Cloudera er GM i Machine Learning, Hilary Mason
Når det kommer til Kunstig Intelligens, branchen står ved en korsvej af fascination versus funktion. Vi er imponeret af den teknologi, men en række styrker er at konspirere for at minimere de fremskridt, vi laver, især i Virksomheden. Der er et par mennesker, der stædigt forsøger at løse dette. En af dem er Hilary Mason, Cloudera er GM i Machine Learning.
Mason var tidligere Chef Data Forsker ved Bitly, så er grundlægger og CEO for Hurtigt Frem Labs, som Cloudera erhvervet i 2017. Under Hurtig Frem-stadig eksisterer som en enhed af Cloudera, og gør et meget vigtigt arbejde, Mason ‘ s rolle sætter hende på hovedet af AI på Cloudera samlet. Det er et stærkt sted at være, for et par grunde. Den ene er, at Cloudera ‘ s nylige fusion med Hortonworks gør det til en ubestridt leder i data sø/Hadoop/Spark/analytics verden. Måske mere vigtigt, dog, er, at AI er en af selskabets tre centrale fokus (de andre to er den Kant, og Data Warehousing).
Executive udtalelse
Med sæde af magt og den erfaring, der kommer fra hendes nuværende og tidligere roller, Mason ‘ s hjerne er en af de bedste til at vælge, for at få en fornemmelse af, hvordan de anvendes AI kommer, som en kommerciel indsats. Jeg havde chancen for at tale med Mason og gøre netop det. Og hvad jeg har fundet ud af er, mens Mason er virkelig optimistisk og spændt på om AI, hendes opfattelse er, at, som en industri, vi kunne gøre bedre.
Mason siger, at folk er opmærksomme på de forkerte ting. Hun er overbevist om, at vi fokuserer næsten udelukkende på den teknologi, AI, og som et resultat, vi er ikke at fokusere på, hvad AI rent faktisk kan give os. Generelt, Mason siger, at vi er nødt til at fokusere på “kedelige” business-problemer, ligesom kuponer og anti-hvidvaskning af penge, og mindre på “cool” ting, som robotter, der taler til os.
To lejre
Mere specifikt, Mason beskriver en noget alarmerende adskillelse i området.
På den ene side, AI verden har sin forskere, der laver banebrydende, innovative arbejde, men ofte i vakuum af den akademiske verden. Forskere ofte ikke samarbejder med industrien nok, og arbejder ofte med en stabil af pædagogisk fælles datasæt, der ikke altid oversætte til erhvervslivets problemer. Som sådan, mange AI-forskning er afsondret derfra. Dette fratager Virksomheden organisationer, forskere’ innovative fremskridt, og manglen på en bred vifte af data, der kommer fra den virkelige verden industrielle problemer hæmmer også de fremskridt, forskerne kan foretage, selv i, at afsondret domæne.
Industri, på den anden side, har sine egne problemer. Så begejstret for AI, Enterprise organisationer ofte tage et bruger-første-plan-senere tilgang. Og, ude af stand til at bootstrap AI arbejde på deres egne, kan de også deltage nystartede virksomheder til at gøre arbejdet for dem, hvoraf mange ikke er særlig stabil eller kapitalstærke. Kombinationen fører til en uacceptabel høj projekt fiasko satser, og endda til projekter, der anses for en succes, resultater, der ofte kommer til kort over for potentielle.
Pasning af hullet
FastForward Lab ‘ s (FR) mission er at hjælpe med at bygge bro over denne akademiske-og industrielle hul og ydeevne underskud på hver side. En måde FF gør dette på er ved at fungere som konsulenter, der rådgiver erhvervskunder om, hvorvidt deres data er af tilstrækkelig kvalitet til at gå fremad og bygge ML eller dyb læring modeller. Hvis data ikke tilbyde tilstrækkelig integritet og effektivitet, så FF kan hjælpe gælder banebrydende AI-fra den akademiske verden, industrien. FF udgiver også akademiske kaliber rapporter, der stammer fra samtaler med forskere og opbygning af prototyper, der gælder forskernes arbejde til bona fide forretningsmæssige sammenhænge.
Kunder kan abonnere på disse rapporter og engagere FF for at hjælpe dem med at opbygge et data videnskab organisation. Dette omfatter at hjælpe kunder med at rekruttere data videnskabsmand talent, og også for at afgøre, prioriteringer og initiativer. FF vil vejlede kunder gennem tidlig initiativer, der kan vise hurtige resultater og stærke INVESTERINGSAFKAST, og kan derefter gå videre til mere avancerede arbejde, med højere risiko, men også en større potentiel værdi. FF vil selv gøre machine learning udviklingsarbejde for kunder, — men alle med et øje mod at hjælpe kunden med at få sine in-house data science group hen — og ikke optræder som, at gruppen på en udliciteret grundlag.
AI for resten af os?
For dem, der er i stand til at deltage FF, hvad er nogle måder at gøre AI mere handlingsorienteret? Der har været masser af snak på det seneste om automatiseret machine learning (AutoML) som en “demokratisere” teknologi. Og, selvfølgelig, der er masser af data videnskab platforme til rådighed i dag, fra forskellige firmaer, herunder Cloudera.
Hvor er Mason kommer ned på sådanne teknologier? Til at begynde med, hun forudsiger AutoML vil blive commoditized inden for få år. Hun ser det mindre som et redskab for business-brugere til at gøre AI, og mere som en produktivitet værktøj til data-forskere, hvis kompetencer vi vil stadig have behov for. Selvfølgelig, Mason er en data-videnskabsmand og kan have en vis interesse i, at synspunkt; AutoML nok fordele for begge grupper, og vil kunne drage udviklere så godt.
Mason siger i dag-værktøjer er rettet mod tekniske data forskere, og at det ikke er nok – da data ingeniører og admins er nødt til at være en del af ligningen. Hun siger Cloudera ‘ s ambitioner går godt forbi sin nuværende Data Videnskab Workbench tilbyder. Så måske vil vi se Cloudera støtte disse andre AI arbejdspres, og måske commoditized AutoML teknologi vil blive bragt til at bære så godt.
On-board med “kedeligt”
En ting er temmelig klart selv: hvis en af branchens førende data forskere mener, at vi er nødt til at falde til ro om den teknologi, AI, så leverandører og kunder bør fokusere mere på sin flittig og omhyggelig anvendelse, og mindre på sin glans og prestige.
Tidligt nystartede virksomheder typisk har en hård tid at gøre det, men så kan det være op til den Clouderas, Microsofts, Amazons og Googles af verden til at skubbe os videre.
Relaterede Emner:
Big Data Analytics
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software