Cloudera ‘ s GM van Machine Learning, Hilary Mason
Als het gaat om Kunstmatige Intelligentie, de industrie is op een kruispunt van fascinatie tegenover functie. We zijn onder de indruk van de technologie, maar een aantal krachten zijn een samenzwering om het minimaliseren van de vooruitgang die we maken, vooral in de Onderneming. Er zijn een paar mensen die er zijn die weet zeker proberen om dit aan te pakken. Een van hen is Hilary Mason, Cloudera ‘ s GM van Machine Learning.
Mason was voorheen Chief Data Scientist bij Bitly, dan is oprichter en CEO van Fast Forward Labs, die Cloudera verworven in 2017. Tijdens het Snel Vooruit bestaat nog steeds als een eenheid van Cloudera en doet heel belangrijk werk, Mason ‘ s rol zet haar op het hoofd van AI bij Cloudera in het algemeen. Dat is een krachtige plek om te zijn, voor een paar redenen. Is dat Cloudera de recente fusie met Hortonworks maakt het een onbetwiste leider in de gegevens meer/Hadoop/Spark/analytics wereld. Misschien nog belangrijker, hoewel, is dat de AI is een van de drie speerpunten (de andere twee zijn de Rand-en Data-Opslag).
College van advies
Met die zetel van de macht en de ervaring die afkomstig is van haar huidige en vorige rollen, Mason ‘ s hersenen is een van de beste te kiezen, in volgorde om een idee te krijgen van hoe toegepast AI gaat, als een commerciële inspanning. Ik had de kans onlangs praten Mason en dat ook te doen. En wat ik ontdekte is, terwijl Mason is echt optimistisch en enthousiast over AI, haar visie is dat, als een industrie, konden we het beter doen.
Mason zegt dat de mensen aandacht aan de verkeerde dingen. Ze gelooft sterk dat we richten zich bijna uitsluitend op de technologie van AI en, als gevolg, dat we niet te concentreren op wat de AI kan bieden ons. In het algemeen, Mason zegt dat wij ons moeten focussen op “saai” business problemen, zoals coupons en anti-witwassen van geld, en minder op het “coole” dingen, zoals robots die met ons praten.
Twee kampen
Meer specifiek, Metselaar beschrijft een enigszins alarmerende segregatie in het veld.
Aan de ene kant, de AI wereld zijn onderzoekers, die doen baanbrekende, innovatieve werk, maar vaak ook in het vacuüm van de academische wereld. Onderzoekers zijn vaak niet samen met de industrie genoeg, en werken vaak met een stal van de pedagogisch common gegevenssets die niet altijd goed te vertalen naar business problemen. Als zodanig, veel AI-onderzoek is gesloten afstand. Dit ontneemt Enterprise organisaties van onderzoekers innovatieve ontwikkelingen, en het ontbreken van een breed scala van gegevens uit de echte wereld van de industriële problemen ook belemmert de voortgang onderzoekers kunnen maken, zelfs in die afgezonderd domein.
De industrie, aan de andere kant, heeft zijn eigen problemen. Zo gecharmeerd van AI, Enterprise organisaties nemen vaak een breng-eerste-plan-later aanpak. En, niet in staat om de bootstrap de AI werken op hun eigen zijn, kunnen ze ook gaan startups doen het werk voor hen, veel van die zijn niet bijzonder stabiel of goed gefinancierd. De combinatie leidt tot een onaanvaardbaar hoge mislukken van een project en tarieven, zelfs voor projecten geacht succesvol te zijn, resulteert dat vaak te kort van potentieel.
Verzorging van de kloof
Vooruitspoelen Lab (FF) missie is om te helpen overbruggen van dit academisch-industriële kloof en de prestaties tekort aan elke kant. Een manier FF doet dit door op te treden als adviseurs, die adviseren van zakelijke klanten op de vraag of hun gegevens van voldoende kwaliteit is om vooruit te gaan en op te bouwen ML of diep leren modellen. Als de gegevens niet voldoende integriteit en doeltreffendheid, dan FF kunnen helpen toepassing cutting edge AI uit de academische wereld, de industrie. FF ook publiceert wetenschappelijke kaliber rapporten die het resultaat van gesprekken met onderzoekers en het bouwen van prototypes die de onderzoekers werken aan bonafide zakelijke context.
Klanten kunnen zich abonneren op deze rapporten en gaan FF om hen te helpen bouwen van een data science organisatie. Dit omvat het helpen van klanten werven gegevens wetenschapper talent, en ook om prioriteiten te stellen en initiatieven. FF mentor klanten door middel van vroege initiatieven die kunnen aantonen snelle resultaten en een hoog rendement, en kan vervolgens, vooruitgang in meer verfijnde werk, met een hoger risico, maar ook een hogere potentiële waarde. FF nog doen machine learning ontwikkeling werken voor klanten — maar alles met het oog op het helpen van de klant voor de in-house data science group gaan — en niet handelt als die groep op een uitbestede basis.
AI voor de rest van ons?
Voor diegenen die niet kunnen gaan FF, wat zijn een aantal manieren om AI meer bruikbaar? Er is al veel gepraat de laatste tijd over geautomatiseerde machine learning (AutoML) als een “democratisering” technologie. En natuurlijk, er zijn veel van de data science platforms die vandaag beschikbaar zijn, van verschillende bedrijven, met inbegrip van Cloudera.
Waar komt Mason naar beneden komen op dergelijke technologieën? Om te beginnen met, voorspelt ze dat AutoML zal worden gestandaardiseerde binnen een paar jaar. Ze ziet het meer als een instrument voor zakelijke gebruikers AI, en meer als een hulpmiddel voor de productiviteit voor gegevens wetenschappers wier vaardigheden die we nog nodig zullen hebben. Natuurlijk, Mason is een wetenschapper en zijn mogelijk een aantal gevestigde belangen op de in dat punt van mening; AutoML waarschijnlijk voordelen van beide groepen, en het zou een voordeel kunnen ontwikkelaars.
Mason zegt de huidige tooling is gericht op technische gegevens wetenschappers en dat dat niet genoeg is – sinds gegevens engineers en beheerders nodig om een deel van de vergelijking, ook. Ze zegt Cloudera ‘ s ambities gaan goed voorbij de huidige Gegevens Wetenschap Werkbank biedt. Dus misschien zien we Cloudera ondersteuning van deze andere AI workloads, en misschien is dat gestandaardiseerde AutoML technologie zal worden ingebracht.
Op het bord met “saaie”
Een ding is wel duidelijk: als één van de industrie de belangrijkste gegevens wetenschappers denkt dat we hebben om te kalmeren over de technologie van de AI, dan leveranciers en klanten moeten zich meer concentreren op de productieve en zorgvuldige toepassing, en minder op haar glans en prestige.
Vroege starters hebben meestal een harde tijd om dat te doen, hoewel, dus kan het zijn dat de Clouderas, Microsofts, Amazones en Googles van de wereld te duwen ons verder mee.
Verwante Onderwerpen:
Big Data Analytics
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software