尽管软件开发商务智能（BI）相当成熟，但当今的大多数见解都是描述性的，而不是预测性的和说明性的。由于过去和现在并不总是一帆风顺，因此BI不足以使企业能够从对数据分析的投资中实现全部价值。而且这种不足注定会被机器学习和人工智能（AI）技术所填补，这些技术已经推动了比人类（可能是双关语）可能更深刻的见解。
基于AI的智能业务是一种数据和分析指导人员和流程的方法，以便他们不断了解应采取的最佳行动以及何时采取行动，以动态地优化业务运营，最小化风险，保持合规性并削减成本，同时抓住机遇并以最大化利润的方式改善客户参与度。
要实现支持AI的智能业务，需要打破传统的管理模式（在C-Suite中做出大多数或所有战略决策），并更多地依赖于数据学习模型，该模型是自学习，自组织和自组织的。优化-因此需要机器学习（ML）和AI。此外，要获得更深入的洞察力，还需要摄取和分析新的数据源，包括点击流，传感器和文本等结构化数据源，以及JSON和XML等半结构化数据源。
尽管结果有望带来革命性的变化，但实现这些结果仅需要进化的变化。
到达目的地-
逐渐使用当今收集的分析点解决方案是一个很好的起点，但是构建支持AI的智能业务需要创建一个综合框架，该框架可以利用现有投资，同时奠定能够利用数据中心所有数据的新基础。通往企业边缘的途径。拥有框架有助于在数据和分析上进行谨慎的投资，从而连续不断地产生新的，更深刻的见解和更深刻的见解。
要达到目标，就需要进行增量且可管理的更改，这些更改必须在同样可扩展的通用数据结构之上逐步构建一个通用且可扩展的分析框架。分析框架应设计为使分析和AI / ML工作流程与业务策略保持一致。数据结构应包含运动中的数据和静止数据。前者包括边缘，云和本地流数据。后者包括云中以及本地数据存储中的数据。
为了有条不紊地，渐进地构建支持AI的智能业务，结构和框架应支持单独支持所有特定战略业务目标的数据和分析项目的实施。战略业务目标的一个示例是减少欺诈。理想情况下，可以通过创建多个减少欺诈的分析项目来量化并最终实现目标，每个项目都专注于分析特定的数据资产。
在每个项目的基础上进行持续改进，使首席数据官（CDO）和其他C级主管可以查看单个AI和ML模型的价值，以及如何将它们组合和调整以实现共同的业务目的。
支持AI的智能业务成功的关键在于构建分析框架和数据结构，使其既灵活又可完全扩展。这种敏捷性和可扩展性必须适应所有工作负载-从数据提取到培训，推理和行动-从边缘到核心以及在私有，公共和混合云中还必须跨越整个组织及其许多数据源。
单独的数据，分析和决策工作流是可以作为服务在信息目录中发布并可以在其他工作流中链接在一起的管道，可能会使用Kafka API。这使基于微服务的管道得以创建和组合，最终达到相当于状态机的状态，该状态机可动态响应事件并不断优化业务运营以整体方式实现多个业务目标。
智能业务的好处
一旦实现，基于AI的智能业务将继续发展，因为其最终目标不仅是变得智能，而且还要自学，自组织和自优化，以不断适应和改进。结果是一个数据驱动的业务，该业务更加明智，响应迅速，积极主动且具有竞争力。
CDO的优势还包括CDO管理数据和分析项目，使它们与业务目标保持一致以及评估它们（分别和递增）如何为业务创造价值的能力。这种相同的可见性使其他C级主管可以更好地理解在支持AI的智能业务中进行的投资如何为实现组织的战略目标做出贡献。