业务领域中的人工智能（AI）是什么？

在业务领域，AI 有助于提高生产力并简化运营，从而增加业务价值。

机器学习、深度学习和自然语言处理（NLP）等人工智能技术利用数据的力量，在问题解决与决策方面展现出超越人类维度的能力。预测分析等功能（可以使用数据来预测未来结果并根据趋势建模可能性）能够大幅释放 AI 的优势。从日常生产力到进一步创新，AI 还可以变革业务。而且，对于精明的组织来说，AI 可以继续将业务运营推向新的高度。

OpenAI 推出了普及化的生成式 AI（依赖深度学习、神经网络、自然语言处理和大型语言模型来生成新内容），可供一般企业（和个人）使用。这种普及化的 AI 引发了企业领域采用 AI 的浪潮。

早期采用者已经看到了生成式 AI 带来的切实效益。根据麦肯锡¹的数据，一般企业都会在营销、销售、产品开发和服务开发中使用生成式 AI。组织认为这项技术将为全球各行业带来重大或颠覆性变革。

AI 的多功能性使其可以应用于各种业务职能。从 IT 到战略都有广泛的 AI 应用场景。

IT 运营中的 AI

IT 运营 (AIOps) 中的 AI 利用机器学习和大数据进行预测性分析与异常检测。这提高了 IT 效率并最大限度地减少了中断。这通常使用一个可扩展性数据平台来汇集各种 IT 数据，例如日志、指标、跟踪、性能和事件数据，以及基础架构和网络数据。AI 改善了可观测性实践和整体 IT 效率，可快速分析数据集以进行故障排除和常规基础架构管理。

使用 Elastic Observability 发现 AIOps

网络安全领域中的 AI

随着数字环境的扩大，威胁面也在扩大。网络安全领域中的 AI 依靠机器学习算法来分析海量安全和运营数据。通过对误报进行分类、检测真正的异常情况以及自动化事件响应，AI 可以帮助组织减少筛选警报的时间，从而将更多的时间花在调查和应对威胁上。

了解 Search AI 如何支持网络安全

例如，内容交付网络 (CDN) 会分析传入流量是否存在异常。如果某个 IP 地址在短时间内请求大量数据，系统将判定这可能是机器人或抓取工具流量，然后将其屏蔽一段时间。Ticketmaster 等网站正在是尝试采用这种方法来防止机器人购买所有 Taylor Swift 或 Oasis 门票。

AI 在业务分析中的应用

AI 通过实时处理和分析大型数据集来变革业务分析。与 IT 运营一样，AI 利用业务数据来发现隐藏模式，预测趋势并提供切实可行的见解，从而为战略决策提供依据。

例如，在节假日期间，AI 可以提醒工厂和杂货店何时应订购库存。根据过去的数据，商店需要订购多少只火鸡才能满足节日需求？

在 Kibana 上使用 ES|QL 发现、迭代和解决

AI 在业务战略中的应用

AI 通过增强风险管理、监测竞争对手和分析运营，为企业战略提供支持。AI 可以模拟情景、评估风险并确定增长机会，让领导者能够满怀信心地做出以数据为导向的决策。

例如，企业可以使用生成式 AI 模型，根据客户偏好、社会情绪和购买行为等外部市场趋势以及竞争对手信息，快速生成和分析新产品创意。这样一来，企业就能迅速决定要生产哪种产品、如何分配预算，以及应投入多少员工来开展新的工作。人工产品构思将成为过去，因为企业可以利用 AI 快速分析影响产品生产的所有因素。

AI 在营销和销售领域中的应用

AI 工具帮助营销和销售团队从客户和竞争对手的数据中获得切实可行的见解。AI 监测和分析工具还可以提供对客户行为的见解，从而实现更有效的营销活动。通过提供个性化体验、优化广告定位和自动对潜在客户进行评分，AI 正在彻底改变营销和销售格局以及客户期望。

AI 在客户服务领域中的应用

依托于 AI、机器学习和自然语言处理的聊天机器人通过全天候提供即时、准确的响应来增强客户服务。这些聊天机器人基于使用 RAG 的专有数据，可以回答任何问题，从电子商务网站上的订单状态到协助安装视频门铃。这些工具有助于缩短等待时间、提高满意度并让支持团队能够专注于处理复杂的问题。

了解 AI 如何变革客户服务

用于生成内容的 AI

生成式 AI 可以为博客、社交媒体和营销活动创建内容。从写作到制作图像或视频，生成式 AI 都是创意团队用于进行头脑风暴和节省时间的实用工具。

最终，AI 可以帮助品牌开发全新的创意方式，更快、更持续地与受众互动。不过，为了防止机构发布误导性或虚假内容，而不注明这是 AI 创建的内容，相关法规正在不断出台。组织应注明哪些内容是由 AI 生成的，以防止误导。

AI 在搜索中的应用

AI，机器学习和自然语言处理可以对搜索应用进行增强，以提供语义搜索或对话式搜索体验。因此，AI 可以提供更直观的搜索体验，确保用户能够快速访问所需的信息。从面向客户的角度来看，AI 可以通过根据地理位置、搜索记录等信息来提供更相关、更准确的结果，从而不断改进搜索功能。

进一步了解 AI 搜索应用程序

AI 正在重塑企业的运营方式，为企业提供大量与效率、决策和增长相关的优势。

• 更快获得 AI 见解：AI 改进了组织内部的知识共享。AI 的数据处理能力还意味着增强型分析能力，从而更快地访问信息，并更快地获取见解。
• 提高生产力：通过自动化工作流，AI 可以简化运营，并接管重复、耗时的任务。员工可以专注于更有价值的活动，促进创新和增长。实际上，83% 的 IT 领导者认为，使用 AI 获取数据驱动的见解有助于提高生产力。
• 提高客户满意度：通过实现个性化和相关性调优，AI 可以在客户需要时为他们提供所需的内容，从而提高客户满意度。如果一个品牌能够高效地解决问题，并创造个性化的体验，让客户感觉自己受到重视，那么自然会提高品牌忠诚度。
• 竞争优势：通过提高生产力、减少人为错误、更快地获取见解和提高客户满意度，AI 在早期有效集成到技术栈中时，有助于增强竞争优势。
  

在业务领域使用 AI 的前景也伴随着挑战和风险，尤其是在 AI 集成方面。

技术障碍：并非所有组织都具备将 AI 纳入其技术堆栈的能力。换句话说，尚未达到数据成熟度和/或无法访问必要数据架构和基础设施的组织可能难以实施 AI 技术。

技能差距：尽管 AI 有望弥补企业面临的技术技能差距 — 这通常是由于日益复杂的数字环境所致 — 但 AI 技能本身的需求量也很大。由于技术本身发展迅速，AI 专家十分稀缺。因此，正确的实施和执行可能具有挑战性。然后，为了充分利用技术，组织必须对团队进行新技术和新流程的再培训。随着技术的不断更新，这种循环将会持续下去。

AI 无限扩张和技术债务：当企业通过多个供应商实施多个 AI 解决方案时，长期成本将远超最初预算 — 导致技术债务 — 并且企业将无法应对工具无序扩张带来的挑战。随着组织及其数据的增长，单点解决方案将无法满足新的需求。使用 AI 解决方案的员工将受到统维护要求、数据验证与核对以及数据孤岛等问题的困扰。

工作岗位替代：尽管 AI 被认为是一种补充人类能力的工具，但这也意味着许多行业中的工作职能正在实现自动化 — 从数据分析到创意工作，再到制造业。因此，AI 有可能取代一些工作岗位并对许多领域的工人产生负面影响。

数据安全：由于对数据安全缺乏信任，许多组织不愿采用 AI，尤其是生成式 AI。AI 模型可以像黑匣子一样运行，因此确保遵守法规和保护专有数据是首要关注的问题。尽管出现了检索增强生成 (RAG)（一种针对私有或专有数据源的技术）等新兴技术，组织仍要注意其数据面临的安全威胁。

缺乏治理：AI 的快速应用导致缺乏适当的治理。由于 AI 的影响，应对国际或地区法规比以往任何时候都更加复杂。如果潜在的 AI 立法措施可能会对大型组织产生影响，这些组织可能不愿意对其流程实施全面变革。

我们已经目睹了 AI 在各行各业中的变革性影响。在家居环境中，我们看到流媒体服务提供量身定制的推荐，智能家居设备通过语音指令帮助我们调节温度和照明。AI 在业务领域的应用更多是在幕后进行的，悄然改变着工作方式。

金融服务

在金融服务领域，AI 增强的分析能力可以改善欺诈检测、安全风险管理和客户体验。AI 可以简化贷款审批、个性化财务建议以及改进合规流程。基于 AI 算法运行的机器人顾问可为投资者提供低门槛的个性化自动投资组合。

技术

在科技领域，AI 支持产品创新，优化运营，降低安全风险，并推动自然语言处理、计算机视觉和自主系统等领域的进步。企业可以构建解决方案，提供领先的个性化服务以及跨垂直领域的整体可视性。

零售

在零售业，AI 帮助企业提供个性化购物体验、管理库存和预测需求。零售商可以利用 AI 驱动的建议和动态定价，最大限度地提高收入和客户满意度。

电信

AI 可增强网络优化、预测服务中断以及改善客户支持。电信提供商使用 AI 来分析使用模式，并通过相关性引擎为客户提供个性化体验。

公共领域

政府和公共部门组织可以利用 AI 分析进行城市规划、公共安全和公民互动。AI 驱动的工具有助于简化操作、支持政府工作人员、改善资源分配和简化公共服务。

尽管在企业中实施 AI 没有放之四海而皆准的解决方案，但总体而言，企业需要采取一种战略方法，并遵循一条关键规则：从小处着手。

第 1 步：确定问题

AI有很多好处，但您可能并不需要在运营的每个方面都使用AI。通过对您的运营进行审计，锁定您想用AI解决的问题。这将确保您最大限度地利用资源，获得最大价值。

第 2 步：定义成功的标准

若要在企业中成功实施 AI，就需要建立一系列关键绩效指标，用于衡量“成功”的标准。了解 AI 如何提升组织的生产力只是众多绩效指标中的一个。其他指标还可能包括通过客户支持环境中的评价来衡量的客户满意度的提升、支持工单量的减少，或问题解决时间的缩短。

第 3 步：选择模型

许多因素都会影响企业选择的 AI 模型。成本、语言、企业的 IT 生态系统、部署能力和时间表、数据隐私法规和管理都将发挥作用。您需要确定是要预训练 LLM、微调模型还是使用 RAG。这将成为您的 AI 架构的基础。

第四步：快速试错

将 AI 模型调整到正确的规格后，就可以开始部署了。主动监测是此阶段的关键 — 您需要确保 AI 在实时环境中的行为符合训练要求，检查准确性、速度和相关性（取决于用例）。在此阶段，您需要建立一个反馈循环，丰富您的 LLM，微调用户体验，并建立一个可扩展的参考架构。

步骤 5：设置护栏

AI 计划会带来一系列的挑战，例如：数据隐私和合规性问题、伦理考量、质量控制，以及风险管理等。您需要提前预见潜在的障碍，并确保您的项目与业务目标保持一致。在监测响应情绪和幻觉发生率等情况时，您需要将全球法规考虑在内。

通过此网络研讨会深入了解生成式 AI 的实现

第六步：设置时间表

列出一个时间框架，比如以一个季度为例。在这个时间框架内，设立 30 天和 90 天的目标。通过这个季度来验证基于 AI 增强的用例所能带来的价值。您公司的具体需求、团队构成以及他们正在使用或添加到技术堆栈中的技术，都会影响您部署第一个用例并收集见解的速度。这样一来，您就可以清楚地了解何时可以根据您在步骤 2 中设置的 KPI 看到结果。

Elastic 提供人工智能 (AI) 驱动的强大企业解决方案，可增强搜索、可观测性和安全能力。通过集成 Elastic Search AI Platform，企业可以充分释放其数据的潜力，推动创新，并在竞争中保持领先地位。

Stack Overflow 使用 Elastic Search Platform 弥合 AI 信任差距，为开发人员赋能。借助 Elastic 的语义搜索和生成式 AI，OverflowAI 平台将 Stack Overflow 的公开内容与私有企业实例相结合，为开发人员提供相关的上下文信息。

借助 Elastic 的 Search AI Platform，结合我们的向量数据库、开箱即用的语义搜索、高级相关性和数据检索，以及灵活的配置，打造有效和创新的客户和员工体验。

• IT 领导者在采用 AI 过程中总结的 7 个经验教训
• 最大限度地提高生成式 AI 策略投资回报率的三种方法
• 利用数据和 AI 应对业务挑战：来自最高管理层的五项见解
• 了解如何改善客户体验、增强韧性和降低网络风险
• 15 个生成式 AI 企业用例
• 深度学习与机器学习
• 了解如何在零售业中释放生成式 AI 的潜力
• 探索 AI 在金融服务领域的应用
• 探索 AI 在技术领域的可能性