大数据和人工智能：真实世界里的3个用例
作者 | Kevin Casey
来源 | D1Net
原文 | 大数据和人工智能：3个真实世界的用例
人工智能和大数据之间的关系是双向的。可以肯定的是：人工智能的成功很大程度上取决于高质量的数据，同时，管理大数据并从中获取价值越来越多地依靠(诸如机器学习或自然语言处理等)人工智能技术来解决对人类而言难以负担的问题。
正如Anexinet公司高级数字策略师Glenn Gruber所述，这是一个“良性循环”。大数据中的“大”曾经被视为一种挑战而不是机遇，但随着企业开始推广机器学习和其他人工智能学科的应用，这种情况正在发生变化。
Gruber解释说，“如今，我们想要尽可能多的数据，这不仅是为了更好地洞察我们试图解决的业务问题，而且因为我们通过机器学习模型输入的数据越多，它们得到的结果就越好。”
当大数据遇到人工智能：跨行业的用例
以下深入地了解这个更广泛的循环中的一个部分：如何将人工智能当作处理大数据的强大杠杆的示例，无论是用于分析、改进的客户体验、新的效率还是其他目的。人们需要考虑以下人工智能和大数据应用的三个重要因素：
1.从非标准化来源收集结构化数据
大数据面临很多的挑战，例如以一种可用的、具有成本效益的方式存储大数据。当涉及到非结构化数据时，其“可用”部分尤其棘手，根据研究机构的一些估计，非结构化数据占企业数据的大部分份额(70%或更多)。当人们谈论大数据将不可避免地继续增长时，非结构化数据是这种增长的主要驱动力。
将非结构化信息转换为可用格式对人类来说是一项极其繁琐的工作，特别是在重复(但完全必要)的后台操作中。
Exasol公司首席技术官Mathias Golombek指出，发票处理是一个特定的示例，它阐明了使用人工智能从非结构化(或非标准)格式中自动提取结构化数据的广泛可能性。
Golombek说，“如何将人工智能应用于大数据的一个例子是训练一个模型，该模型从扫描的发票和提取的结构化数据的历史数据中学习：发票ID、到期日、收件人等。这一信息通常必须由工作人员来解释，因为每张发票看起来都有些不同，具有不同的名称或语言。但是，如果企业使用数千张发票的历史数据，则可以创建一个模型，通过扫描新发票即可自动为其提供结构化数据。”
使用人工智能从非结构化数据源自动提取结构化数据的这一相同原则可以广泛应用，不仅适用于财务或人力资源等运营领域，还适用于企业内容管理的广泛(通常是无意义的)类别。这对数据分析、机器人过程自动化(RPA)和其他形式的自动化以及其他目的都是一个潜在的好处。
ABBYY公司首席创新官Anthony Macciola说