Zero
Durante un briefing con Kimberly Nevala, direttore delle strategie di business SAS per questo pomeriggio, abbiamo scherzando ha posto la domanda perché non sono sprecare il loro tempo per interagire con i clienti sull’intelligenza artificiale (AI). L’argomento del suo discorso la scorsa settimana a Strati su una razionalizzazione del rischio con l’AI e la ML ha colpito un accordo con noi. Navala messaggio era che la comprensione di ciò che i tuoi modelli è possibile e non è la chiave per la guida ai per il successo nella vostra attività, con la sua presentazione che spiega come quantificare i vostri livelli di fiducia in AI e ML modelli.
Una delle nostre più leggere post era quello di un paio di mesi fa circa l’importanza di non dimenticare le persone e il processo durante l’esecuzione AI progetti. Negli ultimi mesi, abbiamo avuto la possibilità di parlare in profondità, con più di una dozzina di senior analytics e data science dirigenti per ottenere una migliore impugnatura sulla gestione delle persone e di processo AI progetti. In piena divulgazione, questo è stato un sondaggio sponsorizzato dalla Ovulo e Dataiku.
Anche: Cheat sheet: Come diventare un data scientist TechRepublic
Abbiamo mirato early adopter le organizzazioni che sono stati ben prima della curva con decine a centinaia di progetti in produzione. Dato che ogni organizzazione ha decine di scienziati dati o di più sulla loro personale, le intuizioni che abbiamo ricevuto riflette più di un secolo di personale anni di esperienza. Da lontano, il peso della loro AI progetti di apprendimento automatico.
Volevamo sapere, qual è stato l’impulso per AI, qual è stato il criterio per l’utilizzo AI, come il personale e la gestione dei progetti. Ma probabilmente la domanda più interessante è stato come AI progetti differiva dal più tradizionale scienza di dati.
Come abbiamo notato, non si può fare AI progetti senza i dati della scienza. Non tutti i dati della scienza progetti richiedono AI. Per esempio, se un modello di segmentazione della clientela per un mercato altamente stabile, come casa riscaldamento forniture di petrolio, probabilmente non richiedono un sacco di apprendimento automatico se si dispone di un quartiere con un alloggiamento stabile stock e dati demografici. Ma se si sta cercando di stare un passo avanti ai cyber-attacchi, machine learning o apprendimento profondo modelli potrebbe essere necessario a causa del continuo morphing minaccia.
Un altro presupposto di base con AI è il ruolo centrale, non solo di modelli, ma di dati. E perché AI modelli sono estremamente affamato di dati, errori nel set di dati di selezione o la qualità dei dati può facilmente palla di neve. Se la data è importante, per analytics, è anche giusto per AI modelli.
Così deve essere l’impulso per IA iniziare dall’alto verso il basso, o è più efficace per le idee di percolato fino dalle trincee? Data la composizione del gruppo di indagine, non deve sorprendere che nella maggior parte dei casi, l’ispirazione per la IA è venuto dal C suite. Ma questo non significa che il CEO di mandati sono l’unico modo per andare.
Anche: Il miglior linguaggio di programmazione per i dati che la scienza e la macchina di apprendimento
Per esempio, il reparto marketing di un fornitore di televisione via cavo, la cui attività si è trasformata attraverso l’acquisizione di includere reti di trasmissione e di produzione in studio realizzato che la relazione con il cliente stava cambiando. E così si guardò prescrittivo analytics come mezzo per aiutare i master di nuovi rapporti e di preservare la fedeltà, così come la relazione ampliato dalla connettività a fornitore di contenuti. Hanno sperimentato l’uso di AI in quella organizzazione.
Quando impiegare AI? Le risposte non sono stati sorprendenti. Nella maggior parte dei casi, è stato per i problemi di business che sono stati troppo complesso per l’uomo, da solo, per ottenere le braccia intorno e/o per il problema domini che sono costantemente in movimento obiettivi-come il mercato del gioco online, che è stato interrotto da una nuova offerta che si espande indirizzabile pubblico. IA è stata anche la risposta migliore, quando un problema domini sono altamente dinamico, in cui fare affidamento sulle persone a modificare i modelli sarebbe troppo dispendioso di tempo, si trovano con la cybersecurity esempio di cui sopra. AI sarebbe anche la soluzione giusta dove prescrittivo approcci in grado di offrire soluzioni che sono state in precedenza sfuggente come l’ottimizzazione manutenzione impianti; guidare gli agricoltori su dove, quando e quanta acqua e fertilizzare; o cosa fare per evitare che un cliente da sfornare.
Che cosa circa i dati che la scienza squadre, dovrebbe essere centrale, in base o incorporati nelle unità operative? Il verdetto è stato unanime qui. “È difficile per i ricercatori a capire il business anche se vivono in una bolla,” è un ritornello comune. Ma questo è dove si trova il più scollegate con la realtà si è verificato. Con i dati scienziati scarseggiano, stanno andando a vivere dove gli alti lavori di pagamento e il talento di vita, e che è più probabile per essere più vicino alla sede di ioni the boondocks.
Che è dove i dati scienziato abbiamo intervistato con un centro regionale di eccellenza globale per un assicuratore di cui la narrativa. Il CoE, capo della missione è stato il trasferimento di conoscenze. Si prevede, inoltre, una transizione in cui CoEs trasformarsi in consulenza interna organizzazioni che sono più mani su nella realizzazione dei progetti, ma anche attivamente di formazione formatore per un posto di lavoro o fare unità locali più autosufficienti.
Inoltre: L’intelligenza artificiale, machine learning e data science enigma: Chi gestirà gli algoritmi?
Ma andiamo al sodo. Se AI progetti richiedono i dati della scienza, si differenziano da dati di progetto di scienza. Il feedback che abbiamo ricevuto è stato per tutta la mappa. Alcuni afferma che le attività di sviluppo sono simili ma la fase di produzione è diverso, o che AI progetti coinvolgono spesso sconosciuto risultati (ma, si spera, che non è il caso per ” self-driving cars).
Il più grande elemento di differenziazione tra AI e i dati tradizionali progetti di scienza è che AI modelli a differenza dei modelli tradizionali, AI modelli dinamici. Il loro appetito per i dati è costante, e così si hanno le sfide del modello e i dati di drift che può lanciare un progetto di destinazione, o prendere in direzioni diverse, perché la realtà è cambiata. Tutto diventa un bersaglio in movimento, e quindi è necessario per gestire il cambiamento. Questo è molto diverso dall’impatto del cambiamento di gestione – il processo è quello dei pesi massimi per essere richiamato ogni volta che cambia il modello.
Le piste di controllo per la tracciabilità dei modelli attualmente sono imperfetti, ma in pratica il meglio che abbiamo scoperto era ora di stampaggio di dati. Parlando prima di un raduno di analisti all’inizio di quest’anno, il Dr. Jim Goodnight SAS ha espresso la sua preoccupazione riguardo AI modello di responsabilità. Modelli non riesce ancora a spiegare se stessi. Forse a un certo punto ci si potrebbe automatizzare il rilevamento di modelli, ma per ora, la gente deve giocare davanti e al centro, nel monitoraggio degli ingressi e delle uscite, contro le aspettative.
Argomenti Correlati:
Big Data Analytics
La Trasformazione Digitale
CXO
Internet delle Cose
L’innovazione
Enterprise Software
0