Для руководителя, отвечающего за стратегию данных на уровне предприятия, понятно намерение интегрировать ресурсы, включая специалистов по данным, ИТ-отделы и алгоритмы машинного обучения. Интуитивно понятный способ — связать специалистов по данным и ИТ-отделы с конкретными алгоритмами машинного обучения и, наконец, создать категорию корпоративного машинного обучения. Здесь я объясню ловушки в такой категории машинного обучения. В рамках предприятия может существовать множество..

Одним из самых ожидаемых событий каждого года является выступление доктора Вернера Фогельса на ежегодной конференции AWS Reinvent. Как технический директор Amazon, д-р Фогельс оказывает значительное влияние на разработку продуктов и технических инноваций, которые напрямую влияют на сотни миллионов пользователей и разработчиков . Вот три вывода из выступления доктора Фогельса в этом году. Облачная мощь терпит неудачу Д-р Фогельс привел многочисленные примеры чистой мощности и..

За последние 3 года произошел взрывной рост интересных корпоративных приложений искусственного интеллекта, и большая часть этого ажиотажа заслужена. Руководители предприятий обращают внимание на привлекательные приложения ИИ для решения любых задач, от автоматизации процессов до прогнозирования оттока и рекомендаций для представителей сервисных служб. Хотя я с пониманием отношусь к интересам руководителей в реализации обещания конкурентного преимущества в черном ящике, легко упустить менее..

Узнайте о новом подходе DataOps, необходимом для поддержки усилий по машинному обучению Добро пожаловать во вторую часть нашей мини-серии Окончательный отчет об операциях с данными за 2018 год ! Каждый год мы берем отчет и разбиваем его на мини-серию блогов, чтобы лучше понять каждый раздел отчета. На этой неделе мы обсуждаем структуры групп данных и необходимость найма в DataOps для поддержки машинного обучения и искусственного интеллекта. Об опросе Каждый год Nexla опрашивает..

Как выбрать между DataOps, MLOps и AIOps? Какие операции подходят вашей команде по работе с большими данными? Два года назад я заработал свой позорный знак за то, что руководил неэффективной операцией. Я имею опыт работы в области науки о данных и машинного обучения, поэтому, конечно же, мы узнали о DevOps от наших коллег-инженеров. По крайней мере, мы так думали. В то время это было для нас необъяснимо, так как наши специалисты по данным сидели рядом с инженерами по данным. Мы..

В предыдущих постах Жаклин и Хизер из моей команды описали, как мы смогли перейти от исследовательского анализа и моделирования в R к службам вывода производственной информации в R с использованием докер-контейнеров . Net - меньше переделок и меньше возможностей для ошибок, чем у других наших альтернатив, и более короткое время цикла загрузки! Data Scientists и DevOps счастливы, и это огромная победа. Мы масштабно применяем машинное обучение для поддержки текущей критически..