如今，新兴技术伴随着激烈的宣传和炒作是很普遍的，人工智能（AI）是一个很好的例子。关于其用途和对社会的潜在影响的持续辩论甚至从科技行业扩展到公共领域。

实际上，在调查机构Gartner公司最新的“炒作周期”中介绍的30种新兴技术中，有9种与人工智能有关。考虑到人工智能所具有的潜在应用范围，这是有道理的。人工智能和机器学习都将在未来几年内对企业产生巨大影响。

然而，事实是，目前只有少数产品将真正的人工智能或机器学习引入企业领域，尽管许多产品声称这样做。就像随着云计算的到来而发生的“云清洗”，如今越来越多的软件声称是支持人工智能的。但是人工智能并不是万能的。

因此，人们需要摆脱这种思维方式，而专注于实际结果。顺便说一句，与软件供应商对人工智能的处理相比，这也导致了关于企业对人工智能进行处理的更广泛的讨论，因为这些用例可能完全不同。

最重要的是，必须将炒作与现实分开。借助人们在自动化领域已见证的进步，人工智能和机器学习可以为各行业带来真正的进步，从而创建自我修复和自我调节的大型管理系统。但是，要做到这一点，需要更大程度的实用而真诚的对话，尤其是在机器学习的情况下，需要更多的企业用例。

人们还需要拥抱开放，并更好地进行合作。在一般的企业环境中，有大量的数据被创建和传输。如今，超过80%的IT主管表示，数据的泛滥是他们的组织必须解决的最关键的问题之一。此外，IT团队仍在努力利用其数据的价值，这可能会极大地影响组织的利润。

如果人们能找到一种方法来整理所有这些不同的数据源，那么人们不仅可以回答自己的用例，还可以回答更困难也更有趣的问题。

人们做到这一点的一种方法是使自己开放，例如通过与其他系统的轻松集成和协作以及使用开放的API。API优先的架构意味着客户可以将解决方案与他们现有的工具集成在一起，以进行监视、资源调配、配置管理等。

如果人们曾经听过“两双眼睛总比一双眼睛好”的表达，这里就是一样。如果可以利用所检测到的情报，并将其与人们所看到的相结合，那么都可以取得更好的结果。这绝对适用于人工智能和机器学习。

物联网、工业物联网和边缘设备的增长将增加数据的冲击，并且可能是企业中机器学习的最大推动力。企业将问：“人们能从所有进来的数据中学到什么，能用这些数据做一些有趣的事情吗？”想象一下从所有设备数据中进行解释、可视化和产生见解的可能性。这将是一个挑战。

该模型已经变得越来越复杂。如果以个人情况来看，则银行可能会识别并预期其行为，例如，它知道出行时间。而且，如果银行可以访问其他数据源，例如来自旅行社或航空公司的信息，则可以避免发出安全警报或阻止信用卡，因为它检测到“不正常”行为。

这也适用于企业空间，这种开放性将推动更明智的决策和显着更好的结果。

只有优先考虑向开放集成系统的迁移，人们才能意识到机器学习的潜力，并开始见证自驱动数据中心，朝着预设的理想运行状态努力。