扩展机器学习 满足企业需求

2018-09-20 09:15:19 文/信息化观察网 作者/编译

企业组织已经从机器学习实践中获得了好处,但是Forrester Research表示这些也只不过是冰山一角。

企业组织认识到AI和机器学习将在未来的业务中发挥关键性作用,并且根据去年阅读过的一些研究,他们正在对此进行投资,让研究中的未来变成现实中的未来。

但是我们需要如何做才能构建成功的AI和机器学习实践?我们需要如何做才能超越这一实践并将AI和机器学习工具真正整合到企业专家每天都要接触的业务中?我们如何才能使这些技术有望为企业的生命线提供竞争优势?

Forrester Wave的一些新的研究报告对预测性分析和机器学习工具进行了评估,并为未来成功的AI驱动的业务提供了蓝图。

Forrester发现很多公司已经开始在生产中使用这一技术。但是我们所接触的只不过是表面,并且在我们捕捉到这一潜力之前,还有很长的路要走。

Forrester分析师Mike Gualtieri和Kjell Carlsson在报告《2018年Q3多模态预测分析与机器学习解决方案》中写道:“如今,企业使用机器学习模型来识别客户流失、为追加销售或交叉销售提供建议、改变物流瓶颈、预测生产机械的故障以及其它的预测。”

“一些模型不仅很有价值,而且也很重要,但是和其它可能的情况相比,也只不过是沧海一粟,”他们写道:“企业有数十个、上百个甚至上千个应用和业务流程,能够从预测性模型中获益,但是目前无法实现。”

Forrester预计,在5年内,企业组织中的数据科学团队要比软件开发团队大很多。

企业如何开始扩展他们所做的努力和这些好处?Forrester表示,报告所评估的多模态工具则提供了在整个企业中使用这一工具的广度。

Forrester在报告中写道:这些工具提供了很多不同的用户界面,包括图形用户界面和一系列Workbench工具。数据科学家可以使用这些工具,并且“非数据科学家”也可以使用这些工具来构建数据管道、创建机器学习模型以及和数据科学家团队进行写作。

在企业中,数据科学家团队规模小且分散。

“为了支持企业用例的爆炸式增长,团队规模需要进一步扩大,同时预测性分析和机器学习工具需要支持这些团队以及公司人员、数据工程师、软件开发者和AI工程师等大型团体。”

Forrester预测:“大规模的机器学习自动化是数据科学的未来,因为它能够让数据团队的生产力成倍增长。”报告说CRISP-DM(跨行业数据挖掘标准流程)过于有序并过于手动迭代,因此无法执行该任务。

实现未来生产力的工具将包含一些其它的成分,他们也需要同软件开发和持续性的集成工具进行整合。这对于软件开发团队来说是很重要的,因为他们能够将其应用到设计、开发和应用部署中。其次,Forrester表示,这些工具必须跟上开源创新,如深度学习。供应商需要在发布后立即在其Workbence中提供新的开源库和现有库的更新版本。当前,很多团队被迫使用基于代码的解决方案,如数据科学笔记本(数据科学家最受欢迎的数据处理工具笔记本),当发布这些开源库的时候,能够快速访问这些库。

第二份报告《2018年Q3基于笔记本的预测性分析和机器学习解决方案》对这些数据科学笔记本工具进行了评估,这些工具关注的是R、Python或者其它语言编码,并使用开源Jupyter或者其它界面使编码和管理项目变得更加容易。

Forrester在明年计划发布第三份报告,来评估自动化预测分析和机器学习工具。

原文作者:Jessica Davis

免责声明:凡注明为其它来源的信息均转自其它平台,由网友自主投稿和发布、编辑整理上传,对此类作品本站仅提供交流平台,不为其版权负责。本网站对有关资料所引致的错误、不确或遗漏,概不负任何法律责任。如果您发现网站上有侵犯您的知识产权的作品,请与我们取得联系,我们会及时修改或删除。联系邮箱:leixiao@infoobs.