当于甚至高于人类的机器。

当前，弱AI的进步以应用深度神经网络算法为基础，学习诸如预测结果、分类对象或识别模式的技能。这几乎完全以监督方式完成，利用标注数据训练构建的相应神经网络。例如，因为传送的大量图像上的对象已经被识别（被标注），所以网络可以学习识别图像上的对象。

一旦我们了解这些系统是如何构建的，企业级人工智能的一些挑战显而易见。

数据质量是至关重要的，因为数据进行编程。新数据的准确性要达到可接受水平，需要大量训练数据。然而，系统不会学习训练数据之外的规律。它们不能概括系统训练期间出现的其他条件和情况。当训练数据未反映市场条件变化时，训练执行自动交易的系统会表现得很差。系统不会通过自动适应新的情况来学习；学生的水平依赖于老师。

许多企业正在从以产品为中心的模式转变为以客户为中心的模式。人工智能系统可以帮助更好地了解客户，并自动执行交互和推荐。如果这些决定是系统单纯通过数据学习做出的，那么您需要全面了解客户。许多企业发现，他们的数据仍旧散落在企业各处。

开发深度学习人工智能系统的第二个重要部分是深度神经网络。它由互连的多层组成以提取推导的结果、客户情感，例如：输入可以是客户的图像或聊天记录。虽然很好理解哪种类型网络适用于哪种类型的输入数据如卷积网络适用于图像，循环网络适用于文本和时间序列，但是构建网络是非常重要的。对于一种数据工作良好的神经网络，对不同的数据可能表现不佳。数据科学中人才之争日益加剧。最近的小战役是对AI程序员的争夺。

基于深度学习的人工智能系统是黑盒子，很难解释。以某种方式更改输入时，您无法描述预测会如何变化。这将影响其在被高度监管行业中的接受度，这种情况下决策的透明度是关键。您可能不必证明电子邮件如何汇总，但可能必须解释为什么贷款申请被拒绝。“好，它有效”不一定是令人满意的答案。

对准备使用人工智能的企业，您有什么忠告?

Schabenberger：不要认为机器人和算法可以替代工作。的确，人工智能正在提高并将影响每个行业。但这种影响主要在于知识的增加，而不是知识替代。人工智能和机器学习执行狭义任务的效果非常好。这些可以是非常复杂的任务，如驾驶车辆或下围棋，或将文本从一种语言转换成另一种语言。但算法不能产生创造力、创新或常识。

如果您对企业应用人工智能感兴趣，请选择不需要场景理解、创造力或判断力的高度重复型任务。这些任务通过人工智能增加知识非常实用。因此，与其用机器人代替客户服务代表，不如利用人工智能强化代表与客户的交互更有价值。

您需要确立人工智能算法的范围，以确保它们不会越界（它们会学习坏事，它们可能在不熟悉的情况下表现不佳）。您需要重新思考测试和验证数据驱动流程的框架。

人工智能不大可能取代已经构建的流程和业务规则。不要把这些丢掉。将人工智能成功引入流程的企业应了解如何将人工智能与基于传统模型的技术和方法相结合。整合将有可能成功。

确定哪些环节可以利用人工智能和认知计算解决业务问题。问问自己，“我在哪方面有大量数据? 我们在哪些方面可以通过自动化决策受益? 我在哪些方面需要更加个性化的交互，减少业务规则? ”确定可以利用数据自动化和简化的活动和系统，同时请记住，支持协助你的员工可能带来最大的机遇。

将下方链接复制到浏览器中，了解更多《认知商业：SAS与企业级人工智能》专访内容（英文版）。

http://www.huffingtonpost.com/lolita-taub/cognitive-business-sas-an_b_13531248.html

联系我们

希望业务人员解答您的问题、与您建立联系：

电子邮箱：contact.china@sas.com

联系电话：400 818 1081

关于更多机构使用SAS解决方案，您可以阅读：
【台北医学大学医疗体系管理缘何轻松高效？幕后功臣竟然是他！】
【利用SAS欺诈管理解决方案 Nets将银行卡欺诈减少50%-70%】
【SAS协助银行应对全新IFRS9会计准则】
【SAS帮助澳洲Telstra电信公司维护客户忠诚度】
【利用SAS解决方案，全球各类机构轻松应对欺诈挑战】
关于更多SAS资讯，您可以阅读：
【SAS继续保持稳步增长, 2016年全球营收达32亿美元】
【来自大数据分析企业高管的独到见解：分析文化的转变从高层开始】
【一篇文章读懂：商业智能的前世今生】
【SAS调研：大数据投资的价值展现依然缓慢】
欲了解更多信息，请点击阅读原文，或访问SAS中国官网 www.sas.com.cn
↓↓↓