Analytics dell'AI: insight dei dati più rapidi

Le aziende hanno applicato modelli di machine learning alle loro attività di analisi dei dati per molti anni. Ha senso solo per gli analisti che tengono traccia di enormi volumi di transazioni finanziarie o conducono operazioni di sicurezza eseguire i dati attraverso modelli di machine learning che trovano anomalie e tendenze a velocità che gli esseri umani non possono eguagliare.

Ora, i modelli di linguaggio di grandi dimensioni, o LLM, che sembrano acquisire nuove funzionalità sofisticate ogni settimana, offrono interessanti opportunità ai data scientist e agli analisti di dati per trasformare i loro flussi di lavoro attraverso l'automazione e fornire insight basati sui dati a più persone in tutte le loro organizzazioni.

Cosa sono gli AI Analytics?

Gli analytics AI, a volte chiamati Augmented Analytics, sono un modo per analizzare le prestazioni aziendali utilizzando una combinazione di machine learning, elaborazione del linguaggio naturale e tecniche di gestione dei dati. Come gli analytics tradizionali, l'obiettivo degli analytics AI è trovare modelli, prevedere i trend, estrarre insight, fare previsioni o una combinazione di questi. La differenza è che gli analytics AI utilizzano modelli di machine learning (ML) per analizzare grandi set di dati quasi in tempo reale e quindi sfruttare potenti LLM per automatizzare il processo di preparazione e analisi dei dati e visualizzazione dei risultati.

A tale scopo, un processo di analytics dell'AI cerca di automatizzare molte attività che in precedenza richiedevano molto lavoro, come la preparazione dei dati, la pulizia dei dati e la modellazione dei dati. Una volta preparati i dati e avviata l'analisi, il sistema di analytics AI aiuta a generare visualizzazioni dei suoi risultati e persino consiglia corsi d'azione. Poiché l'AI è in grado di monitorare e analizzare costantemente grandi quantità di dati quasi in tempo reale, può testare un gran numero di combinazioni di datapoint e determinare le relazioni tra di essi.

L'obiettivo è quello di consentire agli analisti di eseguire semplicemente query sui dati anziché passare attraverso complessi processi manuali di preparazione e data science.

Analytics AI e analytics dei dati tradizionali

L'analisi dei dati tradizionale è un processo consultivo e iterativo che si svolge tra un uomo d'affari e un analista di dati o un data scientist. I data scientist tendono a concentrarsi sulla preparazione dei dati e sull'applicazione di tecniche e strumenti per interpretarli, mentre gli analisti dei dati sono bravi a utilizzare software di analisi pacchettizzati per informare le decisioni aziendali, ma i ruoli spesso si sovrappongono. Entrambi possono essere considerati esperti di analisi dei dati in grado di porre domande o ipotesi su quali dati potrebbero rivelare. Quindi assembleranno i dati e applicheranno tecniche e strumenti sofisticati per vedere se l'analisi dei dati risponde alla domanda o convalida l'ipotesi. Potrebbero quindi creare questi risultati in un dashboard che tiene traccia delle metriche aziendali predefinite nel tempo. L'analisi dei dati tradizionale continua a essere uno strumento importante per aiutare le aziende a esplorare le relazioni e le tendenze nei dati aziendali strutturati: è stato prezioso per rispondere a domande ad hoc sulle prestazioni aziendali.

Al contrario, gli analytics AI utilizzano i LLM insieme a modelli di machine learning separati per automatizzare i passi che gli esseri umani intraprendono per completare l'analisi. Consente agli analisti aziendali di richiedere e sintetizzare dinamicamente le informazioni senza l'assistenza di esperti IT. Una volta impostato per analizzare una vasta gamma di dati provenienti da applicazioni aziendali e dati non strutturati provenienti da social media, e-mail, immagini e documenti, l'analisi dell'intelligenza artificiale può fare molto più rapidamente e in modo coerente di quanto potrebbe fare un essere umano. Non c'è da meravigliarsi che gli analytics AI stiano rapidamente diventando uno strumento preferito dagli analisti per approfondire le loro analisi e migliorare la loro efficienza.

Concetti chiave

• L'analisi dei dati AI si basa sulle pratiche di analytics tradizionali utilizzando il machine learning per scoprire i trend, trovare le anomalie e fare previsioni.
• Gli analytics AI applicano il ML insieme a sofisticati LLM per automatizzare il processo di analytics, dalla preparazione dei dati all'analisi e alla visualizzazione.
• L'AI Analytics unisce i dati strutturati delle applicazioni a dati non strutturati, come feed di social media, documenti e contenuti multimediali, per arricchire i risultati.
• A differenza dell'analisi dei dati batch tradizionale, l'analisi AI consente di monitorare e analizzare costantemente enormi quantità di dati per ottenere risultati più tempestivi.
• I data scientist e gli analisti dei dati utilizzano gli analytics AI per migliorare la loro produttività e aiutare più persone a accedere agli insight.

Descrizione di AI Analytics

L'AI Analytics sfrutta tecnologie avanzate, tra cui machine learning, LLM e visualizzazione dei dati, per migliorare il processo decisionale aziendale. Poiché l'analisi dei dati AI automatizza molti aspetti dell'analisi dei dati tradizionale, può aiutare a ridurre i costi continui dell'analisi dei dati, migliorare l'accuratezza e liberare gli analisti per concentrarsi su un pensiero strategico di livello superiore.

Come i tradizionali business analytics, gli analytics AI utilizzano strumenti ML per elaborare grandi quantità di dati. A differenza degli analytics tradizionali, gli analytics AI possono automatizzare attività come la raccolta, la pulizia e la categorizzazione dei dati, anche per i dati non strutturati, come immagini e documenti, e quindi monitorare costantemente i dati per apprendere modelli, individuare anomalie e trovare correlazioni. Ciò consente agli analytics AI di fornire insight quasi in tempo reale, anche da fonti di dati grandi, complesse e diverse.

L'importanza degli analytics AI nel business moderno

Le aziende hanno investito a lungo in strumenti e competenze di analisi dei dati per aiutarle a prendere decisioni migliori. L'analisi dei dati AI può aiutare a migliorare notevolmente il processo decisionale aziendale automatizzando l'analisi dei dati, rendendola più veloce e accurata anche quando abbandona dati diversi per scoprire insight che i processi umani manuali probabilmente non vedrebbero mai. Di conseguenza, i leader aziendali possono agire in modo più proattivo e prendere decisioni informate in tempo reale, ad esempio anticipando le esigenze del mercato e spostando il loro inventario.

L'analitica AI sta diventando sempre più importante perché aiuta a migliorare l'efficienza di tutti i giorni, anche in settori come l'automazione dell'immissione dei dati, la pulizia e la categorizzazione dei dati, la creazione di dashboard e report in tempo reale e la spiegazione di analisi e insight per gli uomini d'affari.

Funzionamento di AI Analytics

L'analisi dei dati AI funziona utilizzando la tecnologia LLM e ML per analizzare e interpretare i dati. Una volta che il sistema è stato addestrato a riconoscere modelli, tendenze e anomalie nei dati di un'organizzazione, può quindi fare previsioni e suggerimenti. Gli analytics AI vengono utilizzati in una vasta gamma di aziende e discipline, tra cui marketing, finance, sanità e produzione. Qualsiasi azienda che desideri prendere decisioni basate sui dati e migliorare l'efficienza operativa può trarre vantaggio dagli analytics AI.

Ecco alcuni termini da sapere.

• Machine Learning: il machine learning è una sottodisciplina dell'AI in cui team IT, data analyst e data scientist utilizzano algoritmi e strutture di calcolo che si auto-migliorano per riconoscere i pattern nei dati che gli consentono di apprendere oltre la programmazione.
• Deep Learning: come nel caso del machine learning, un processo di deep learning viene eseguito su una disposizione di nodi di calcolo chiamati reti neurali artificiali. Queste reti sono modellate sul cervello umano e consentono ai computer di eseguire attività complesse, come fare previsioni, elaborare e interpretare il linguaggio.
• Analisi predittiva: l'analisi predittiva implica l'analisi dei dati aziendali attuali e passati con l'obiettivo di prevedere eventi futuri. Questa pratica è stata a lungo utilizzata nell'analisi dei dati tradizionale e ora sta beneficiando della velocità e della potenza di calcolo delle infrastrutture cloud che consentono l'analisi dell'intelligenza artificiale.
• Large Language Models: un LLM è un ramo dell'intelligenza artificiale che utilizza architetture di rete neurale per consentire all'intelligenza artificiale di comprendere sia il significato del linguaggio che il contenuto delle immagini per dedurre le risposte migliori AI prompt umani. Questi modelli possono anche generare linguaggio e immagini.
• Reti neurali: queste disposizioni dei nodi di calcolo su più livelli imitano l'architettura di un cervello umano. Nel caso d'uso degli analytics AI, le reti neurali aiutano i modelli AI a imparare a eseguire attività, tra cui il riconoscimento dei pattern e il processo decisionale.
• Computazione cognitiva: le architetture di elaborazione cognitiva funzionano in modo simile a quello di un cervello umano. Ciò consente al computer di imparare a riconoscere modelli sempre più complessi nei dati.

Applicazioni e casi d'uso reali per gli analytics AI

L'analisi dei dati AI sta diventando rapidamente indispensabile per gli analisti dei dati e i data scientist perché offre maggiore efficienza e funzionalità più approfondite alle attività aziendali quotidiane. Ecco alcuni esempi.

• Automazione aziendale. Gli analytics AI possono aiutare le aziende ad automatizzare i processi quotidiani, come il flusso di documenti. Grazie alla capacità di leggere e comprendere i documenti e riconoscere le firme, un flusso di documenti automatizzato può aiutare le aziende nel settore assicurativo, finanziario, immobiliare e altri a prendere decisioni rapide ed evitare ostacoli.
• Sicurezza dei dati. I modelli di Machine Learning possono scoprire modelli previsti e relazioni ricorrenti tra i datapoint e farlo in enormi volumi di dati quasi in tempo reale. Ciò consente ai modelli di individuare anomalie che potrebbero indicare qualsiasi cosa, dalle frodi interne a un attacco nascente.
• Legge. L'analisi dell'intelligenza artificiale può aiutare le pratiche legali a semplificare la pratica laboriosa di ricerca, scoperta e breve preparazione.
• Logistics. Poiché spesso gli analytics AI possono includere dati in streaming e analizzarli in tempo reale, possono aiutare le aziende di logistica in rapido movimento a prendere decisioni tempestive di fronte a ostacoli come ritardi meteorologici, chiusure stradali e persino traffico pesante.
• Medicina. L'analisi AI può aiutare a migliorare la medicina in alcuni modi. In primo luogo, può rendere le pratiche mediche più efficienti migliorando i flussi di processo e l'intelligence della supply chain, consentendo al personale medico di trascorrere più tempo con i pazienti e meno tempo a rintracciare forniture o scrivere note. L'intelligenza artificiale può anche dare una mano a medici specialisti, come i radiologi, leggendo i raggi X e altre scansioni di imaging. Nella scoperta medica, l'analisi dell'intelligenza artificiale può aiutare i ricercatori a individuare le terapie nascoste in enormi quantità di dati biologici, accorciando significativamente il processo di scoperta.
• Progettazione dei prodotti. Il design del prodotto è un'applicazione emergente di analytics AI. Analizzando una vasta gamma di dati, comprese le recensioni degli utenti e le proprietà dei materiali, le aziende di product design possono consentire all'AI di diventare creative e offrire nuove direzioni nello sviluppo di articoli che i consumatori non sanno ancora di volere.

Vantaggi di AI Analytics

Le organizzazioni che adottano gli analytics AI spesso scoprono di avere una nuova capacità di identificare modelli e tendenze nei dati che non sono evidenti agli analisti umani. Il risultato è spesso un processo decisionale più informato e suggerimenti basati sui dati, che possono portare a una maggiore efficienza operativa, a una maggiore soddisfazione del cliente e, in ultima analisi, a un aumento della redditività. A livello quotidiano, gli analytics dell'AI possono aiutare ad automatizzare le attività ripetitive in modo che i dipendenti possano concentrarsi su iniziative più strategiche e creative.

Esistono alcuni modi specifici in cui gli analytics dell'intelligenza artificiale possono aiutare a promuovere la crescita e il successo del business.

• Analisi più accurata: l'automazione dell'analisi dei dati mediante l'intelligenza artificiale aiuta a eliminare la variabilità e la possibilità dell'errore umano dal processo di analisi.
• Processo decisionale migliorato: consentire agli analisti di dati di preparare e analizzare i dati sia strutturati che non strutturati in un processo rapido e automatizzato è un modo efficiente per portare più informazioni al processo decisionale.
• Risparmio sui costi: gli analytics AI aiutano a fornire analisi più rapide riducendo al contempo la quantità di manodopera necessaria per eseguire report e creare dashboard, contribuendo ad aumentare la produttività e a ridurre i costi complessivi del processo decisionale basato sui dati in tutta l'organizzazione.
• Scalabilità: i sistemi AI possono aiutare ad analizzare grandi quantità di dati in tempo reale, ben oltre ciò che un essere umano può fare. Gli analytics AI possono eccellere dove i data set sono grandi, in crescita e diversi.
• Innovazione migliorata: LLM e ML al centro degli analytics AI rivedono, analizzano e prevedono costantemente i risultati aziendali. Queste query basate sull'intelligenza artificiale non sono legate AI presupposti dei data scientist e possono offrire insight e previsioni completamente nuove.

In che modo l'AI Analytics accelera l'analisi dei dati

Gli analytics AI aiutano ad accelerare il processo di identificazione dei modelli utilizzando il machine learning per interpretare grandi quantità di dati in una frazione del tempo necessario anche a un team di data scientist esperti. Questa maggiore efficienza può consentire alle organizzazioni di prendere decisioni più rapide e informate in base a tutti i dati raccolti, anche quelli non strutturati.

L'analisi dei dati AI aiuta a ottenere risultati aziendali più intelligenti tramite diversi metodi.

• Elaborazione rapida di grandi quantità di dati: i processi di analytics AI possono aiutare a preparare i dati da molte fonti e in molti formati e il machine learning eccelle nell'analizzarli rapidamente.
• Prevedi risultati e corsi d'azione: con gli analytics AI, gli analisti aziendali possono utilizzare informazioni quasi in tempo reale per aiutare ad affinare le loro previsioni e le azioni suggerite.
• Analizza i dati da più origini: gli analytics AI possono aiutare ad accelerare il processo di consolidamento, preparazione e analisi dei dati. Ciò è vero se i dati sono strutturati, ad esempio, da un'applicazione aziendale o non strutturati, ad esempio da documenti di testo, immagini o contenuti Web.
• Gamma di applicazioni più ampia: gli analytics AI stanno acquisendo nuove funzionalità. Ora può eseguire query sui dati convertendo le query di testo in SQL, estrarre le descrizioni del testo dalle immagini, velocizzare l'immissione dei dati e fornire analisi e visualizzazioni dei dati, il tutto senza alcuna assistenza umana.

Sfide e limitazioni dell'AI Analytics

Per tutti i suoi vantaggi, ci sono sfide e limitazioni nell'analisi dei dati AI. Il successo richiede dati di qualità, la capacità di selezionare i modelli giusti e, a volte, la mancanza di trasparenza nel modo in cui il sistema ha ottenuto un risultato. I team di analytics AI devono anche affrontare sfide in termini di integrazione con i sistemi esistenti e i costi associati all'implementazione e alla manutenzione delle tecnologie AI.

Le sfide e le limitazioni che devono essere affrontate per un'implementazione di successo includono le seguenti:

• Distorsione della selezione statistica: senza la supervisione umana, l'AI potrebbe semplicemente prendere in considerazione dati distorti e dare il via a risultati distorti.
• Costi iniziali e tempi di avvio: i costi iniziali degli analytics AI derivano dall'assemblaggio della potenza del computer e dell'esperienza dei dati, oltre a identificare i giusti strumenti analitici e modelli AI e stabilire i flussi di dati. Solo una volta stabiliti questi processi e soddisfatti i costi di configurazione, l'AI può fornire insight continui.
• Expertise tecnica: gli analytics dell'intelligenza artificiale sono un potente strumento per analisti di dati e data scientist che aiutano a migliorare i loro flussi di lavoro, ma sono necessari gran parte della loro supervisione e competenza per impostarli e valutarne i risultati. E le aziende senza queste competenze possono essere sfidate a reclutare e a permettersi esperti di dati.
• Trasparenza: a differenza degli analytics tradizionali dei dati, che sono un processo consultivo e iterativo, gli analytics AI vengono eseguiti in modo autonomo, rendendo importante costruire la spiegabilità nella progettazione originale.

Analytics AI e considerazioni etiche

Le considerazioni etiche con l'analisi dell'intelligenza artificiale possono generalmente ruotare su questioni come la privacy dei dati, la trasparenza, i pregiudizi e la responsabilità. Le aziende possono prendere in considerazione la raccolta e l'utilizzo dei dati in un modo in linea con le loro politiche e lavorare per consentire agli utenti di comprendere come sono stati formulati i risultati delle loro query di analisi AI.

Le considerazioni per aiutare a garantire che gli analytics AI vengano utilizzati in modo responsabile e vantaggioso includono:

• Privacy: poiché i modelli AI vengono addestrati su set di dati enormi e diversi, le informazioni di tali set di dati, incluse le informazioni sensibili, possono essere involontariamente incluse negli output dell'AI.
• Sicurezza: gli analytics AI possono essere eseguiti su informazioni tratte da molti data store diversi. Ciascuno di questi database e le reti che spostano i dati tra di essi traggono vantaggio dalla protezione.
• Eguaglianza: tutti i processi di analisi sono soggetti a pregiudizi statistici e gli analytics AI non sono esenti. È possibile che gli analytics AI che si basano su set di dati distorti favoriscano un determinato gruppo perché tale distorsione è contenuta nei set di dati che utilizza per disegnare la sua analisi, anche se tale distorsione è più spesso involontaria.
• Responsabilità: processi automatizzati come gli analytics AI possono essere progettati per aumentare la produttività astraendo i dettagli complessi alla base della loro analisi. Tuttavia, le astrazioni possono rendere più difficile ritenere responsabile un processo o un'azione specifica quando un'azienda agisce sull'analisi automatizzata. Una partnership interattivo uomo-computer è un buon modo per affrontare questo problema.
• Human Oversight: Sebbene gli analytics AI siano progettati per automatizzare i processi, le organizzazioni dovrebbero prendere in considerazione la creazione di partnership uomo-computer e la supervisione regolare sia degli input di dati che degli output AI per garantire che siano conformi a considerazioni aziendali ed etiche.
• Conformità legale e normativa: i programmi di analisi dell'intelligenza artificiale in qualsiasi azienda dovrebbero considerare questi programmi di analisi dell'intelligenza artificiale progettati tenendo conto dei report legali e normativi.

Il futuro dell'AI Analytics

Una speranza fondamentale degli Analytics dell'AI è che aiutino le aziende a prendere decisioni ottimali analizzando grandi quantità di dati per identificare tendenze, modelli e insight che gli esseri umani potrebbero non essere mai in grado di vedere. I profitti rapidi dovrebbero essere una comprensione più approfondita dei clienti e la capacità di automatizzare le attività ripetitive. A lungo termine, consideriamo gli analytics AI come fondamentali per l'innovazione e la crescita del business.

La comunità di Oracle Analytics sta contribuendo a plasmare il futuro: i partecipanti possono esplorare tecnologie, porre domande, partecipare a laboratori dal vivo e molto altro ancora. In particolare, l'evoluzione tecnica e le applicazioni hanno alcune linee di tendenza chiare.

• Evoluzione futura degli analytics sull'AI. I LLM e altri modelli di AI al centro degli analytics AI si stanno evolvendo rapidamente. I LLM disponibili pubblicamente stanno già cambiando la codifica, lo sviluppo dei contenuti e il servizio clienti. Man mano che questi modelli di intelligenza artificiale diventano più sofisticati per imitare le capacità umane sottili, gli analytics di intelligenza artificiale come partner per le decisioni umane diventeranno la forma dominante di analisi dei dati nelle grandi organizzazioni.
• Applicazioni future di analytics AI. Grazie alla sua capacità di analizzare grandi quantità di dati provenienti da diversi set di dati e di farlo in tempo reale, gli analytics AI troveranno un utilizzo in un numero crescente di settori. Ciò porterà probabilmente a suggerimenti più mirati per i clienti del settore dell'intrattenimento e della vendita al dettaglio, a un rilevamento più rapido delle frodi per le società finanziarie e assicurative e può supportare risultati migliori per i pazienti in ambito sanitario.

Dati aziendali migliori alla velocità dell'AI con Oracle

Oracle può aiutarti a portare gli analytics AI nella tua azienda. Con Oracle come partner, i tuoi data analyst e data scientist ottengono una piattaforma di analytics leader del settore e una piattaforma di gestione dei dati automatizzata e servizi pronti all'uso per un'ampia gamma di attività di analytics.

La piattaforma Oracle Analytics offre alle organizzazioni un servizio cloud nativo in cui uomini d'affari ed esperti di dati possono collaborare sull'intero processo di analytics dell'AI. Ciò include l'inclusione e la modellazione dei dati, la preparazione e l'arricchimento dei dati e la visualizzazione, oltre a uno stretto controllo sulla sicurezza e sulla governance dei dati. Le piattaforme di gestione dati e le applicazioni aziendali di Oracle sono integrate con tecnologie di machine learning e di elaborazione del linguaggio naturale per aiutare a fornire analytics AI in tutta l'organizzazione.

Mentre le aziende tecnologiche continuano a correre avanti con i LLM, le straordinarie funzionalità di questi modelli di AI troveranno rapidamente la loro strada negli strumenti di analisi dei dati. Da questo momento in poi, chiunque entri nel campo dell'analisi dei dati vorrà prendere in considerazione l'utilizzo di strumenti di analisi basati sull'intelligenza artificiale. Il prossimo passo per questi analisti sarà quello di guidare l'implementazione di un processo di analytics AI per le loro organizzazioni, aprendo un futuro in cui insight aggiornati e basati sui dati sono disponibili per un maggior numero di decisori in tutta l'azienda.

Domande frequenti su AI Analytics

Quali sono le competenze necessarie per gli analytics AI?

Esistono molte competenze che possono essere importanti per stabilire un processo di analisi dell'intelligenza artificiale in un'organizzazione, a partire da quelle attualmente possedute dai data scientist e dagli analisti dei dati. Una volta che il programma è attivo e in esecuzione, l'obiettivo è che le persone con conoscenze aziendali ma poca esperienza nell'analisi dei dati siano in grado di eseguire analisi approfondite utilizzando testo in lingua nativa e prompt parlati.

Cosa fanno gli analisti dell'intelligenza artificiale?

Gli analisti AI utilizzano gli strumenti e i LLM AI più recenti per migliorare le loro analisi e consentire AI non esperti di eseguire analisi dei dati utilizzando prompt di testo e linguaggio naturale.

Cosa fanno i data scientist negli analytics AI?

I data scientist sono fondamentali per impostare un processo di analytics AI. Portano la capacità di definire problemi e progettare approcci analitici su cui l'AI si baserà. Possono anche essere responsabili del monitoraggio delle operazioni AI e aiutare a spiegare i suoi risultati.

L'intelligenza artificiale è una forma di analisi?

Come gli analytics, l'intelligenza artificiale dipende dall'inclusione e dall'interpretazione dei dati in molte forme. L'analisi dei dati AI, tuttavia, è progettata per utilizzare sofisticate tecniche di manipolazione dei dati per aiutare a tracciare tendenze, correlazioni e anomalie nei dati aziendali e fornire visualizzazioni per aiutare a evidenziarne i risultati.

Qual è la differenza tra analytics e intelligenza artificiale?

L'intelligenza artificiale è importante per l'analisi dei dati, ma copre una gamma molto più ampia di capacità. L'intelligenza artificiale può essere utilizzata per generare codice, testo, immagini e altri contenuti, che vanno ben oltre le esigenze della maggior parte degli analytics aziendali. Tuttavia, la capacità dell'AI di trarre informazioni da immagini e documenti e combinarle con i dati delle applicazioni può avere un impatto potente sugli insight forniti attraverso l'analisi dei dati.

Gli analytics AI possono sostituire gli analisti umani?

Al momento, l'analisi AI non può sostituire gli analisti umani, ma può rendere un singolo analista molto più produttivo e creativo. L'intelligenza artificiale e il machine learning aumentano l'efficienza nella preparazione, nell'analisi e persino nella visualizzazione dei dati.

L'AI Analytics è accessibile alle piccole imprese?

La crescita di servizi basati su cloud basati su ML e LLM potenti significa che una piccola azienda può caricare dati ed estrarre insight. L'AI Analytics sta democratizzando l'esperienza dei dati necessaria per eseguire analisi dei dati approfondite.

In che modo le aziende possono iniziare a utilizzare gli analytics AI?

Le aziende devono contattare i propri fornitori di servizi cloud per conoscere il numero crescente di strumenti di analisi che sfruttano i modelli AI per fornire analytics con pochissime competenze in materia di dati o investimenti iniziali.