Cloudera är GM i Machine Learning, Hilary Mason
När det gäller Artificiell Intelligens, branschen är i ett vägskäl av fascination kontra funktion. Vi är imponerad av tekniken, men ett antal styrkor är att konspirera för att minimera de framsteg vi gör, särskilt i Företaget. Det finns några människor där ute som vill försöka åtgärda detta. En av dem är Hilary Mason, Cloudera är GM för maskininlärning.
Mason var tidigare Chief Data Scientist på Bitly, då är grundare och VD för Snabbspolning Framåt Labs, som Cloudera förvärvade 2017. Medan Snabbspolning Framåt finns fortfarande en enhet av Cloudera och gör ett mycket viktigt arbete, Mason: s roll sätter henne på huvudet av AI på Cloudera generellt. Det är en mäktig plats att vara på, för ett par anledningar. En är att Cloudera s nyligen genomförda sammanslagningen med Hortonworks gör det till en obestridd ledare i data sjö/Hadoop/Spark/analytics världen. Kanske viktigare är dock att AI är en av företagets tre centrala fokuserar (de två andra är Kanten och Data Warehousing).
Verkställande yttrande
Med makten och de erfarenheter som kommer från hennes nuvarande och tidigare roller, Mason hjärnan är en av de bästa att plocka, för att få en känsla av hur tillämpas AI kommer, som en kommersiell ansträngning. Jag hade chansen nyligen att prata med Mason och göra just det. Och vad jag funnit är, medan Mason är verkligen optimistiska och glada om AI, hennes uppfattning är att, som en industri, som vi skulle kunna göra bättre.
Mason säger att folk är uppmärksamma på fel saker. Hon tror starkt på att vi satsar nästan uteslutande på att tekniken av AI och, som en följd av att vi misslyckas med att fokusera på vad AI faktiskt kan ge oss. I allmänhet, Mason säger att vi måste fokusera på “tråkiga” företag problem, som kuponger och anti-penningtvätt, och mindre på “coola” saker som robotar som talar till oss.
Två läger
Mer specifikt, Mason beskriver en något oroväckande segregationen i området.
Å ena sidan, AI världen har forskare, som gjort banbrytande, innovativa arbete, men ofta i det vakuum av den akademiska världen. Forskare ofta inte samarbeta med industrin tillräckligt, och ofta arbeta med en stabil pedagogiskt gemensamma datamängder som inte alltid översätta samt att företagens problem. Som sådan, mycket AI-forskning är instängd bort. Detta berövar Företag organisationer av forskare för innovativa framsteg, och avsaknaden av en bred mängd data som kommer från verkliga industriella problem som hämmar också de framsteg som forskare kan göra, även i sluten domän.
Industrin, å andra sidan, har sina egna problem. Så förälskad i AI, Företag organisationer ofta ta spendera en-första-plan-senare metoden. Och, inte att bootstrap-AI arbete på egen hand, de kan också delta nystartade företag att göra jobbet åt dem, av vilka många är inte särskilt stabil eller väl finansierad. Kombinationen leder till oacceptabelt höga projekt misslyckas priser, och även för projekt anses lyckat, resultat som ofta faller kort potential.
Bry lucka
FastForward-Lab (FF) uppdrag är att bidra till att överbrygga denna akademisk-industriell gap och prestanda underskott på varje sida. Ett sätt FF gör detta är genom att agera som konsulter som råder affärsresenärer på om deras uppgifter är av tillräcklig kvalitet för att gå vidare och bygga ML eller djupt lärande modeller. Om uppgifterna inte erbjuder tillräckligt med integritet och effektivitet, då FF kan hjälpa till att gälla banbrytande AI-från akademi till industri. FF publicerar också akademiska kaliber rapporterar att resultat från samtal med forskare och byggandet av prototyper som gäller forskarnas arbete med att bona fide-verksamhet sammanhang.
Kunder kan abonnera på dessa rapporter och engagera FF för att hjälpa dem att bygga ut en data-vetenskap organisation. I detta ingår att hjälpa kunder att rekrytera data scientist talang, och också för att fastställa prioriteringar och initiativ. FF kommer mentor kunder genom tidiga initiativ som kan visa på snabba resultat och stark AVKASTNING på investeringen, och får sedan gå vidare till mer sofistikerade arbete, med högre risk men också potentiellt högre värde. FF kommer även att göra maskininlärning utvecklingen för kunder, men alla med ett öga mot att hjälpa kunden få sin egen data science-gruppen kommer-och inte agerar som grupp på en entreprenad grund.
AI för resten av oss?
För de som inte kan delta FF, vad är några sätt att göra AI mer värdefull? Det har varit mycket prat på sistone om automatiserad maskin lärande (AutoML) som en “demokratisera” teknik. Och, naturligtvis, det finns massor av data vetenskap plattformar som finns idag, från olika företag, bland annat Cloudera.
Där gör Mason komma ner på sådan teknik? Till att börja med, hon förutspår AutoML kommer att bli standardiserad inom ett par år. Hon ser det mindre som ett verktyg för företag att göra AI, och mer som ett verktyg för ökad produktivitet för data forskare vars kompetens vi behöver fortfarande. Naturligtvis, Mason är en data scientist och kan ha något egenintresse i att synvinkel; AutoML förmodligen gynnar båda grupper, och kunna dra utvecklare.
Mason säger dagens verktyg är inriktade på tekniska data som forskare och som det inte vore nog – eftersom data ingenjörer och administratörer måste vara en del av ekvationen. Hon säger Cloudera ambitioner går väl förbi sin nuvarande Data Vetenskap Workbench erbjuder. Så kanske vi får se Cloudera stödja dessa andra AI arbetsbelastning, och kanske standardiserad AutoML teknik kommer att utövas.
Ombord med “tråkigt”
En sak är ganska klar men: om en av branschens främsta uppgifter forskare anser att vi har att lugna ner sig om tekniken i AI, då leverantörer och kunder borde fokusera mer på sin flitig och noggrann tillämpning, och mindre på dess glans och prestige.
Tidigt nystartade företag som normalt har en tuff tid att göra det, dock, så det kan vara upp till Clouderas, Microsoft, Amazon och Google i världen att driva oss vidare.
Relaterade Ämnen:
Big Data Analytics
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem