情节概要：在这一集里AI在工业播客，我们采访格兰特·英格索尔，首席技术官Lucidworks，关于人工智能的发展企业搜索，共同面临的挑战人工智能在企业中的应用。
英格索尔关于会谈企业如何有孤立的海量数据，因此很难企业系统中找到。我们希望企业能够从这次采访中了解到，在构建搜索应用程序以使企业数据更易于访问和结构化的过程中需要做些什么，需要做些什么。
英格索兰还将讨论数据的策略如何有可能在未来数年发展，以及数据科学家和专家的数据需要如何进行合作，以建立企业搜索应用。
客人:Grant Ingersoll,首席技术官的Lucidworks
专业知识:搜索，问答引擎，自然语言处理应用
短暂的识别:英格索尔持有一个女士在计算机科学从锡拉丘兹大学。在此之前,英格索尔担任主要在清醒的想象力和作为Promergent的高级软件工程师。在他职业生涯的早期，他是MNIS - TextWise实验室的高级系统工程师。Ingersoll是Taming Text的合著者，Apache Mahout的联合创始人，Lucene和Solr开源项目的长期委员会成员。
订阅我们的AI在工业播客用你喜欢的播客服务：
采访中强调了
(02:25)在企业中，人们在无穷无尽的数据中寻找他们想要的东西时，会遇到哪些麻烦?
格兰特英格索兰：在最基本的层面上，“哪里是我的东西？我写了这个文件。为什么我找不到它？”对于企业搜索，这是真正的表赌注这些日子。当它开始变得有趣的是，这个“啊哈”的时刻，一旦你已经有了到位的企业搜索，你知道，“我有这个企业搜索引擎所有的数据，我已经得到了企业用户与它交互。我能做些什么，让他们采取行动？
In our day-to-day lives in business, we’ve had this moment where “I’ve looked at the dashboards, I’ve seen all kinds of charts,” but there is always the question of “What do I do next?” I think this next generation of enterprise search engines, at the end of the day, is about how do you take that next best action.
帮我做销售这一决定，帮我做，我们应该对市场上谁。因为搜索是如此普遍，我们希望的是一刀切。
(04:00)人们正在进入数据湖，但很难把事情弄清楚。有什么背景说明为什么这很困难，以及什么可以解决根源吗?
GI:第一个层次是，垃圾出垃圾。只是想出来像一个系统HD FAS或者具有企业战略是所有IT驱动的只让你这么远。我可以开始添加所有这些数据源到我的数据湖，但如果没有计划迁移是建立在那些以前的数据系统到新系统的数据湖边的应用程序，有什么区别，使？谁是用来使用单独的系统做他们的工作的人，他们不能一下子移动到数据湖。如果你需要一个超长时间停放这些应用程序，它永远不会发生，因为我仍然做我的工作。
下一层是问里面有什么，我怎么算出来。人们会说:“我把这个文件放在这里，它在哪里?”“大多数大数据系统都没有走完最后一英里。它们不会接触到用户。我们如何帮助用户?这并不一定是如何帮助It为自己的大数据系统争取到更大的预算。你如何得到企业的答案，让他们做出自己的决定?
(05:45)做我们想要的业务，经营，底线为导向的人以及那些采取战略行动，在房间时，IT的东西是想通了？
GI:在许多方面，这是另一个本来就应该解决这些问题的筒仓。讽刺的是，我从来没有参加过大型会议。但我认为，从某种意义上说，大数据运动被推销为解决企业所有问题的灵丹妙药，而且它遗漏了很多利益相关者，至少在我见过的失败项目中是这样。那些获得价值的人，对你的观点来说，他们确实带来了生意。他们想的是最后一英里。他们考虑的是我将在此基础上交付的应用程序，而不仅仅是如何廉价地存储数据，或者如何存储更多的数据?
在数据可能模糊不清的情况下，人工智能能允许什么?对于那些在商业中更公开、更直接有用的答案，我们能做些什么呢?
GI:首先，我喜欢务实，但有很多容易实现的目标并不一定涉及人工智能。我喜欢确保无论何时我们与客户交谈，我们都是脚踏实地的，我们做了“简单的事情”。“让我们面对现实吧:如果你没有能力实现一种已经存在了20年、被广泛理解的东西，而你又在做人工智能，那么它就会有问题。
人工智能在企业中面临的挑战是，尤其是面向员工的应用程序，它们往往无法考虑到用户。我认为缺乏用户理解也适用于AI领域。企业人工智能的棘手之处在于，你并不总是像面对消费者那样拥有大量的用户反馈循环，就像谷歌、Facebook或亚马逊(Amazon)所拥有的那样。你不可能一天点击一百万次，说有人更喜欢这个数据。
你要知道何时何地选择你的战场。当知道什么时候像深刻的学习与工作一样回归，有监督的做法与无监督的方法更简单的东西。我看着这一切像我有一个朋友给谁，我可以说“在这里给我一个小集群”，“给我一些NLP（自然语言处理）在这里，‘这里给我一些分类’，“只要给一些计数那边“，和土豆泥，所有一起，将其送到一个搜索引擎，所以我可以更容易它表面上以用户。这是成功的AI在企业的方式。
（10:02）是否存在的其中一个需要AI业务的例子吗？
GI:目前AI的运动解锁一些新的数据源，我认为AI的早期版本中并不擅长处理。图片，视频和音频内容，更聪明的NLP能力已经解锁AI功能，我感到兴奋，因为我曾经演示这一点。该演示总是伟大的，但尝试5到10年前，来实现它的现实不太听话，听话或为一个用例，但它不可能延续。而现在，有这么多的投资，我们可以在这些技术的利用;计算权力那里，数据是存在的，这样我们就可以开始为越来越多的利用他们的企业。
最简单地说，我们努力与你如何组织你的数据更好。我们如何标注它，我们如何策划呢？我们谈到遵守早些时候，我们怎么知道谁可以看到什么，何时何地。所有这些东西都有人工智能的应用，这只是最简单的接入问题，“什么我现在需要做的对不对？”这基本上是在将要看看数据块，并说问题排行榜“你要和格兰特的采访。你要知道这三样东西了解格兰特你这样做面试前。”人工智能系统可以得知。
我们的一个大银行客户的正是这样的，与他们的销售人员的下一个最佳行动工作。实际上，任何和一切当客户碰到的银行在被搜索与AI部件驱动系统，最终出现这种情况，例如，有一次，在一家大银行的财富顾问可以说，“格兰特，丹刚一儿童。你应该和他谈一个529计划。或丹只是在网站上，并希望出售ACME间公司的股份。你应该跟丹“。
在一天结束的时候，这些人需要为这么多人服务。他们需要知道把时间花在哪里。这给我带来了一个关于人工智能以人为中心的完整循环。我怎样才能让你做出更好的决定?我怎样才能让你用更少或更快、更好的人服务更多的人?
这就是那个排名函数是一个杀手和AI很好地送入该
（13:35）我们看到越来越多的人工智能在银行的应用。有一个在财富管理，使销售人的兴趣。我们有很多的运动部件，很多活动现场，并应根据上下文提供给销售人员还是应该促使他们做些什么？这是部分企业搜索的问题？抑或是从各种数据源拉来做决策支持？
GI:企业搜索名字有点过时。有些人把它叫做搜索驱动的分析。我喜欢退后一步，问我们如何重新塑造我们如何看待数据。我敢肯定，在你的观众认识大块SQL。
一般来说，如果你把数据放在excel中，你可以按特定的列排序。这是关系数据库的长期概念。一个搜索引擎的核心并没有什么不同，除了我的排序功能，按什么是重要的排序。它通常是不同因素的组合。下一个最佳行动的用例，他们在客户最近的活动中，银行的新产品中，你最后一次和这个人谈话是什么时候，你什么时候有生活事件。他们接受了所有这些，并要求搜索功能“为我对这些东西进行排序”，“你能告诉我什么是最重要的第一件事，什么是第二件重要的事吗?”
这就是搜索引擎诞生的初衷。除了大多数人认为它是放入一个关键字并返回一堆文本。事实是，这些现代搜索引擎使您能够搜索文本数据、空间数据、数字数据和分类数据。顺便说一下，你可以插入高级排名功能，如Tensorflow或其他深度学习库或内部构建的东西。你可以把这些东西混在一起，然后说:“告诉我什么是重要的;告诉我应该把什么放在首位。”
（16:15）我们将有什么不同客户代理是一个引热议，有用的动作，或在不同情况下的相关通知。听起来好像需要有什么是这些信号在内部智慧，什么数据可能会导致这些信号可能是内部数据的理解和在哪里建立这样的东西。
GI:我喜欢提供一种产品，让人们最方便地到达那里。如何将我的业务逻辑构建到我所拥有的数据中，以便交付给我的用户，以便他们能够使用它，这是最后一点。它不像你想的那样是定做的。我们碰巧在几周内就可以启动并运行这些类型的应用程序，而不是几个月或几年。有时只有几天。
如果你要跨越你的数据源，逻辑需要进入系统。没有什么灵丹妙药，所以我不会说有。
（17:55）当你在谈论访问数据，你需要一个以上的IT人。当你正在开发一个策略，提取和可视化[数据]，以使该业务，我们将需要技术人，但我们也需要很多的专业技能，这将是在最后一英里重要。
GI:你明白了精辟的总结。美是您的企业用户比以往任何时候都更多的技术。你的技术用户更有商业头脑比以往任何时候。这也成为未来的趋势。通过把那些两个人在一起，你会在良好的状态。AI是一块粘合在一起长期学习如何那些人与他们的内容进行互动。
订阅我们的AI在工业播客用你喜欢的播客服务：
标题图片来源：北方各省律师协会
