Nul
I år har vi haft mulighed for at chatte i dybden højt oppe data videnskabsmand totempæl på hvordan man kan operationalisere AI projekter. Vi har konstateret, at data videnskab er den grundlæggende byggesten. Vi har også fundet, at mens data og indsigt, er det brændstof, samarbejde og agility er fedt, smøremidler, der skinner. I sidste ende, at placerer en præmie på de mennesker og proces sider af AI-projekter. Spotlight kan være på de færdigheder, adgang til kraftig Gpu ‘ er, og de rammer for at udvikle de algoritmer.
Giovanni Romero, en partner, der er leder analytics og høring på Mindshare, et full service medie netværk, der er en del af WPP, har haft en forreste sæderække på, hvordan digitale udstødning har udvidet analytics-fodaftryk. Deres klient base – for det meste mærkevarer – har traditionelt været disintermediated fra forbrugeren, med feedback loops, der typisk kommer fra fokusgrupper eller undersøgelser, der kun samples befolkningen. Digital ændret alt dette, startende med clickstreams, som igen bragte målrettede digitale annoncer, der nu tegner sig for omkring halvdelen af alle de reklamer. Med det kom, ikke kun en direkte interaktion med forbrugerne, men også masser af data.
I annoncen tech og annonce rum, vi har set denne film en hel del, som data warehouses fik suppleret, eller i nogle tilfælde erstattes af en Hadoop klynge, og derefter til data søer med ubegrænset beregning og lagring i skyen. Og efter den hype, er der ingen, der ville blive kaldt statistikere eller data minearbejdere længere, så det blev en alder af data videnskabsmand.
Og som vi har bemærket, data, som forskerne nu vil machine learning eller AI på deres visitkort. Men som vi fandt i vores forskning, er det øjeblik, du begynder at erstatte de statiske data videnskab modeller med machine learning modeller, projektets livscyklus bliver en meget mere kompliceret. I modsætning til konventionelle data science projekter, tilføjer i machine learning eller AI tilføjer skridt som at få og mærkning uddannelse, tuning hyperparameters, og konstant overvågning, ikke kun den fysiske ydeevne, men resultaterne af modeller til at sikre alignment.
Også: Top 5: Måder, AI vil ændre business TechRepublic
Og, før vi glemmer, en anden ting: machine learning og AI projekter, der har brug for meget mere data. Og det betyder, at du formentlig har brug for mere bistand fra data ingeniører og udviklere, ikke kun for at få modeller, der anvendes, men også at indtage, omdanne, og sikre data. Data forskere får masser kørt ned i wrestling med data, hvis de får nok hjælp fra data ingeniører, forhåbentlig, at byrden vil skrumpe, at kun halvdelen af deres arbejde. Og så prøv at oversætte på den model som du har udviklet på din bærbare computer til fysisk skala i en klynge; lad os håbe, at det ikke udarte til et spil af telefon.
Og når dine data videnskab teams har brugt alle, at en indsats i opbygningen, udrulning og vedligeholdelse af ML-modeller, den sidste ting du vil have dem til at gøre, er at opfinde den dybe tallerken. Som en global organisation, Mindshare ‘s Romero så hold på deres mange kontorer bliver silo’ ed, ikke at lære af hinandens indsigt eller fejl, og i værste fald, overlapning af arbejde. Ironisk nok, den ubegrænsede ressourcer af cloud kan være med at forværre problemer, som nu, alle hold har adgang til alle de beregne og alle data. men de kan ikke umiddelbart deler notebooks.
Det er ikke overraskende, at i går til en stor data expo, en stor del af væksten i nystartede virksomheder har været med værktøjer, der kan hjælpe data videnskab teams samarbejde og få bedre styr på modellering livscyklus. Mindshare valgte Domino-Data Lab, som collaboration hub for deling af notebooks. I betragtning af den distribuerede natur af holdene, en af de største forhindringer var få af synkroniseret med Active Directory for at sikre en robust godkendelse.
Den anden hurdle er kulturelle. Af natur -, data-forskere er tilbøjelige til at være billedstormere, som du har brug for folk i stand til selvstændig tænkning. Det faktum, at der er flere sprog, modellering rammer, og tiltag er ikke bare en afspejling af, at der ikke er nogen one-size-fits-all løsning, men afspejler også det faktum, at data forskere har meget stærk loyalitet til deres værktøjer og sprog. Og så fravænning data forskere og udviklere fra deres laptops er en igangværende kamp for at Romero indrømmer, er stadig ikke slut endnu.
Skal læse
61% af virksomhederne har allerede gennemført AI (TechRepublic)
AI betyder en levetid på uddannelse (CNET)
Men et år til at vedtage Domino som deres samarbejde værktøj, Romero kan pege på fem programmer i produktion, og en bruger base, der er vokset til 2000, herunder data forskere, data, ingeniører, udviklere, såvel som generalist planlæggere og analytikere. For eksempel, er en af disse apps analyserer og forudsiger effektiviteten af forskellige visuelle billeder i annoncer. Han fortæller, at der er en anden 10-programmer nu i støbeskeen.
Den største lektie, efter at Romero er, at folk er lige så vigtigt som værktøj. Og det betyder, opmærksomhed, både for at ændre kulturen for at anspore til mere samarbejde, sammen med tekniske færdigheder, ikke kun til træning af praktiserende læger på sprog, nye rammer, eller teknikker til at udnytte den nyeste GPU-hardware, men også om, hvordan man kommunikerer effektivt. Og for praktiserende læger, for det betyder, at hjælpe dem til at forstå, hvordan modeller arbejde, så de kan, og ikke kun samarbejde med de data, som forskere, men også har realistiske forventninger.
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 et team effortStartup Slægt bringer splint af håb for AI i roboticsAI: udsigt fra Chief Data Videnskab OfficeIt er ikke er de job, AI er ødelæggende for at genere mig, det er dem, der er voksende
Relaterede Emner:
Kunstig Intelligens
Digital Transformation
Robotteknologi
Tingenes Internet
Innovation
Virksomhedens Software
0