人工智能和机器学习如何帮助组织更好地了解大数据？我们需要了解人工智能和大数据分析的下一步。大数据技术尚未像几年前那样广泛使用，但这并不意味着大数据技术尚未发展。如果有不同之处，那就是大数据规模正在扩大。
大数据技术尚未像几年前那样广泛使用，但这并不意味着大数据技术尚未发展。如果有不同之处，那就是大数据规模正在扩大。
大数据曾经被认为是一个巨大的挑战。但是现在，它越来越被视为理想状态，尤其是在正在体验和实施机器学习和其他人工智能学科的组织中。
Anexinet的高级数字策略师Glenn Gruber表示：“人工智能和机器学习现在为我们提供了使用现有大数据并开发具有新数据类型的许多新用例的新机会。现在，我们拥有更多可用数据。”例如，图像，视频和语音。在过去，我们本可以尝试将捕获的数据量减到最少，因为我们不能对它们做太多事情，但是存储这些数据可能会很昂贵。”
人工智能如何适应大数据
大数据与人工智能之间存在互惠关系：人工智能在很大程度上取决于第一个人工智能的成功，并且还可以帮助组织以以前笨拙或不可能的方式释放数据存储的潜力。
Gruber表示：“现在，我们需要尽可能多的数据，不仅是为了更好地理解我们要解决的业务问题，而且因为随着我们通过机器学习模型输入更多数据，它们将获得更好的结果。这是一个良性循环。”
人工智能如何利用大数据
与大数据和分析有关的存储和其他问题似乎并不相同。例如，格鲁伯（Gruber）指出，大数据和人工智能的结合会围绕基础架构，数据准备和治理产生新的需求（或强调现有需求）。但是在某些情况下，人工智能和机器学习技术可能是组织如何解决这些运营复杂性的关键部分。
关于“更好的洞察力”：人工智能和机器学习作为当今业务中最重要的学科，IT领导者如何才能实现其当前或未来的目标？
人工智能提供更好知识的六种方式
1.人工智能正在创造新的数据分析方法。
有时，大数据的基本商业问题之一可以概括为一个简单的问题：现在是什么？人们已经拥有了所有这些东西，并且还有更多的事情正在发生，那么如何处理它们呢？在广告和广告中，听到这个问题的答案并不总是那么容易。另外，回答这个问题（或从数据中获取信息）通常需要大量的手工工作。人工智能正在创造新的形式。从某种意义上说，人工智能和机器学习是广义上的新方法。
历史上，工程师在分析数据时不得不使用查询或SQL（查询列表）。但是，随着数据重要性的不断增长，获取信息的多种方式也在不断增长。人工智能是查询/SQL的下一步。 Alluxio首席执行官Steven Mih表示：“过去的统计模型现已与计算机科学融合，并已成为人工智能和机器学习的一部分。”
2.数据分析的劳动强度正在降低
结果，管理和分析数据所需的工作时间比过去更少。人们在数据管理和分析中仍然发挥着至关重要的作用，但是由于人工智能的原因，可能需要数天或数周（甚至更多）的过程正在加速发展。
Sungard AS的高级架构师Sue Clark说：“人工智能和机器学习是帮助公司比单独完成工作更快，更有效地分析数据的工具。”
Exasol的首席技术官Mathias Golombek观察到了对大数据采取两级方法的趋势，因为组织主张为获得一定价值而必须管理的大量信息：存储层和运营分析层在上面
Golombek表示：“这是从数据中提取基于数据的思想和决策的地方。人工智能通过对数据进行训练以半自动决策来制定新决策，从而改善了分析。它并不适用于所有问题公司拥有数据，但是对于特定的用例，它彻底改变了无需复杂的人类知识就能制定规则，决策和预测的方式。”
换句话说，感知和决策可以更快地发生。此外，IT部门可以将类似的原理（使用人工智能来减少人工，减少劳动强度的工作并提高速度）应用于背景事物，让人们面对现实，而IT部门之外的人很少他们想知道。
Alluxio Mih说：“数据知识的实时性以及无处不在的事实将涵盖不同的机架，区域和云计算，这意味着公司必须从传统的管理方法发展而来。和数据分析这就是人工智能的用武之地。数据工程师复制数据的日子一遍又一遍地消失了，并且在收到来自用户的请求后的几周内交付了数据集。数据科学家。”
3.人类仍然很重要。
与其他所有人一样，Qlik Research副总裁Elif Tutuk认为，人工智能和机器学习是大数据的强大杠杆。Tutuk表示：“人工智能和机器学习以及其他新兴技术，对于帮助公司更全面地理解所有数据并为它们提供与关键数据集联系的方式至关重要。”但是他补充说，这不是削弱人类智慧和见识的问题。
图图克说：“公司需要将人类直觉的力量与人工智能相结合，以改善这些技术或提高智能。更具体地说，人工智能系统需要向数据和人类学习以实现其功能。结合技术力量的公司可以扩展数据科学家和业务分析师的关键知识，同时节省时间并减少由解释数据的商业用户引起的可能偏差，从而可以改善业务运营效率。获取更快的数据信息并最终提高业务生产率。”
4.人工智能/机器学习可用于缓解常见数据问题
这里有些事情没有改变：数据的价值与数据的质量密不可分。低质量意味着低价值或无价值。这就是所谓的大数据和人工智能的共同点。
Ness Digital Engineering的首席技术官Moshe Kranc说：“关于机器学习的讨论总是会回到公司数据的质量上。如果数据质量很差，那么从他们那里获得的想法将不会被信任。80％机器学习项目的时间花在清理和准备数据上。”
旧的一切似乎又是新的。但是这个问题的解决方案（可能还有其他类似的解决方案）可能已经出现。
幸运的是，Kranc说，机器学习可以用来清理机器学习数据。机器学习算法可以检测异常值和缺失值，找到重复的记录，这些记录以稍微不同的术语描述同一实体，并以通用术语对数据进行规范化。”
5.分析变得更具预测性和规范性。
过去，数据分析比事后分析更为重要，事后分析是“已经发生的事情”。未来的预测在历史上仍然是内在的。人工智能和机器学习正在帮助开辟一个新领域：“将要发生的事情。或者至少是将要发生的事情。”此外，可以学习机器学习算法来基于决策或采取行动在未来的想法。
Sparkhound的分析总经理Sean Werick说。 “如今，人工智能正在通过使用预测分析来更精确地推动大数据决策。传统上，大数据决策是基于过去和现在的数据点，通常会导致线性投资回报率。使用人工智能，这一比例已达到史诗级和指数级水平。使用人工智能的法规分析有可能在整个公司提供前瞻性战略信息，从而有助于推动业务增长。”韦里克指出，这是“需要学习走路之前爬行”的过程。根据Werick的说法，使用人工智能基于不正确或不适当的数据做出预测性或规范性业务决策可能会带来“灾难性”后果。
“随着分析成熟度模型的发展，从过程的开始和数据映射到描述性分析，预测性分析以及最终的描述性分析，业务价值都会增加。”
6.人工智能和大数据的下一步是什么？
如果大多数团队仍在学习爬行（或行走），那可能很好，因为人工智能和大数据的结合才刚刚开始显示出他们的可能性。
Scale Venture Partners的合伙人Andy Vitus看到了更智能的商务软件的前景。他认为，许多商业应用仍会显示其模拟的DNA。
Vitus表示：“大多数商业应用程序仍然使用纸质表格和分类帐设计语言来创建。这意味着，对于公司捕获和存储的所有数据，用户仍然需要花费大量时间和精力。无休止的报告寻找有用的信息。
智能软件将使用所有这些数据来解决问题并提供方案和答案，而不仅仅是漂亮的报告。从工程角度来看，智能业务应用程序将需要将单个人工智能/机器学习系统连接到其他系统，以便它们可以彼此通信并可以相互学习。公司最终将从存储的所有数据中获得可观的投资回报。 ”
那是基本的承诺：人工智能是一种不断发展的工具，可以回答有关大数据的基本问题。那你现在在做什么？
Mih de Alluxio说：“这仅仅是开始。将会有新技术可以实时分析数据以获取信息，但是获取信息的方式将会改善。”
上海IT外包服务网 链接：http://www.linemore.com
中文
电话咨询
微信咨询
公众号
