增强分析为用户提供更深入的情报
来源：CPDA数据分析师网 / 时间：2021-04-21
增强型分析使用技术例如机器学习[ML]和AI来协助数据准备，见解生成和见解说明，以增强人们如何在分析和BI平台中探索和分析数据，无论您做什么，无论您做什么，增强分析都可以通过减轻繁重的工作来为数据提供更深入的情报，无论技术水平如何，我们将逐步介绍增强分析将改善您的分析用户体验和结果的方式，人工智能与分析相结合可增强每个应用程序！
借助AI简化分析
数据科学和人工智能：增强BI流程的每个步骤，您将看到传统的BI流程：首先是要使用数据和情报来尝试解决的问题，然后逐步完成希望实现的步骤，增强分析将改善这一古老过程的每个步骤，数据科学和人工智能出于多种原因而结合在一起，可以帮助所有技能水平的用户从其数据中收集可行的情报。
分析圈
增强分析通过扩展自助服务BI并使不直接参与数据科学的用户可以更容易地访问分析来改进上述周期，融入每个步骤的AI元素使所有技能水平的用户都能发现他们发展业务所需的可行情报，平台趋势增加了对基于AI的分析的访问，并将这些系统中的情报注入用户工作流以及应用程序和体验，从数据准备，伴随的数据质量评估到连接数据集和执行分析本身，有用的AI元素（无形地集成到平台中）使分析更加顺畅和直观，传统上数据分析划定了编码人员和业务用户之间的界限，但增强的分析弥补了这一差距。
人工智能交易工具
自动贴图，增强分析就是要尽可能地自动化和改善分析周期，ML的目的是使机器学习模型的开发自动化，每个分析用户都可以从这种扩充中受益，具体来说，现在可以将所有ML项目共有的常见任务标准化并自动化。概括地说，这些任务包括：
资料准备
特征工程
模型生成
模型评估
将这些工具带到金融分析师和保险精算师的手中
可以快速解决准入问题并扩大受众，概述这些方法的典型数据科学方程式和算法，许多数学已经自动化，关键是这些方法已针对许多范围进行了标准化，并且已经存在值得注意的服务，例如ML在人类努力的每个领域中，收益都是可以收获的。
数据科学家的代码驱动分析
尽管ML中的低代码和无代码平台极大地扩展了AI用户的领域，但具有更多编码能力的用户仍然可以期望从AI中获得更多收益，这仍然是事实，例如对数据准备工作（即上述ML中四个主要步骤中的步）为何对培训ML模型很重要的用户有一些基本的了解，这将确保该模型生成的预测结果具有更高的准确性。
尽管有时支持AI的系统是公司寻求构建的目标产品
但AI本身也可以使开发技术使高技术用户受益，具有数据技能（包括SQL，Python，R和其他原型方法）的团队成员可以直接工作，以增强等分析建模平台，更多的技术用户可以编写代码以准备进行高级分析的数据，构建更复杂的数据模型，创建具体化的视图，进行情感分析等；想象力是的极限，换句话说，数据专家可以将其编码技能与AI功能结合起来，以生成更复杂，更准确的模型。虽然AI是正在开发的工具，AI本身也可以使技术含量高的用户受益于其开发工具，具有数据技能（包括SQL，Python，R和其他原型方法）的团队成员可以直接工作，以增强分析建模平台，更多的技术用户可以编写代码以准备进行高级分析的数据，构建更复杂的数据模型，创建具体化的视图，进行情感分析等；想象力是的极限，换句话说数据专家可以将其编码技能与AI功能结合起来，以生成更复杂，更准确的模型。
具有统计培训和深度学习神经网络操作基础知识的ML用户可以从收入和年金列开始
并生成包括均值，标准差和峰度的其他功能，以增强模型训练数据，从而提高预测准确性，潜在的好处是无限的。这些方法已经变得非常标准化，以至于出现了一个新的AI开发范例，以寻求提高AIOps的开发效率。
人工智能
AIOps是关于DevOps方法的应用，以解决AI领域的挑战，AI是一种特殊的软件分支，意味着一种特殊的开发方法，尤其是DevOps的实践希望在开发必须在AI开发中实现的服务的过程中实现运营效率，根据DevOps范式，作为服务的应用程序的持续开发和发布现已广泛并几乎被普遍采用，同时云计算也迅速普及，对于有效构建和维护软件服务的规模和复杂性不断增长所带来的挑战，相同的DevOps解决方案现在正显示出与AIOps相似的有效性，同时对工程师和终用户均有利，提高客户满意度是AIOps的许多预期优势之一。例如，一个智能的客户服务系统可以采取独立的行动来解决客户问题，理想情况下，基于AI的应用程序或服务可以在完成工作时学习，与客户互动并建议进行配置调整以提高自身性能，呼叫中心已经报告说，AI聊天机器人比人工代理获得更高的客户评价！
像这样的智能系统的使用与工程学息息相关
AIOps开发周期将同样包括基于AI的开发人员工具，该工具与他们创建的工具进行通信！因此，改进的工程生产率是AIOps预期的并发优势，工程师和终用户将越来越多地摆脱繁琐而重复的任务，从而有更多时间来增强整个系统的智能性。
增强分析：不断发展的数据专家角色
随着数据科学家和业务用户的角色因增强的分析而转移和发展，出现了新的问题。鉴于减少了技术障碍，所有业务用户都应在数据智能和决策中发挥作用吗？传统上哪些团队成员根据能力严格定义了哪些任务：编码ML算法曾经是数据团队成员的专业知识，任何人都可以插入数据发现工具（尤其是使用模型锦标赛概念的工具），从理论上讲，几乎任何人都可以评估数据模型，为什么所有阶层的业务成员都不应该参与构建和部署新数据模型来满足他们的分析需求？信任和信誉问题将在决定谁可以构建和部署什么方面发挥作用，而不管技术将来如何赋予我们权力，将可行的情报融入工作流，产品和体验是分析和AI的未来。