从洞察到影响：分析 AI 在企业战略中的作用

快速阅读: 据《硅角度》称，人工智能的发展推动了行业转型和运营效率提升。分析型人工智能在定价、个性化营销等方面表现突出，而生成式人工智能擅长文本和图像创建。两者结合可实现更高效的实时决策和业务流程优化。然而，实现人工智能的运营化仍面临诸多挑战，如员工培训和技术集成等。分析型人工智能因其明确的投资回报率更容易被接受，特别是在推动收入增长方面。

人工智能已成为各行各业商业战略的核心要素。随着人工智能的发展，专家们强调了引人注目的生成式人工智能与已建立的分析型人工智能之间的强大协同效应，推动行业转型并提升运营效率。但这些人工智能技术如何互补？哪些行业将从它们的进步中获益最大？

“我认为[分析型人工智能]至少和生成式人工智能一样重要，尽管生成式人工智能受到了所有关注。”巴布森学院杰出教授汤姆·达文波特说。“在许多情况下，我认为它更有可能为组织赚钱，因为您可以在定价、个性化营销内容、[广告定向]、金融服务中的欺诈消除以及决定向谁发放信用卡等领域使用这种类型的人工智能。它已经存在了一段时间，但肯定有发展前景，我认为我们会看到分析型和生成式人工智能在许多应用场景中的结合。”

汤姆·达文波特在“AI & Analytics: Shaping the Future With Alteryx CEO & 汤姆·达文波特”活动中，与theCUBE的戴夫·维拉特进行了独家直播采访。他们讨论了分析型人工智能作为数据驱动业务策略的基础，随着公司拥抱实时分析、预测建模和人工智能驱动的自动化，这一趋势正在加速。

虽然生成式人工智能吸引了头条新闻，但分析型人工智能仍然是关键业务决策的主力。后者涵盖了传统的机器学习技术，用于预测数字而不是生成内容。与专注于文本和图像创建的生成式人工智能不同，分析型人工智能在定价策略、市场营销个性化、欺诈检测和信用风险评估方面至关重要。

达文波特指出，在一个分析型和生成式人工智能携手合作的未来，分析型人工智能将确定最佳受众，而生成式人工智能则会为每位观众定制广告信息。传统的数据分析过程繁琐，需要大量的计算能力和长时间的处理。然而，人工智能驱动的自动化正在加速实时决策。自动化的机器学习使复杂的分析对缺乏广泛数据科学背景的专业人士也变得可及。通过简单地选择数据集并定义他们希望预测的变量，业务用户可以在几分钟内而不是几周内生成洞察力。

这种转向实时分析的趋势打破了长期存在的障碍。借助云计算和增强的数据集成，组织可以无缝连接其后端系统。处理时间的减少对于业务敏捷性具有重要意义，使公司能够更快地应对市场变化和客户行为。

企业采用人工智能面临的挑战和投资回报率担忧

尽管人工智能具有变革潜力，但许多组织难以超越概念验证实验。实现人工智能的运营化需要培训员工，将人工智能与现有技术栈集成，并修改业务流程。据达文波特称，历史上高达87%的机器学习模型从未进入生产阶段。“无论是生成式还是分析型人工智能，最大的问题一直是如何实现生产部署。”他说。“进行概念验证、试点或小规模实验很容易——但要投入生产意味着必须培训将使用该系统的人员。必须将其与现有的技术架构集成；必须改变适合其运行的业务流程。我认为在这方面，分析型人工智能有所改善。”

证明人工智能策略合理性的最大障碍之一是确保投资回报率。虽然人工智能承诺提高效率，但公司往往发现量化其影响具有挑战性。最近的一项调查显示，大多数组织在评估人工智能的价值主张时优先考虑收入增长而非生产力提升。达文波特指出，分析型人工智能因其能够推动有针对性的营销和定价策略而与以收入为导向的目标相契合。“如果收入是您的目标，那么分析型人工智能可能比生成式人工智能更容易达成，因为您可以瞄准正确的客户，可以找出最佳价格，等等。”他说。“我认为生成式人工智能更多地倾向于提高生产力方面的改进，但大多数组织尚未认真衡量生产力的提升。”

以下是完整视频采访的一部分，由SiliconANGLE和theCUBE Research提供的“AI & Analytics: Shaping the Future With Alteryx CEO & 汤姆·达文波特”活动报道：

约翰·弗瑞尔，SiliconANGLE联合创始人的一条消息：您的支持对我们非常重要，这有助于我们保持内容免费。只需点击一下，即可支持我们提供免费、深入且相关的内容的使命。加入包括超过15,000名#CubeAlumni专家在内的社群。theCUBE是行业的重要伙伴，我们非常感谢你们的参与，大家也非常赞赏你们创造的内容。

(以上内容均由Ai生成)