Cloudera GM di Machine Learning, Hilary Mason
Quando si tratta di Intelligenza Artificiale, il settore si trova in un crocevia di fascino rispetto a funzione. Siamo impressionati dalla tecnologia, ma un certo numero di forze stanno cospirando per ridurre al minimo i progressi che si stanno facendo, soprattutto in azienda. Ci sono alcune persone là fuori che sono ostinatamente cercando di affrontare questo. Uno di loro è Hilary Mason, Cloudera GM di Machine Learning.
Mason è stata in precedenza Capo Data Scientist presso Bitly, poi fondatore e CEO di Fast Forward Labs, che Cloudera acquisite nel 2017. Veloce, mentre in Avanti ancora esiste come unità di Cloudera e sta facendo un lavoro molto importante, Mason ruolo mette in testa di IA al Cloudera generale. Che un ottimo posto per essere, per un paio di motivi. Uno è che Cloudera recente fusione con Hortonworks rende un leader indiscusso dei dati lago/Hadoop/Scintilla/analytics mondo. Forse ancora più importante, però, è che l’AI è uno dei tre core si concentra (gli altri due sono il Bordo e il Data Warehousing).
Esecutivo parere
Con che sede di potenza e l’esperienza che deriva dal suo attuale e precedente ruoli, Mason cervello è uno dei migliori a prendere, al fine di ottenere un senso di come applicato AI sta andando, come un tentativo commerciale. Ho avuto occasione di recente di parlare per Muratore e non solo quella. E quello che ho scoperto è che, mentre Mason è veramente ottimista ed entusiasta di AI, il suo punto di vista è che, come industria, si potrebbe fare di meglio.
Mason dice che le persone stanno prestando attenzione alle cose sbagliate. Crede fortemente che ci stiamo concentrando quasi esclusivamente sulla tecnologia di intelligenza artificiale e, di conseguenza, non riusciamo a concentrarsi su ciò che si può effettivamente dare. In generale, Mason dice che abbiamo bisogno di concentrarsi su “noioso” problemi di business, come i buoni e anti-riciclaggio di denaro, e meno “cool” le cose, come i robot che parlare di noi.
Due campi
Più specificamente, Mason descrive un po ‘ allarmante la segregazione in campo.
Da un lato, l’IA mondo ha i suoi ricercatori, che stanno facendo un rivoluzionario, un lavoro innovativo, ma spesso nel vuoto del mondo accademico. I ricercatori spesso non sono in collaborazione con l’industria abbastanza, e spesso lavoro con una scuderia di pedagogicamente insiemi di dati comuni che non sempre si traducono per i problemi. Come tali, soprattutto AI lavori di ricerca è in clausura di distanza. Questo priva aziende di ricercatori progressi innovativi, e la mancanza di un’ampia varietà di dati provenienti dal mondo reale delle problematiche industriali inoltre ostacola il progresso, i ricercatori possono fare, anche in quello di clausura di dominio.
L’industria, invece, ha i suoi problemi. Così innamorato di AI, organizzazioni aziendali spesso prendere un trascorrere-primo-piano-di seguito approccio. E, in grado di bootstrap AI lavori in proprio, si può anche impegnarsi in start-up per fare il lavoro per loro, molti dei quali non sono particolarmente stabili o ben finanziati. La combinazione porta inaccettabili progetto tassi di guasto e, anche per progetti ritenuti di successo, i risultati che spesso cadono a corto di potenziale.
Minding the gap
FastForward Laboratorio (FF) missione è aiutare a colmare questa accademico-industriale gap e le prestazioni disavanzo di ciascun lato. Un modo FF questo non è agire come consulenti, che consigliano i clienti business, se i loro dati sono di qualità sufficiente per andare avanti e costruire ML o profonda modelli di apprendimento. Se i dati non offrono sufficiente integrità e l’efficacia, quindi FF può contribuire ad applicare il taglio AI margini del mondo accademico, dell’industria. FF pubblica anche accademici del calibro di rapporti che derivano da conversazioni con i ricercatori e la realizzazione di prototipi che si applicano i ricercatori’ opera di bona fide in contesti aziendali.
I clienti possono iscriversi a questi rapporti e di impegnarsi FF per aiutarli a costruire una scienza di dati organizzazione. Questo include aiutare i clienti a reclutare i dati scienziato di talento, e anche per determinare le priorità e le iniziative. FF vi insegnano i clienti attraverso le prime iniziative in grado di dimostrare risultati rapidi e forti ROI, e quindi può progredire in più sofisticato, con un rischio più alto ma anche più alto valore potenziale. FF faranno anche la macchina di apprendimento del lavoro di sviluppo per i clienti-ma tutti con un occhio verso aiutando il cliente a ottenere la sua casa data science di gruppo — e non agire come gruppo di outsourcing.
AI per il resto di noi?
Per chi non è in grado di coinvolgere FF, quali sono alcuni modi per rendere AI più fruibile? C’è stato un sacco di parlare ultimamente automatico (machine learning (AutoML) come una “democratizzazione” della tecnologia. E, naturalmente, ci sono un sacco di dati, la scienza piattaforme oggi disponibili, da varie aziende, tra cui Cloudera.
Da dove viene il Muratore scendere su tali tecnologie? Per cominciare, lei predice AutoML diventerà mercificati in pochi anni. Lei lo vede meno come uno strumento per gli utenti business fare AI, e di più come uno strumento di produttività per i dati di scienziati di cui competenze di cui abbiamo ancora bisogno. Naturalmente, Mason è un data scientist e può avere qualche interesse a che punto di vista; AutoML probabilmente le prestazioni di entrambi i gruppi, e potrebbero beneficiare gli sviluppatori.
Mason dice oggi utensili è orientata verso i dati tecnici e scienziati che non è sufficiente, in quanto i dati tecnici e gli amministratori devono essere parte dell’equazione, troppo. Lei dice Cloudera ambizioni di andare ben oltre la sua attuale Scienza di Dati Workbench offre. Così magari ci vediamo Cloudera supportare tali AI carichi di lavoro, e, forse, mercificati AutoML tecnologia potrà essere esercitata.
“On-board “noioso”
Una cosa è abbastanza chiara: se una delle aziende più importanti dati scienziati pensa che abbiamo per calmare la tecnologia di intelligenza artificiale, quindi i fornitori e i clienti dovrebbero concentrarsi di più sul suo prolifico e attento applicazione, e meno sulla sua brillantezza e di prestigio.
Early startup in genere hanno un tempo difficile fare che, però, quindi potrebbe essere fino al Clouderas, Microsoft, Amazzoni e Googles del mondo per spingerci più oltre.
Argomenti Correlati:
Big Data Analytics
La Trasformazione Digitale
CXO
Internet delle Cose
L’innovazione
Enterprise Software