（AI工具生成）

借助专业应用程序，我们将能够以前所未有的规模增强我们的分析能力，预测趋势并更快、更准确地采取行动来解决问题或探索机会。

除了回答像今天的聊天机器人这样的问题之外，人工智能访问的应用程序还将充当自动化代理，能够执行任务和记录交易，协调各种未编程活动的序列。人工
智能本身将动态定义满足用户目标所需的任务。这种转变将使技术更容易获得和用户友好，并且更加强大和高效。

我想强调的是，在这一系列文章中，我的目的不仅仅是展示当前的技术状况。我的目标是展望下一阶段的发展，以指导研发投资。这不是预测未来，而是设计
未来。和我一起踏上这段旅程。

综合数据库

集成数据库的趋势一直在独立于人工智能技术而发生，并且可以在各种企业计划中观察到。例如：

·政府：旨在对企业和公民税收进行综合控制。

·银行业：整合信用信息、账户和金融交易。

·医疗保健：共享患者记录和检查历史。

·商业：客户关系管理 (CRM) 系统集成客户数据和偏好，以在个性化活动和行动中识别更大的商机。

·管理：监控业务运营的交易数据以生成各个级别的指标。

集成提供更高的数据质量，避免冗余，并支持交叉分析以识别偏差和趋势。

综合知识库

未来，人工智能不仅可以访问集成数据库，还可以访问知识库。数据库和知识库是两个不同的东西，尽管两者都用于存储信息。

大型图书馆旁边有序的文件夹架 — IA Midjourney 生成的图像

数据库是有组织的信息的结构化集合，可供需要访问数据的应用程序和系统有效使用。它主要用于存储数字、文本、日期等原始数据。数据库的示例包括
Oracle、SQL Server、MySQL 和 Postgres。

另一方面，知识库是超越原始数据的信息集合。它涉及经过处理和情境化的信息，包括知识不同部分之间的链接、交叉引用和关系，从而提供更广泛、更综
合、易于理解和访问的视图。知识库通常包括解释的相关信息、专业知识和见解。

知识库的示例包括百科全书、维基百科等维基百科以及公司内的知识管理系统。业务知识可以以文档、手册、策略、流程图、程序、报告、企业架构模型、系
统文档、最佳实践和分析结果等形式进行维护。

在大多数组织中，知识库结构不完善并且很少更新。很多业务知识都是隐性的，只零碎地存在于积累了丰富经验的长期服务员工的记忆中。当这些员工退休或
跳槽到另一家公司时，部分业务知识就会丢失，并且需要在逆向工程计划中探索性地重新创建或重新发现很多知识。

广泛且结构良好的知识库可以避免返工、培训新人、作为差距分析的基础，并减少企业对个人记忆和商誉的依赖。然而，维护更新的知识库是一项重大挑战。
以有组织且一致的方式构建信息需要对知识进行建模并将其记录在能够在信息之间创建链接并验证模型一致性的专家系统中。

由于这些任务难度大、劳动强度大，而且其效益只有在未来才能实现，因此许多企业没有对知识管理进行投资，只是在问题出现时才解决。这不是一个好的策
略。这就像一个人知道自己的胆固醇水平很高，等待心脏病发作来改变饮食和久坐的习惯。

人工智能维护最新的综合知识库

借助基于人工智能的专家系统，知识库的维护将越来越少地依赖于人类的奉献，并成为一个更加简单、易于访问且具有成本效益的过程。

在日益互联的世界中，通过事务系统日志、传感器和设备可以获取大量数据。考虑一下你们之间的联系有多紧密。银行系统监控您的所有金融交易；您的手机
存储您访问过的所有地点以及您的所有消息和个人通讯；您的智能手表可以跟踪您的步数和心率，而浴室中的生物阻抗秤不仅可以监测您的体重，还可以监测
您的身体脂肪和各种其他指标。数据库正在扩展。然而，如果没有计算辅助，将所有这些数据转化为知识对于人类来说是一项不可能完成的任务，而人工智能
在这个过程中发挥着至关重要的作用。

例如，目前可以通过流程挖掘系统映射业务流程，将数据转换为知识。这些系统评估事务应用程序的日志并概述流程在实践中是如何发生的。该信息对于识别
与最初设计相比的偏差和不一致非常有价值。

基于人工智能的专家系统可以从文档、电子邮件、会议对话和任何其他数据源中提取信息，以自动保持业务知识库最新。不一致和值得关注的领域会被自动识
别，并提请具有决策权的人们注意，这些知识库应该被认为是正确的。请注意，只有在人工智能无法独立完成的事情上，人类的参与才被简化为决策。由于它
可以从这些决策中学习，异常的数量逐渐减少，并且知识库维护中人工干预的需要变得更少，从而导致更一致的知识库，维护起来更容易、更便宜。

可访问各种集成知识库的人工智能

基于人工智能的系统中最常用的功能之一是映射相关性并识别大量信息中的模式。通过访问更全面和一致的知识库，专家系统可以更精确地识别偏差和趋势。

随着人工智能能够访问包含政府信息、医疗数据、财务数据、公民数据、客户数据、业务政策和流程以及企业管理系统的交易数据的综合知识库，它可以执行
广泛的任务并提供显着的好处在各个领域。

以下是人工智能在某种程度上已经在做的事情以及未来将以更广泛的方式做的一些例子：

1.战略监控：通过建议政策、流程和系统的变更以实现目标和目的，为战略决策提供见解和建议。这包括生成关键绩效指标和场景模拟的仪表板。

2.欺诈和攻击检测：实时识别可疑模式和欺诈活动，发出警报，并采取自动措施中断和阻止活动，保护机构及其客户。

3.精准医疗诊断：协助医生分析患者数据，将其健康史与祖先的健康史进行比较，并与其他具有相似特征的患者进行比较，根据最新医学文献做出精准诊断并
提出个性化治疗建议。

4.流行病预测和公共卫生：通过实时监测与其他非官方渠道（例如新闻媒体和社交网络）交叉的公共卫生数据来预测疾病爆发并有效分配医疗资源，以产生额
外的警告信号。

5.私人管家：通过私人助理更有效地回答问题和解决问题，为每个人提供高度个性化的帮助。就像今天，每个人都拥有一部包含所有联系人和消息历史记录的
个性化手机，每个人都将有一个私人助理，陪伴并协助他们进行所有活动。

6.100% 合规的监管治理：通过分析政策和监控交易数据来识别、警告和纠正任何违规行为，确保所有业务流程符合政府法规。某种数字监控。

7.需求和库存预测：预测未来需求并优化库存，以降低成本并提高各个部门的物流效率。

8.城市规划援助：通过监控和优化交通、管理资源和提高生活质量来协助城市管理。

这些只是人工智能在拥有广泛且综合的知识库时可以实现的目标的几个例子。随着技术不断发展，人工智能做出更准确决策和自动执行复杂任务的能力预计将
显着增长，对各个行业产生积极影响，提高效率和生活质量。用户可以通过自然语言访问所有这些内容，并用他们喜欢的语言与人工智能进行对话。

未来的挑战

为了使这个未来成为可能，我们仍然需要克服当前涉及组织和个人的一系列结构和文化障碍。

1.非集成系统：许多系统仍然孤立地生成和处理数据。检查您的组织内有多少控件仍保留在某种 Excel 电子表格中。即使是企业系统也常常被隔离在孤岛中。
我经常接到电话公司打来的电话，该公司提供我已有的服务，因为他们的销售和服务系统尚未集成。要实现不同系统之间的数据库集成以及不同组织孤岛之间
的数据共享，还有很多工作要做。

2.数据质量：数据科学家经常抱怨他们的大部分精力都没有花在生成决策信息上。他们的大部分工作包括对来自纪律不严的数据源的数据进行清理和分类。从
事业务运营的人员很少了解数据将如何用于决策，这意味着他们不致力于对系统中的数据进行正确的分类。如果“垃圾”进去，“垃圾”出来。确保高质量数据的
存在是良好分析和机器学习的先决条件。

3.竞争文化：获取信息是一种竞争优势，导致竞争公司避免共享信息。行业内的合作通常取决于监管机构（例如中央银行、卫生部或旅游部）的指导，或取决
于制定标准和规范的协会（例如 ISO 或 W3C）的指导。在许多领域，让组织和个人协同行动仍然需要转向一种并不总是被很好理解的合作模式。

4.隐性知识：大多数当前的业务知识仍然仅存在于开展和管理业务的人员的头脑中。结构化和更新的企业知识库很少能作为机器学习的质量输入。因此，即使
我们想在未来使用人工智能作为更新知识库的工具，我们也需要一个更强大的起点，专家系统以可理解的模式访问明确的结构化信息，人工智能可以在进一步
发展之前进行学习。在机器经过训练可以继续前进之前，第一步仍然需要大量的人力工作。

5.机器学习的局限性：人工智能不遵循预定义的算法来执行其任务。它通过识别与其共享的历史知识模式来“学习”，并明智地利用所学知识进行决策或生成新
内容。这种基于机器学习的功能存在传播错误和偏见的风险，这些错误和偏见可能会延续不公正并加剧偏见。不可能保证用于AI的训练数据100%正确和公平。
除了努力清理培训材料外，还需要建立控制机制，实施审慎的政策，以促进公平和防止偏见。

6.知识治理：什么是真，什么是假？谁有权力验证知识？这些知识如何得到验证？为了使知识库能够可靠地发展，必须设计一个治理结构，在知识管理联盟中
跨不同组织和部门建立角色、职责和验证权限。当前的一个例子是维基百科页面的协作和分散协调结构。对于所有类型的知识库，此类结构需要在不同规模上
实施。

7.隐私和保密保证：访问知识库中的个人信息必须尊重个人的隐私权。尽管我们试图在欧洲的 GDPR 或巴西的 LGPD 等立法中澄清与此相关的规则，但许多
组织仍然不遵守这些法律。执行和遵守法律是必要的。将来，我们可能会发现在共享机密信息方面个人权利与集体利益之间发生冲突的情况。这些案件涉及道
德问题，需要在相关论坛进行讨论和规范。尊重现行法律对于确保权利至关重要。为了在全球范围内共享知识，我们需要讨论并制定统一的立法协议。

8.偏见：尽管前所未有，人工智能生成的内容是基于基于其训练中使用的知识库的统计模型。这种行为会导致模式的重复，并可能强化偏见和不公正。例如，
如果在金融机构的历史知识库中，某个种族的人被拒绝信贷的频率更高，人工智能可能会将此作为判断标准并重复该判断。它不是恶意的人故意配置的，而是
基于统计模型的机器学习。随着这些结果反馈到知识库中，统计趋势变得更加明显，偏差往往会呈指数级增强。必须建立机制来防止这种行为。

9.质量和真实性保证：辨别真假变得越来越困难。当然，通过文本生成虚假内容一直很容易，而且这一挑战并非源自人工智能。然而，特别是在图像、音频和
视频方面，伪造过去依赖于专业知识和设备。通过使用人工智能，任何人都可以创建“深度伪造”，与真人一起制造虚假的情况。只需提出请求，人工智能就会
生成“教皇弗朗西斯与里约热内卢狂欢节舞者在桑巴舞学校游行”的图像。需要建立技术机制和惩罚性法规来限制使用人工智能作为传播虚假内容的手段。

里约狂欢节期间，教皇弗朗西斯科在桑巴学校游行 — 图片由 IA Midjourney 创建

这里列出的挑战并不容易克服，这表明这个梦想的未来距离成为现实还有相当大的距离。然而，这些挑战都是明确的，我相信，通过梦想和共同努力创造更美
好未来的人们之间的共同协调和兴趣，可以克服这些挑战。

结论

尽管面临挑战，但人工智能的使用前景光明。通过自然语言访问人工智能，能够充当访问集成且一致的知识库的代理，我们可以解决问题，自动执行复杂的任
务，并以以前难以想象的敏捷性和可预测性探索机会。

需要正面应对这些挑战，以便社会能够从这个设想的未来中取得最佳成果，并确保提高个人和整个社会的生活质量。我们的角色是意识到这些挑战并采取行动
以成功渡过这一旅程。