主要基于机器学习的现实世界人工智能数据项目十分瞩目，并且在很大程度上是成功的。有些首席信息官将人工智能视为IT领域最重要的趋势。

Equinix的首席信息官Milind Wagle拥有自己的“客户流失预测指标”。这个指标告诉他为什么账户正在转投阵营，以及他们将来是否有可能这样做。这些信息使数据中心服务提供商得以通过改善服务和规划未来可能的利用率，从而提高服务预订的准确性。他说：“我们正在改变思维——不再将分析视为事后报告，转而将商业智能嵌入到业务流程本身中”。通过微调，Wagle报告说，客户流失预测器的准确度接近90％。

Wagle将人工智能（AI）与分析结合使用，这并不罕见。凯捷（Capgemini）最近进行的一项研究表明，近1，000家使用人工智能的企业中，有近80％的企业将其用于数据分析，并因此获得了宝贵的洞察。尽管这看似一个很大的比重，但和我们交谈的大多数首席信息官都认为这是可信的。

MITRE的首席信息官兼首席安全官副总裁Joel Jacobs说：“我丝毫不感到惊讶。尽管我不相信人工智能的所有潜能都已经得到了挖掘，但大型组织已经意识到它的巨大潜力，这意义重大。”

机器学习以及居于其次的深度学习是可用于数据分析工作的人工智能的一个分支。机器学习（ML）通过对数据进行分类来工作（数据是数据分析的基本组成部分），从而实现了两者之间的自然协同。由于几乎所有东西都涉及业务数据，因此各种各样的用例遍地开花。

机器学习也是识别和编录非结构化数据（例如文档，图像和视频）以及暗数据（你从未访问过的信息，可能因为它是大数据的非结构化部分）的合适工具。大多数商业智能（BI）系统仍然需要结构化数据。Elsevier的执行副总裁兼首席技术官Dan Olley表示：“文档怎么办？图像怎么办？这就是机器学习的用武之地。它既可以从文档中提取信息，也可以创建能进一步变入索引的注释，机器学习是我们从可读材料中提取知识的关键手段。”

尽管人们已经有大数据XingKong Sports，但非结构化数据往往没有得到利用，因为在没有人工智能的时代，它很难得到利用。机器学习和较廉价的云计算能力的结合意味着某些类型的暗数据也唾手可得。近年来，使用非结构化数据和暗数据一直是推动机构学习的许多数据分析突破的动力。新数据的增加有时会带来新的视角。