Nul
Det er ingen hemmelighed, at data forskere fortsætte med at være blandt de mest eftertragtede fagfolk i DET hele. Som organisationer fortsætter med at lede efter måder at få værdi og indsigt fra deres data, er disse mennesker, at de ofte henvende sig til for at få mening ud af alle de oplysninger, der strømmer ind i deres systemer fra et stigende antal af kilder.
Også: AI, machine learning, og data videnskab gåde
De gode nyheder for virksomheder, der er desperat for at finde disse nødvendige færdigheder er, at data videnskab er ved at blive “demokratiseret”, som vil hjælpe med at bygge bro talent hul.
Fem faktorer er med til at demokratisere data videnskab og sætte denne kritiske kapacitet i hænderne på flere fagfolk, og som potentielt kan afhjælpe den lammende talent mangel, ifølge en rapport offentliggjort i dag fra konsulentfirmaet Deloitte.
Automatiseret machine learning. Nogle beregninger viser, at data, som forskere bruger omkring 80 procent af deres tid på gentagne og kedelige opgaver — data forberedelse, funktion, teknik og udvalg, og algoritme valg og vurdering-der kan være helt eller delvist automatiseret.
Både etablerede leverandører og nystartede virksomheder har indført værktøjer og teknikker, der er designet til at automatisere opgaver. Automatisere arbejdet af data kan forskerne gøre dem mere produktive og effektive, virksomheden siger, og organisationer kan gøre en aggressiv brug af data science automatisering til at styrke og udnytte overtegnet talent.
Applikationsudvikling uden kodning. Lav-kode og kode for udvikling af software-platforme, der giver grafiske brugergrænseflader, træk-og-slip-moduler, og andre brugervenlige funktioner, der kan hjælpe DET så godt som ikke-tekniske medarbejdere til at fremskynde udvikling og levering af kunstig intelligens (AI) applikationer.
Virksomheden giver som eksempel sælgere, der bruger en ikke-koden platform til at skabe en machine learning-baseret værktøj til at produktets henstillinger til kunder, baseret på cross-buy-muligheder. Sådanne platforme kan potentielt gøre softwareudvikling 10 gange hurtigere end traditionelle metoder, ifølge rapporten.
Pre-uddannet AI modeller. Som Deloitte påpeger, at opbygge og oplære machine learning moduler er en af de vigtigste aktivitet af data forskere. Nogle software-leverandører har lanceret pre-uddannet AI modeller, “effektivt emballage machine learning ekspertise og gøre det til produkter,” hedder det i rapporten. Disse produkter kan skære den tid og indsats for uddannelse, eller selv begynde at producere specifikke indsigter med det samme.
Self-service-data i analytics. Erhvervslivet og andre ikke-tekniske brugere har værktøjer til rådighed, der kan levere data-baseret indsigt uden at inddrage analytics specialister såsom data forskere. Self-service-analytics-værktøjer, der tilbydes af mange business intelligence (BI) – og analytics-leverandører nu omfatter funktioner til at forøge data analytics og opdagelse.
Nogle af dem automatisere processen af udvikling og anvendelse af machine learning-modeller, og funktioner som naturlige sprog søge og søge, visuelle data opdagelse, og naturligt sprog generation kan hjælpe brugerne automatisk finde, visualisere, og fortælle data undersøgelsesresultater som undtagelser, klynger, links og forudsigelser. Dette gør det muligt for business-brugere til at udføre komplekse data, analyse og få hurtig adgang til skræddersyede indsigt uden at være afhængig af data forskere.
Skal læse
I fremtiden, ikke engang dit DNA være hellige (CNET) 10 top data videnskab og analytics uddannelser (TechRepublic)
Accelereret læring. Der har været en spredning af data videnskab og AI-relaterede kurser og boot camps, rapporten sagde. Disse programmer er rettet mod fagfolk, der er i besiddelse af grundlæggende matematik og kodning baggrund, og de kan formidle grundlæggende data videnskab færdigheder i en periode, der spænder fra et par dage til et par måneder. Sådanne kurser er designet til at gøre det muligt for fagfolk at bringe de grundlæggende data, naturvidenskabelige evner til projekter hurtigt.
Tidligere og relaterede dækning:
Hvad er AI? Alt, hvad du behøver at vide
En executive guide til kunstig intelligens, fra machine learning og generelt AI til neurale netværk.
Hvad er dyb læring? Alt, hvad du behøver at vide
Den lowdown på en dyb læring: fra hvordan det relaterer til det bredere felt af machine learning igennem til, hvordan du kommer i gang med det.
Hvad er machine learning? Alt, hvad du behøver at vide
Denne vejledning forklarer, hvad machine learning er, hvordan det er relateret til kunstig intelligens, hvordan det fungerer, og hvorfor det er vigtigt.
Hvad er cloud computing? Alt, hvad du behøver at vide om
En introduktion til cloud computing-lige fra det grundlæggende op til IaaS og PaaS, hybrid, offentlige og private cloud.
Relaterede historier:
Der er ingen rolle for AI eller data videnskab: dette er en holdindsats Start Slægt bringer splint af håb for AI i robotteknologi AI: udsigt fra Chief Data Videnskab OfficeThe bedste programmeringssprog til data scienceThe data videnskab liv: Intuit ‘ s Ashok Srivastava på AI Det er ikke er de job, AI er ødelæggende for at genere mig, det er dem, der er voksende
Relaterede Emner:
Big Data Analytics
CXO
Digital Transformation
Tech-Branchen
Intelligente Byer
Cloud
0