Equinix的CIO Milind Wagle擁有自己的“客戶流失預(yù)測器”。它告訴他為什么要開戶以及將來是否有可能開戶。該信息使數(shù)據(jù)中心服務(wù)提供商有機(jī)會(huì)通過改進(jìn)服務(wù)和計(jì)劃未來的占用率來提高其預(yù)訂準(zhǔn)確性。

他說：“我們正在將思維方式從將分析視為事后報(bào)告轉(zhuǎn)變?yōu)閷⑦@些情報(bào)嵌入業(yè)務(wù)流程本身。” 通過微調(diào)，Wagle報(bào)告流失預(yù)測器的準(zhǔn)確性接近90%。

Wagle將人工智能（AI）與分析結(jié)合使用并不罕見。凱捷（Capgemini）最近進(jìn)行的一項(xiàng)研究表明，在將近1000個(gè)使用AI的企業(yè)中，近80%的企業(yè)已將其用于數(shù)據(jù)分析和報(bào)告，從而獲得了寶貴的見解。雖然這聽起來可能令人驚訝地高，但是我們采訪過的大多數(shù)CIO都認(rèn)為這是可信的。

MITRE公司CIO和CSO副總裁Joel Jacobs表示：“我一點(diǎn)也不驚訝。雖然我不相信AI的所有可能性都已經(jīng)解決，但是大型組織已經(jīng)意識(shí)到有很大的潛力。”

機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)在較小程度上是AI的分支，這些分支被利用來進(jìn)行數(shù)據(jù)分析工作。機(jī)器學(xué)習(xí)（ML）通過對數(shù)據(jù)進(jìn)行分類（數(shù)據(jù)分析的基本構(gòu)建塊）來進(jìn)行工作，從而在兩者之間產(chǎn)生某種自然的協(xié)同作用。用例種類繁多，因?yàn)閹缀跛袃?nèi)容都涉及業(yè)務(wù)數(shù)據(jù)。

機(jī)器學(xué)習(xí)也是識(shí)別和分類非結(jié)構(gòu)化數(shù)據(jù)（例如文檔，圖像和視頻以及黑暗數(shù)據(jù)）的正確工具，這些數(shù)據(jù)是您從未訪問過的信息（可能是因?yàn)樗谴髷?shù)據(jù)的一部分）。大多數(shù)商業(yè)智能（BI）系統(tǒng)仍然需要結(jié)構(gòu)化數(shù)據(jù)。

“文檔呢？圖像呢？這就是我們可以使用機(jī)器學(xué)習(xí)的地方?！?Elsevier執(zhí)行副總裁兼首席技術(shù)官Dan Olley說?！八瓤梢詮奈臋n中提取信息，也可以創(chuàng)建可以進(jìn)一步索引的注釋。ML是我們從可讀材料中提取知識(shí)的關(guān)鍵手段。”