盡管軟件開發商務智能（BI）相當成熟，但當今的大多數見解都是描述性的，而不是預測性的和說明性的。由于過去和現在并不總是一帆風順，因此BI不足以使企業能夠從對數據分析的投資中實現全部價值。而且這種不足注定會被機器學習和人工智能（AI）技術所填補，這些技術已經推動了比人類（可能是雙關語）可能更深刻的見解。
基于AI的智能業務是一種數據和分析指導人員和流程的方法，以便他們不斷了解應采取的最佳行動以及何時采取行動，以動態地優化業務運營，最小化風險，保持合規性并削減成本，同時抓住機遇并以最大化利潤的方式改善客戶參與度。
要實現支持AI的智能業務，需要打破傳統的管理模式（在C-Suite中做出大多數或所有戰略決策），并更多地依賴于數據學習模型，該模型是自學習，自組織和自組織的。優化-因此需要機器學習（ML）和AI。此外，要獲得更深入的洞察力，還需要攝取和分析新的數據源，包括點擊流，傳感器和文本等結構化數據源，以及JSON和XML等半結構化數據源。
盡管結果有望帶來革命性的變化，但實現這些結果僅需要進化的變化。
到達目的地-
逐漸使用當今收集的分析點解決方案是一個很好的起點，但是構建支持AI的智能業務需要創建一個綜合框架，該框架可以利用現有投資，同時奠定能夠利用數據中心所有數據的新基礎。通往企業邊緣的途徑。擁有框架有助于在數據和分析上進行謹慎的投資，從而連續不斷地產生新的，更深刻的見解和更深刻的見解。
要達到目標，就需要進行增量且可管理的更改，這些更改必須在同樣可擴展的通用數據結構之上逐步構建一個通用且可擴展的分析框架。分析框架應設計為使分析和AI / ML工作流程與業務策略保持一致。數據結構應包含運動中的數據和靜止數據。前者包括邊緣，云和本地流數據。后者包括云中以及本地數據存儲中的數據。
為了有條不紊地，漸進地構建支持AI的智能業務，結構和框架應支持單獨支持所有特定戰略業務目標的數據和分析項目的實施。戰略業務目標的一個示例是減少欺詐。理想情況下，可以通過創建多個減少欺詐的分析項目來量化并最終實現目標，每個項目都專注于分析特定的數據資產。
在每個項目的基礎上進行持續改進，使首席數據官（CDO）和其他C級主管可以查看單個AI和ML模型的價值，以及如何將它們組合和調整以實現共同的業務目的。
支持AI的智能業務成功的關鍵在于構建分析框架和數據結構，使其既靈活又可完全擴展。這種敏捷性和可擴展性必須適應所有工作負載-從數據提取到培訓，推理和行動-從邊緣到核心以及在私有，公共和混合云中還必須跨越整個組織及其許多數據源。
單獨的數據，分析和決策工作流是可以作為服務在信息目錄中發布并可以在其他工作流中鏈接在一起的管道，可能會使用Kafka API。這使基于微服務的管道得以創建和組合，最終達到相當于狀態機的狀態，該狀態機可動態響應事件并不斷優化業務運營以整體方式實現多個業務目標。
智能業務的好處
一旦實現，基于AI的智能業務將繼續發展，因為其最終目標不僅是變得智能，而且還要自學，自組織和自優化，以不斷適應和改進。結果是一個數據驅動的業務，該業務更加明智，響應迅速，積極主動且具有競爭力。
CDO的優勢還包括CDO管理數據和分析項目，使它們與業務目標保持一致以及評估它們（分別和遞增）如何為業務創造價值的能力。這種相同的可見性使其他C級主管可以更好地理解在支持AI的智能業務中進行的投資如何為實現組織的戰略目標做出貢獻。