人工智能领域的增速放缓，主要体现在AI应用程序的部署增长方面。原计划23％的数据将在2019年被应用部署，而截至目前，只有5％的数据被应用部署，增长率明显低于2018年。很显然AI正在被某些“因素”拖累，比如相关领域企业员工缺乏相应的技能、企业可获得数据的质量以及对AI真实优势和用途的了解并不全面。

　　对于人工智能而言，大数据是人工智能研发的重要基础。目前人工智能领域的研究细分有很多，包括机器视觉、自然语言处理、深度学习、机器人学、知识表示、自动推理等，研究方式上各有不同，但是数据收集、数据整理、算法设计、算法训练等是它们绕不开的研究路径，人工智能的核心是算法设计，但基础仍是大数据。

　　而数据洞价值察或许仍是“稳定”人工智能发展的重要因素，在细分领域上有着不同体现，比如“增强分析”技术在数据与分析领域的应用、嵌入式人工智能在物联网领域的应用、浮层互动技术在视频领域的应用等。

　　“增强分析”的概念最先被Gartner在2017年提出，“增强分析”曾誉为“数据与分析市场内的下一波颠覆性技术，是数据分析的未来”增强分析指的是在传统分析功能中加入更多的增强功能，这些功能大多是通过人工智能、深度学习等技术来实现，可以帮助分析人员对于数据进行自动化、精细化、结构化的分析，有利于进行更加精准的模型训练，从而满足多种数据分析需求。

　　当前的增强分析功能主要有两种应用方式，一是帮助专业的数据分析师或数据科学家，通过数据建模来提升数据分析的能力。二是针对普通的用户，增强分析可以支持他们访问有效数据，并对理论和假设情况展开测试与验证，从而为分析计划带来更多自动化动能以及创新洞察力。在增强分析技术实现上主要包含以下三种工具。

　　1、增强数据准备（Augmented Data Preparation）：采用机器学习（ML）／人工智能（AI）自动化来扩大和加速数据剖析和数据质量、数据协调、数据建模、数据处理、数据聚合／推理，元数据开发，以及数据编目，这种增强趋势同样能够改变数据管理的各个方面，包括自动化数据集成和数据湖管理。

　　2、应用于分析和商务智能系统的增强分析技术（Augmented Analytics As Part Of Analytics And BI Platforms），该技术使商务用户和“民间数据科学家”（Citizen Data Scientist，指那些能够进行数据建模的非统计分析专业领域的人）无需建模和编写算法，就能自动寻找数据规律，将相关结果以可视化的方式表达（比如相关性、例外、集群、连接和预测）。用户通过可视化和对话界面来研究数据，采用自然语言问询技术来查找用户情境下的最重要数据结果。”民间数据科学家”可以采用增强分析技术来客观分析数据。

　　3、增强分析数据科学和机器学习（Augmented Data Science And Machine Learning）——采用ML／AI实现数据科学和ML／AI建模的自动化，比如特征工程和模型筛选，以及模型运行，模型解释以及最后的模型校正和管理。增强分析技术的应用，将会降低对高级分析模型操作的技巧性要求。它向民间数据科学家和应用开发者开放了数据科学和ML内容创造，最终，这些专业的数据科学家拥有更多的时间来聚焦创造性任务以及建立和运行最相关模型。

　　增强分析在企业销售中的应用可以体现在精细化的数据洞察方面。过去，我们从销售报表中可以看到销售数据的上升或下降，通常最直观的数据维度只有价格、产品质量、人员因素等，但是这样的推测并不是完全准确的，增强分析的应用可以通过BI工具获取数十个甚至上百个维度，不光包括价格、用户等直观因素，甚至还包含天气、环境、交通等外部因素。其应用的意义就在于通过更多工具分析更多维度，力求找到问题解决的最优路径，对数据全面洞察。

　　Gartner公司的Julian Sun曾表示，目前的数据分析模式多是可视化形式，或者拖拉拽形式做数据分析，很有可能会造成另外一种孤岛——分析孤岛。这个时候用增强分析可以把这样的增强分析模式放到业务情景当中，最契合业务实际做一些业务针织。

　　在增强分析领域，数据洞察能力集中体现在分析维度会更加全面，那些曾经不被大家注意的数据可能就是导致“结果”的原因，就像“蝴蝶效应”一样。