Noll
Detta år har vi haft chansen att chatta på djupet högt upp data scientist totempåle på hur man operationaliserar AI-projekt. Vi har funnit att data vetenskap är den grundläggande byggstenen. Vi har också funnit att, medan data och insikt är bränsle, samarbete och flexibilitet är smörjmedel som fett medar. I slutändan, som placerar en premie på människor och processen sidor av AI-projekt. Rampljuset kan vara på den kompetens, tillgång till kraftfull Gpu, och de ramar för att utveckla algoritmer.
Giovanni Romero, en partner som leder analytics och samråd på Mindshare, en full service media nätverk som är en del av WPP, har haft första parkett på hur digitala avgaserna har expanderat analytics fotavtryck. Deras kundbas – mestadels varumärken – har traditionellt varit disintermediated från konsumenten, med återkopplingar vanligtvis kommer från fokusgrupper eller enkäter för att bara provtas befolkningen. Digital förändrat allt detta, till att börja med clickstreams, som i sin tur förde riktade digitala annonser som nu står för omkring hälften av all reklam. Med den kom, inte bara direkt interaktion med konsumenterna, men också massor av data.
I ad tech och reklam utrymmen, vi har sett den här filmen en hel del, som datalager fick kompletteras, eller i vissa fall ersättas av ett Hadoop-kluster, och sedan till data sjöar med obegränsad beräkna och lagring i molnet. Och efter hype, ingen ville bli kallad, statistiker eller data gruvarbetare längre, så det blev en ålder av data scientist.
Och som vi har noterat, data forskare nu vill maskininlärning eller AI på deras visitkort. Men som vi funnit i vår forskning, i det ögonblick du börja byta ut de statiska data vetenskap modeller med modeller, projektets livscykel blir en mycket mer komplicerad. Till skillnad från konventionell vetenskap projekt, lägga till i maskininlärning eller AI lägger åtgärder som att få och märkning utbildning, tuning hyperparameters, och konstant övervakning, inte bara den fysiska prestationen, men resultaten av modeller för att se till anpassning.
Även: Topp 5: Sätt AI kommer att förändra verksamheten TechRepublic
Och innan vi glömmer, en annan sak: maskininlärning och AI-projekt behöver en mycket mer data. Och det innebär att du förmodligen kommer att behöva mer hjälp från data ingenjörer och utvecklare, inte bara för att få modeller användas, men också för att få i sig, förändra, och säkra data. Data för forskare att få massor fastna i brottning med data, om de får tillräckligt med hjälp från data ingenjörer, hoppas att den bördan kommer att krympa till endast hälften av deras arbete. Och försök sedan att översätta den modell som du utvecklas på din bärbara dator för att fysiskt skala i ett kluster, låt oss hoppas att det inte urartar till ett spel av telefon.
Och när din data vetenskap lag har förbrukat alla som satsning på att bygga, driftsätta och underhålla ML-modeller, är det sista du vill göra är att uppfinna hjulet på nytt. Som en global organisation, Mindshare är Romero såg team på deras många kontor att få silo ‘ ed, att inte lära sig av varandras insikter eller misstag, och i värsta fall, att dubbelarbete. Ironiskt nog, de obegränsade resurser i molnet kan vara förvärrar problem, som nu, alla lag har tillgång till alla de beräkna och alla data. men de kan inte gärna dela anteckningsböcker.
Det är inte förvånande att gå till en big data-expo, en stor del av tillväxten i nystartade företag har varit med verktyg som kan hjälpa data vetenskap lag samarbeta och få bättre grepp om modellering livscykel. Mindshare valde Domino Data Lab samarbetet nav för att dela anteckningsböcker. Med tanke på den distribuerade karaktären av lag, ett av de största hindren var att få verktyg sync ‘ ed med Active Directory för att säkerställa en robust autentisering.
Det andra hindret handlar om kultur. Av naturen, data forskare sannolikt kommer att vara ikonoklaster, som du behöver människor som kan oberoende trodde. Det faktum att det finns flera språk, modellering ramar och strategier är inte bara en reflektion är att det finns ingen one-size-fits-all-lösning, men det speglar också det faktum att data forskare har en mycket stark lojalitet till sina verktyg och språk. Och så avvänjning data forskare och utvecklare av deras bärbara datorer är en ständig kamp att Romero medger är fortfarande inte över ännu.
Måste läsa
61% av företagen har redan genomförts AI (TechRepublic)
AI innebär en livstid av träning (CNET)
Men ett år till antagande av Domino som deras verktyg samarbete Romero kan peka på fem tillämpningar i produktion och en användarbas som har vuxit till 2000, inklusive data forskare, data ingenjörer, utvecklare, samt generalist-planerare och analytiker. Till exempel, en av dessa apps analyserar och förutser effektiviteten av olika visuella bilder i annonser. Han berättar att det finns ytterligare 10 program nu på gång.
Den största lärdomen enligt Romero är att människor är lika viktiga som verktyg. Och det innebär uppmärksamhet, både för att förändra kultur för att stimulera samarbete, tillsammans med teknisk kompetens, inte bara för utbildning av läkare på språk, nya ramar, eller tekniker för att utnyttja den nyaste GPU hårdvara, men också om hur man kommunicerar på ett effektivt sätt. Och för praktiker, det innebär att hjälpa dem att förstå hur modeller arbete så att de kan, inte bara samarbeta med uppgifter som forskare, men även ha realistiska förväntningar.
Tidigare och relaterade täckning:
Vad är AI? Allt du behöver veta
En verkställande guide till artificiell intelligens, från maskininlärning och allmänna AI att neurala nätverk.
Vad är djupt lärande? Allt du behöver veta
Lowdown på djupt lärande: från hur det förhåller sig till de bredare fält av maskinen lärande genom hur man kommer igång med det.
Vad är lärande? Allt du behöver veta
Denna guide förklarar vad lärande är, hur den är relaterad till artificiell intelligens, hur det fungerar och varför det är viktigt.
Vad är cloud computing? Allt du behöver veta om
En introduktion till cloud computing rätt från grunderna upp till IaaS och PaaS, hybrid, offentliga och privata moln.
Relaterade artiklar:
Det finns ingen roll för AI eller data vetenskap: detta är en grupp effortStartup Släkt ger strimma av hopp för AI i roboticsAI: vy från Chief Data Vetenskap OfficeIt är inte jobb AI är förstört som stör mig, det är de som växer
Relaterade Ämnen:
Artificiell Intelligens
Digital Omvandling
Robotteknik
Sakernas Internet
Innovation
Affärssystem
0