AI(Artificial Intelligence) VS BI(Business Intelligence)
很多人可能会混淆这两个概念，其实两者之间还是有很大区别的。简答来讲，BI是一种分析的工具，也就是通过一些方式把数据更直观的展示给用户，辅助人去决策。另一方面，AI是通过数据帮助人做决策。所以从这个角度，可以把BI看作是辅助的决策的工具，AI则可以直接帮我们做决策。
我们了解了AI技术即人工智能，而BI技术则是商业智能，也是源于它的英文缩写。人工智能是在模拟人类的智能，对于语音控制，图像识别的一种技术，它的受众更关注的是人类使用。而BI技术是用于上商业处理，对于商业的数据统计与分析，如何测算商业数据，以及一些云存储与备份，这些是BI技术主要面对的问题。
根据Gartner定义，商业智能是一个涵盖性术语，包括应用、架构和工具，以及获取和分析信息以提升和优化决策与性能的最佳实践。
BI通常被理解为将企业中现有数据转化为知识，帮助企业做出明智的业务经营决策的工具。数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商等各种数据。需要利用数据仓库、联机分析处理（OLAP）工具和数据挖掘等技术。
但随着数据的激增以及业务的环境变换，传统的BI已经无法满足企业的增长需求，越来越多的企业BI平台需要加入数据分析能力。
根据Gartner定义，人工智能是一种技术，能够通过学习提出自己的结论来模仿人类行为，表现为可以理解复杂内容，参与和人类的自然对话，提升人类认知表现（也叫做认知计算），或者代替人来执行非例行的工作任务。
典型应用如无人驾驶汽车、自动的语言识别和产生、发现概念和提取摘要（对检测潜在风险并协助人类快速理解海量且实时变化的信息非常有用）。
AI和BI的最大区别在于AI能通过学习得出自己的结论，而BI则是呈现数据统计结果为人类得出结论提供支持。
人类无法战胜人工智能了么？这个问题也许并不适合正面回答。人类擅长并行处理（模式识别），但不擅长顺序处理（逻辑验证），而机器正好相反。人类看一眼就知道眼前是一只猫，而机器需学习上千万张猫的图片来提取特征，才能进行判断。
机器拥有自己的解决问题和完成任务的方法。
5
方法背后的逻辑是什么？
这就是人工智能的大脑-数据科学平台。数据科学包括数学统计、计算机科学以及领域知识，以从数据中提取价值为目的。数据科学可以看作是对数据的商业加工，其不仅仅可以将数据转化为信息，还可转化为产品如个性化推荐、实时竞价、精准营销。
基于大数据分布式处理框架的一站式机器学习与预测分析服务平台，提供全流程可视化的特征分析、模型构建评估以及部署应用功能，降低人工智能在企业中的使用成本，帮助企业提高智能应用的构建能力以及效率。
AI应用区别于传统BI，助企业实现数字驱动增长
市场营销
BI，统计销量和增长率，做客户群体细分，以此制定营销计划。
AI，分析上网等行为数据，针对每个消费者建立定制化的营销策略。
BI能针对人群制定几套或者一套最合适的方案；AI能针对每个人制定最合适的营销方案。
公安领域
BI，统计人口数据，犯罪率趋势变化，总结犯罪特点如区域、年龄等。
AI，分析犯罪数据，提取犯罪人群特征并建模。并根据实时数据变化，精准定位犯罪嫌疑人，预防犯罪。
AI对数据的分析不是单纯的两类数据的关联关系，而是海量多维数据的相互关系。
客服智能
BI，客户服务系统，收集统计客户问题，再分配到相关客服人员进行解答。
AI，智能的客户问答系统，实时解析客户问题，通过语义分析提取问题关键字，自动回复客户。
语义分析帮助快速定义客户问题，并通过预设的问题答案自动回复。相比BI， AI能代替人自动执行动作。
金融领域
BI，统计客户资料，统计并分析客户的资金流向和变动。
AI，提取金融欺诈的行为和属性特征，实时监控资金变动，预测并定位风险，并在风险行为发生前提出预警和干预，保障资金安全。
AI挖掘隐性的关联关系，比如资金的转移地点和风险的关系，并能提前干预。
教育行业
BI，通过学生提交的信息进行统计，分析贫困生特点。
AI，对学生在校生活消费行为等进行分析，特征提取与建模，实现了对贫困生的精准预测功能，能够在线实时发现虚假申报。
AI帮助减少人工干预、避免信息或实际情况的遗漏。
互联网时代信息技术的飞速发展让信息化成为企业的主旋律，而当下信息化的热词非BI和AI莫属。
BI是对现代技术的综合运用，基于数据仓库、ETL、数据可视化等技术方法，为企业科学决策、发掘商业价值提供支撑，是企业信息化的一个必然选择。
AI则是以智能化为目标，探究机器模拟人类的理论、方法和技术。作为时下最热门的信息技术，AI浪潮正在席卷人类生产生活的方方面面。
与此同时，不少人将视角转向了AI与BI的结合。既然BI是运用技术辅助决策，那么在BI中应用更加智能的AI技术就应该能够让BI发挥出更大的作用和价值。
今年，企业级服务领域出现的数起重磅并购，6月初，在不到一周时间里，BI与分析领域连续发生两起重大收购，将“AI+BI”的概念推向高潮。
6月6日，谷歌斥资26亿美元收购商业智能软件和大数据分析平台Looker，收购完成后Looker将并入谷歌云部门。这也是谷歌母公司Alphabet继2014年用32亿美元收购智能家居公司Nest以来金额最大的收购案例，也是谷歌历史上继摩托罗拉（125亿美元）、Nest（32亿美元）以来的第三大收购案。
6月10日，Salesforce宣布以157亿美元的全股票交易收购Tableau，旨在夯实其自己在数据可视化以及帮助企业解读所使用和所积累的海量数据的其他工具方面的工作。
但是笔者认为，当前AI+BI的模式在中国仍是泡沫。接下来本文将围绕AI、BI、AI+BI的概念及应用场景，详细分析当前AI+BI模式在中国的应用壁垒。
1.什么是AI
什么是AI已经有很多讨论，在此不再赘述。而谈及AI的应用，则可以从技术和行业两个层面来看。
技术层面主要有人脸识别、视网膜技术、无人车等计算机视觉相关应用；苹果“Siri”和阿里“天猫精灵”等语音技术应用；谷歌的神经机器翻译系统；还有“Deep Blue”和“AlphaGo”等决策系统。
上升到行业层面的话，像金融行业的风险监控、医疗行业的纳米机器人、零售行业的零售机器人、安防领域的图像识别、电商行业的智能客服等，都是当前相对成熟的应用场景。
2.什么是BI
BI的概念相对来说不那么普及。
BI，即Business Intelligence，中文称为商业智能。
1996年，Gartner集团正式将商业智能定义为：一类由数据仓库（或数据集市）、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的的技术及其应用。
从概念诞生到现在的几十年间，BI的价值和使命并未发生根本的变化，依然是将数据转化为有用的信息，让企业的决策有数可依，变化的只是BI所使用的技术，而BI的发展也就是体现在技术上。
目前，BI的核心技术主要包括数据存储、数据ETL、数据分析、数据挖掘，以及数据可视化分析。随着数据量的激增和应用场景的复杂化，BI在技术上也有所补充，例如Hadoop和Hive等大数据技术的出现就很好的弥补了BI处理大数据的能力。
相应地，随着技术发展和对用户需求的响应，BI正在由传统向自助发展。2013年以前属于传统BI阶段，该阶段的产品以IT为主导，在大数据量的处理上拥有较好的性能和稳定性，但是数据分析的能力和灵活性比较差。
2013年至今是自助型BI的高速发展期，也是传统BI的衰退期。采购成本低、项目周期短，以及IT驱动向业务驱动的转变让敏捷型/自主型BI产品登上舞台。由于各企业的信息化水平参差不齐，因此两个阶段的BI产品并不是替代关系，他们将会长期共存，直到信息化基础条件发生根本的变化。
3.什么是AI+BI？
顾名思义，AI+BI模式就是AI与BI相结合，这种新模式的出现主要有三个方面的原因。
（1）AI+BI模式具有很好的应用前景、价值和场景
从概念和理论上来说，AI+BI模式是有价值有前景的。AI与BI的区别在于BI负责梳理生产关系，AI是先进生产力。那么AI+BI模式通过将AI嵌入BI，构建基于AI的BI平台，利用AI的智能让BI系统能够解决更复杂的业务场景，产出更精准的分析结果，从而使决策更为科学和准确。
从具体场景上来说，AI+BI的模式的确能让一些BI场景更深入，产出更有价值的知识。
对于结构化的数据，BI系统可以应用一些准确度更高的机器学习算法，得到更精确的分析结果。例如市场营销，采用AI+BI模式就可以在用户分群的基础上，得到更精细的针对每个用户的分析结果，从而给出更精准的个性化营销方案。还有金融领域的风险监测，AI+BI的模式可以分析出金融风险和其他指标、行为之间的内在联系，预测更为准确。
对于非结构化的数据，BI可以应用图像处理、语音工程和文本分析等AI技术，智能化地处理BI系统的复杂业务场景。例如AI+BI模式能够通过语音技术录入数据，控制驾驶舱和数据大屏的制作等。还有智能客服系统，不需要手动收集客户问题再分配人员解答，通过语义理解和自然语言处理等技术分析客户问题，实现实时、自动回复客户。
（2）作为企业融资、炒作的噱头
一种新模式的出现往往万众瞩目，也让不少企业借此找到融资和炒作的噱头。AI+BI模式在一定程度上也是被企业作为卖点来吸引投资人和客户。像自然语言生成、增强数据发现等很多AI企业都还在探索的功能，一些BI企业却宣称已经实现，并在产品发布现场通过前台发言人讲话，后台人工控制的手段伪装成通过语音技术实现了功能。
（3）研究咨询机构的预测
AI+BI模式的出现也离不开一些研究咨询机构的预测报告。
例如Gartner在2017年7月发布的《Hype Cycle for Analytics and Business Intelligence, 2017》报告中就表明，未来的BI将以增强分析为主要着力点，增强数据发现、自然语言生成等技术将会在2-5年内达到高峰。值得注意的是，Gartner的预测偏向于整体的趋势，然而不同国家、地区的BI发展不尽相同，如今这些技术仍处于发展阶段，至少在我国是这样。但是由于Gartner的行业领导地位，不少国内企业忽略了现状，盲目地看好并炒热了AI+BI这一模式。
4. 看似美好，实则泡沫
“泡沫”一词常常被用来比喻某一事物所存在的表面上繁荣、兴旺而实际上虚浮不实的成分。AI+BI的模式就是看似美好，实则泡沫。虽然AI+BI吸引了大量企业的关注，但是就“目前”和“中国”来说，AI+BI模式的可行性和应用能力仍然存在不少问题。
（1）AI和BI存在本质区别，BI拥有自己的发展路线，而AI目前并不是BI的核心功能
AI与BI存在本质上的区别，BI的目的是将数据转化为知识来辅助决策，AI则追求以更智能的算法得到更精确的结果。BI的发展路线是以数据为基础的，主要是数据的管理和分析。
虽然AI技术的范围非常广，但当前BI系统中真正能用上的无非是一些处理文本、图像等非结构化数据的AI技术。但是除了一些特定行业，大部分的企业很少会有文本处理和图像处理的需求，绝大多数BI系统需要处理的仍然是结构化的数据。
针对结构化的数据，AI与BI的交叉只在于机器学习和数据挖掘，而且这种交叉也极小。AI的机器学习强调算法，BI的数据挖掘还包括对数据的管理，算法选择上也较为简单，没有神经网络和深度学习等复杂AI算法。所以说，AI并不是BI的核心功能，AI+BI的模式当前无法成为BI市场的主流。
因此，笔者认为AI+BI的发展现状和趋势可以用下图表示。当前在中国，AI与BI仅存在极小的重合部分，随着AI技术和BI系统的不断成熟，AI在BI中的应用将会越来越多，二者重合的部分也越来越多，但是因为它们存在本质上的区别，因此不会完全重合。预计在2025年左右，BI将开始迈入智能化阶段，到2030年，BI的智能化也将进一步扩大。
（2）AI技术并没有完全成熟，在BI中的应用存在障碍
AI在现阶段并没有非常智能，有不少技术仍然不成熟。根据Robert Sternberg的智力三因素理论，智力分为成分智力、经验智力和情境智力。人工智能要做到智能化，就需要在这三个方面都有很好的发展，然而目前的机器学习、深度学习等，更多的是经验智力，在成分智力和情境智力上还有非常大的差距。
哈佛大学著名的心理学家Howard Gardner创立了多元智能理论，将人类智能细分为逻辑、语言文字、空间、音乐、肢体运作、内省、人际关系、自然探索、图形图像理解九个方面的能力。从多元智能理论来看，人工智能现在也还是远远不行。另外，Gartner 2018年8月发布的《Hype Cycle for Emerging Technologies, 2018》表明，知识图谱、智能工作空间、智能机器人、对话式AI平台等智能技术，预计还要5-10年才能达到高峰。
那么对于BI来说，应用不成熟的AI技术反而可能会带来一定的消极影响。
例如前面提到的个性化营销，如果企业有10000个用户，每个用户都有不同的方案，那就是10000个方案，那么方案实施的工作量和复杂性可想而知，而且这种极致个性化的必要性也值得思考。
再例如智能客服的场景，在AI技术没有完全成熟的情况下，智能客服只能解决一些简单的问答问题，如果客户截图反馈技术问题，智能客服目前还不能给出解决方案。在语言录入方面，也会受到口语、方言，以及噪声等因素的影响。
另一方面，当前AI的适应性也会影响其在BI中的应用。目前AI依赖于大量经验的学习过程，当数据量较少的情况下，结果不一定能够保持很高的准确率，并且随着企业数据的数量增加和类型增加，AI能否很好地适应这些变化也无从得知。
而且AI的专业性也使得AI方法不具备良好的迁移性。还是智能客服的例子，如果利用某个方法让智能客服学会了某一类技术问题的解决方案，那么在出现新的技术问题时，这个方法是否还能适用呢。不能适用的话，那新增加的学习成本也就非常高了。
（3）当前中国企业的BI建设对AI需求极小
对于中国的企业来说，目前将AI引入BI的需求是非常小的，这和中国企业的BI建设现状是分不开的。
首先，除去BAT、JMD等较大的一些互联网公司，国内的信息化水平整体还是落后于国外尤其是美国的，新兴技术的需求普遍存在滞后。最近，帆软数据应用研究院对1000多家企业进行了BI功能需求调研。
调研结果表明，在企业2年内最需要的BI功能中，图像处理、语音工程和文本分析等功能排在最后。并且，企业未来3~5年将会应用的BI功能也呈现相同的结果，只是比例有所上升。所以说，我国企业的BI建设在未来5年内将仍然以数据管理和分析为主。
其次，根据笔者多年的BI项目经验，很多企业在BI项目实施过程中的一个普遍问题是数据治理。BI和AI都需要良好的数据支撑，但是目前中国的大部分企业因为业务信息系统多而杂，非常容易被数据孤岛、数据标准不统一等问题困扰。
底层数据如果治理不好，将会严重影响后续的分析决策，更不要去谈决策的准确率了。在这样一个背景下，企业贸然将AI应用到BI上，只能是竹篮打水，人财两空。因此企业首先最需要的是将BI系统建设成熟，而AI+BI模式当前在中国并没有特别明显的需求，只是对极少数企业的锦上添花。
5.结语
本文对AI、BI、AI+BI进行了介绍，并从AI和BI的联系与区别、当前AI+BI模式的可行性，以及当前国内企业的BI建设需求三个方面分析了AI+BI模式在中国仍是泡沫的主要原因。当然，AI+BI理论上是未来一个非常不错的趋势，应用得当能为企业带来意想不到的价值。但是就目前、就中国而言，AI+BI的模式看似美好，实则泡沫。
原始内容未做整理，转载自：
http://m.sohu.com/a/152163737_353595
//www.greatytc.com/p/63edc02c4b18
