探索机器学习和分析的交叉点
来源：CPDA数据分析师网 / 时间：2021-03-04
Alexa和HAL之间的区别非常显着，但是两者（以及一般而言，AI）的核心都是机器学习，机器学习作为其In-Chip™数据处理算法的核心要素，我们称其为查询回收–将查询分解为较小的块，后来重新组合以回答将来的问题，用户A是否提出了一个全新的问题，例如“去年我们的平均交易额是多少？” 然后用户B问“我们的销售量同比增长是多少？”，第二个用户将更快地收到他们的答案-因为系统已经执行了一些汇总来回答他们的问题，这不是OLAP它是一种学习算法，随着时间的推移，智能算法将变得更加智能和高效，并且随着越来越多的独特查询的积累，它学会识别每个查询中的可重用块，并将它们用作将来的参考知识库。
让我们考虑一下机器学习算法如何影响业务分析
通常一旦确定了压力点，这些压力点便会经常返回，这意味着那些查询以及相关查询将变得非常快，典型的例子是一段时间内的收入数字，它的作用还在于提供一个超越简单仪表板的基础。这些想法中的一些如何。
异常检测
有很多使用异常检测等功能的方法，但不是很明显，如果中的销售额波动在5％以内，那也许是正常的，但是如果您的收入超过15％，那就值得关注了，您可以查看仪表板并找到此信息，但是通过异常检测，您可以通过生态系统触发事件，也许这是向您发送文本或电子邮件，或者使用Zapier与第三方应用程序集成，甚至可能是Slack中的一条消息，考虑一些其他想法，您可以在哪里使用这些类型的警报，执法怎么样？某些类型的犯罪或某些地理区域内可能存在季节性变化，例如如果您与毒品有关的活动突然激增，立即通知有用吗？然后您拿出仪表板，开始深入了解发生的事情，并可能结合市政当局提供的其他某些类型的信息，也许是刚刚开放的新公寓大楼或学校关闭了，掌握大局真的可以帮助您寻找模式，您可以创建所有带有异常检测的智能警报。
自然语言互动
所有这些机器学习都为我们提供了与数据交互的其他绝佳方法，您可以从Slack或Skype等消息传递系统进行聊天对话，在其中进行自然语言对话以获取见解，您可以输入“ 2020年第四季度各地区销售摘要”之类的信息，将为您提供书面答复，并可能附有图表以进一步详细说明所提供的数据，从这一点开始，您将有信息要问其他问题，例如深入研究某个区域以查看商店或销售人员的表现，您甚至可以在运行移动应用时执行此操作。
昨天的总销售额是多少？”该怎么办？并得到回应？
人们走在办公室时可能会想知道您正在和谁聊天，但是这种能力现在已成为现实，您可以向发出语音命令，并实时检索问题信息，随着您越来越习惯与业务分析进行交互的这种方法，您会发现更多的用途，出于性能目的，它初似乎是机器学习的基本实现，但它已成为执行分析的全新方法的核心，您实际上仅受您的想象力限制。