ИИ - цель многих предприятий. Но организации необходимо машинное обучение, чтобы заниматься ИИ. И машинное обучение невозможно без аналитики. А аналитика невозможна без простой и элегантной инфраструктуры данных. Проще говоря, как уже было сказано, нет ИИ без ИА (информационной архитектуры). Успех в обеих областях чаще связан с культурой, чем с технологиями.
***
Культура - либо один из самых мощных активов компании, либо препятствие. У большинства предприятий нет культуры данных. Многие даже не подозревают, что им это нужно. По иронии судьбы, нынешняя культура организации часто мешает предприятию знать, что им нужна новая (то есть не может видеть лес из-за деревьев).
Я считаю, что самым большим препятствием для культуры данных является страх сложности. Бен Томпсон однажды написал: «Культура - это не то, что порождает успех, скорее, она является его продуктом». Если предприятие не имело видимого / существенного успеха с данными, как можно было ожидать, что оно сформирует культуру данных?
Чтобы превратить данные в конкурентное преимущество, компании должны посеять семена культуры данных с практическим подходом для достижения успешного результата. Другими словами, они должны позволить своей организации быстрее заниматься наукой о данных.
***
Однажды я слышал, что разница между проектом по науке о данных и проектом по разработке программного обеспечения заключается в том, что с первым вы понятия не имеете, будет ли он работать на самом деле. Даже если вы убежденный сторонник «быстрого провала», для многих это слишком много неизвестно. Большинство организаций, которые делают инвестиции, хотят иметь некоторое представление о том, как они будут получать прибыль от этих инвестиций. Я понимаю, что это не мантра Кремниевой долины, но большинство предприятий придерживаются другого стандарта рентабельности инвестиций, чем Кремниевая долина. Это не правильно или неправильно, это просто другое. Многие предприятия предпочитают высокую уверенность и умеренную прибыль более агрессивному подходу. В экономике мы называем это толерантностью к доходности с поправкой на риск.
По моим наблюдениям, большая часть времени, затрачиваемого на создание и развертывание машинного обучения, не тратится на алгоритмы и модели. Вместо этого они тратятся на самые рутинные задачи: подготовка данных, перемещение данных, извлечение функций и т. Д. Это необходимое зло и место, где находится наибольший риск в проекте по науке о данных; Мусор на входе / выходе приводит к низкой уверенности.
В каждой организации я вижу 2 проблемы:
1) Желание масштабно применить науку о данных и машинное обучение. Теперь и с уверенностью.
2) Намерение перейти в облако, чтобы ускорить цифровую трансформацию.
Начнем с предположения о больших наборах данных. Будь то общедоступное облако, частное облако, Hadoop, хранилище данных или другое, идеальное решение обеспечивает объединение всех типов данных и мест. Мы входим в мультиоблачный мир. С распределенным общим механизмом SQL это просто: несколько облаков действуют как одно.
Когда вы сможете легко получить доступ ко всем данным, следующая задача - применить науку о данных и машинное обучение: построение, обучение и развертывание моделей. А затем, через петли обратной связи, используя эти модели для прогнозирования и автоматизации ранее выполняемых вручную задач. По сути, это две причины сосредоточиться на науке о данных: прогнозирование и автоматизация.
Наконец, перейти в облако теперь так же просто, как щелкнуть кнопку. Благодаря общей кодовой базе в частном и общедоступном облаке можно легко перемещать данные и запускать приложения в любом удобном месте. Используя Data Science Experience, вы можете создавать модели в любом месте (частное или общедоступное облако) и развертывать их в любой среде. Ваши данные ограничены вашим воображением, а не вашим брандмауэром.
***
В основе ИИ лежит использование машинного обучения и методов глубокого обучения для создания приложений, основанных на данных. Каждая организация, стремящаяся к культуре данных, должна выбрать место для начала. Глубокое обучение сделает доступными данные, которых раньше не было; Если это создаст импульс с высокими шансами на успех, вам следует начать именно с этого. Для других организаций более качественные прогнозы и автоматизация создадут культуру данных. Независимо от того, какой путь вы выберете, цель одна: заниматься наукой о данных быстрее.
— — — — —
