博客人工智能和机器学习是每个行业的未来，尤其是数据和分析。在与人工智能一起成长的过程中，我们帮助您跟上这项开创性技术改变世界的所有方式。使用人工智能处理巨大的数据集让我们来谈谈人工智能和机器学习（ML）。贵公司是否有使用这些创新的工具和流程？或者你只是说你有他们？""人工智能洗涤"是当今科技公司的一个令人不安的趋势，他们（正确地）确定人工智能将是下一代技术的决定因素，但实际上没有人工智能的马力来支持他们的产品、服务或索赔。他们给他们的产品加上了"人工智能驱动"或"人工智能增强"这样的术语，希望这足以让客户保持参与度。"人工智能清洗"是当今科技公司的一个令人不安的趋势，他们将人工智能语言应用到产品或服务上，但实际上却没有人工智能的马力来支持自己的主张。然而，当涉及到处理大量数据集时，一半的度量标准并不能解决这个问题。数据正以惊人的速度增长，而且这不会很快停止。许多公司已经拥有如此庞大的数据集，以至于人类不可能单独处理它们。AI和ML是从海量数据湖、云本地数据仓库和其他巨大的信息存储中获取价值的唯一途径。这既是一个令人生畏的挑战，也是一个鼓舞人心的机会，因为有效地使用AI和ML可以减少大约80%的数据准备工作（烦人的日常工作），剩下的20%则留给人类去处理，即实际的建模和优化。克服你和收入之间的障碍一旦你的数据准备好进行分析，下一个问题是：人工智能还能帮你什么忙？在人工智能和分析界，有一种信念，即数据战略的圣杯是将企业可能提出的每一个问题（战略、战术和操作）转化为人工智能系统能够理解的需求的能力。然后，人工智能将进入数据，找到各自的答案，并用即使是非技术团队成员也能处理的易于消化的语言提供给他们。"向ML提出业务问题"这个简单的目标将极大地改变商业世界，允许任何技术水平的用户毫不费力地从他们的数据中获得深刻的见解。然而，这一彻底的范式转变将需要无数人工智能专家的努力，以应对业界尚未解决的挑战。只是没有足够的人工智能和数据科学从业者去实现这个崇高的目标。Gartner最近的一份报告估计，"到2020年，50%的组织将缺乏足够的人工智能和数据素养技能来实现商业价值。"将这一指标应用于任何其他业务关键职能部门。你能想象，如果50%的公司没有编码员或销售代表或其他任何重要的角色来保持照明？这会被认为是危机和紧急情况。这就是人工智能的状态。人工智能元素在美国的应用预计将增加近三倍，而人工智能专家的总体供应量将远远低于需求量。说到需求，短期内人工智能的成功还有另一个障碍。与数据科学/人工智能团队相比，业务团队正在从其人工智能实用程序（盈利能力、可持续性、品牌、客户等）中寻找非常具体的战术见解，数据科学/人工智能团队对包括自然语言处理、计算机视觉、光学字符识别和神经网络等在内的战略改进更感兴趣。更复杂的是，研究和开发小组专注于诸如可伸缩性、安全性、可靠性和性能等基本问题。这些不同团队之间的交流，每个团队都有自己的目标和愿望，这意味着通常新的人工智能解决方案和应用被创建和放弃，因为公司其他地方的利益相关者不理解他们所产生的价值。从数据中获取资金那么，这给那些希望在即将到来的人工智能世界末日中生存和繁荣的公司留下了什么呢？ 大多数现有的商业模式都处于经济价值曲线的"收益递减"区域（投资更多资源而收入保持不变）。越来越多的资金投入研发，却没有额外的相关收入。正确的数据和分析平台可以帮助您弥合当前人工智能和分析范式之间的差距，以及您希望您的公司在未来的发展方向您的平台应该能够轻松地连接到许多大型数据集：云本地数据仓库和具有数百万或数十亿行的数据湖。它还应该能够处理不断更新的实时数据集，并允许您将它们与缓存的数据混合在一起。如果该系统还允许在数据库准备和物化视图，可以优化更快的查询，并奠定了先进的分析与Python和R的基础，甚至更好。所有这些实用程序都将强大的工具交给数据工程师来执行更复杂的分析，并在巨大的数据集上使用ML。无论你想长期使用AI和ML做什么，正确的分析平台将是构建它的关键。这也是在短期内将数据货币化的更好方法。这是一个双赢的局面，越来越多的公司在经历数字化转型和云迁移时，会争先恐后地接受。这是未来。Inna Tokarev Sela，Sisense的人工智能主管，在科技行业拥有超过15年的经验。她在SAP工作了十年，推动了云架构、内存产品和机器学习视频分析的创新。作为IBC、NAB、WonderlandAI和Media Festival等行业活动的常客，Inna拥有物理学和计算机科学学士学位、工商管理硕士学位和信息系统硕士学位，并撰写了关于神经网络的论文。标签：AI |人工智能|数据湖|数据货币化|机器学习| ML