Возникновение «гражданского специалиста по данным»:как гуманизированное машинное обучение увеличивает человеческий интеллект

IDC По оценкам, мировой объем данных вырастет на 61% в период с 2018 по 2025 год, в конечном итоге достигнув 175 зеттабайт, при этом большая часть этих данных будет генерироваться предприятиями. Итак, как это можно использовать для оптимизации бизнес-процессов, улучшения повседневных операций и информирования при принятии решений?

«Ответ кроется в гуманизированных платформах машинного обучения», - заявляет Mind Foundry . Директор по исследованиям Натан Корда, которые делают передовые возможности машинного обучения доступными для владельцев бизнес-задач, что способствует развитию «гражданских специалистов по данным».

Слишком много данных, слишком мало времени

Многие компании сегодня изо всех сил пытаются анализировать и извлекать полную пользу из огромного количества данных, которые генерируются и собираются ежедневно. Задача, стоящая перед владельцами бизнес-задач - будь то руководитель высшего звена, аналитик или даже менеджер по операциям - заключается в том, как эффективно понять свои данные, чтобы повысить ценность бизнеса и оптимизировать процессы.

У них могут быть таблицы, полные данных, и они могут использовать простые модели данных для извлечения ограниченной ценности, но как они могут продвинуться дальше? Ответ заключается в большей доступности машинного обучения через ориентированные на пользователя платформы. Впервые это позволяет владельцам бизнес-задач - тем, кто хорошо знает конкретные проблемы и их влияние на операции, - связать передовые возможности машинного обучения с ценностями для бизнеса.

Преимущества доступны всем

Машинное обучение традиционно рассматривается как требующее обширных ресурсов, времени и технических знаний, что часто включает в себя наем специалистов по обработке данных - узкоспециализированную область, в которой спрос на таланты в настоящее время превышает предложение. Помимо этого, специалисты по обработке данных часто слишком оторваны от бизнес-проблемы, чтобы контекстуализировать ее и понимать полное влияние, которое она оказывает на операции.

Войдите в число гражданских специалистов по данным - сотрудников, не занимающихся специальными функциями в области науки о данных или аналитики, которые могут использовать гуманизированную платформу машинного обучения для изучения своих данных и легко развертывать модели, чтобы раскрыть ценность, которую они имеют. Благодаря платформам, ориентированным на пользователя, нынешние сотрудники могут пользоваться доступом к технологиям машинного обучения без необходимости специального обучения. Это важная веха на пути к тому, чтобы владельцы данных могли быстро обрабатывать свои собственные данные и выполнять масштабные операции без значительных инвестиций или опыта.

На уровне компании это дает передовые решения машинного обучения в руки малых и средних организаций и их сотрудников, которым может не хватать опыта в области науки о данных. Но возросшая доступность машинного обучения также открывает новые возможности для специалистов по обработке данных, освобождая их время, чтобы приблизиться к решению бизнес-задач и сосредоточить свои навыки на инновациях для проектов цифровой трансформации.

Новые возможности для бизнеса - скорость и масштаб

Платформа машинного обучения предоставляет гражданским специалистам по обработке данных более широкий доступ к возможностям, необходимым для быстрой подготовки и визуализации данных, а также последующего создания, развертывания и управления подходящей моделью. Независимо от того, включает ли это предложение действий по очистке и правильному форматированию данных или рекомендацию наиболее подходящей модели для набора данных, гуманизированная платформа предназначена для того, чтобы направлять пользователей через процесс от начала до конца.

Ключевым аспектом этого подхода является сокращение объема рутинных задач по подготовке данных. Подумайте о повторяющихся бизнес-процессах, которые предполагают анализ данных аналогичным образом на рутинной основе, например, прогнозирование бюджета. Вместо того, чтобы связывать ресурсы высшего руководства на несколько недель для окончательного составления бюджетов на основе ожидаемых бизнес-результатов, менеджеры могут использовать интуитивно понятную платформу машинного обучения для быстрого определения и настройки модели, которую можно повторно использовать для ежегодного пересмотра бюджетов, что значительно сокращает время, затрачиваемое на этот процесс продвигается вперед.

Как вариант, возьмите передовую производственную компанию, которая разрабатывает и производит прецизионные компоненты. У них могут быть специалисты по машинному оборудованию с многолетним опытом работы в отрасли и глубоким пониманием данных, полученных с помощью датчиков оборудования, но они не могут определить закономерности и области для оптимизации без специальной группы по анализу данных. С помощью гуманизированных платформ машинного обучения эти эксперты могут вводить, очищать и визуализировать данные за считанные минуты, а затем выбирать подходящую модель данных, чтобы раскрыть ранее невиданные идеи.

Человек встречает машину:дополнительные возможности

Платформы машинного обучения предназначены для усиления существующих навыков сотрудников. Они устраняют значительную часть времени и ресурсов, которые традиционно вкладывались в применение машинного обучения к бизнес-данным, но владение и контроль над процессом по-прежнему остается за пользователем. Это ключ к успешному использованию технологии машинного обучения.

Приложения машинного обучения отлично подходят для оценки рисков и управления ими, а также для вынесения решений на основе данных, но им не хватает интуиции и творчества, необходимых для контекстуализации и решения проблем в человеческих делах. Именно здесь платформы гуманизированного машинного обучения проводят грань между «человеческими» и «компьютерными» задачами. Они берут на себя трудоемкие, повторяющиеся задачи, такие как очистка данных, обнаружение моделей на основе данных и проверка моделей, и позволяют владельцам проблем сосредоточить свое время и ресурсы непосредственно на решении текущих бизнес-задач.

В конце концов, компьютер всегда будет сотрудничать с человеком при применении машинного обучения. Чтобы обеспечить успех проекта, машинное обучение должно стать частью человеческой команды, расширяя человеческие навыки, интеллект и возможности. Люди обладают уникальной способностью контекстуализировать данные и связанные с ними ошибки. Возьмем простой пример, когда коды ошибок присутствуют в большом наборе данных. Платформа машинного обучения будет изо всех сил пытаться контекстуализировать это, но человек, близкий к бизнес-процессу, может быстро дать объяснение, например, что датчики находятся вне зоны досягаемости.

Помимо непосредственных преимуществ, платформы машинного обучения решают проблему наследия после того, как специалист по данным из компании покидает компанию. Эти сотрудники могут разрабатывать решения машинного обучения для решения конкретных бизнес-задач, зная, что эти достижения по-прежнему будут оперативными, интуитивно понятными и повторно используемыми коллегами, когда они уйдут.

Машинное обучение теперь жизнеспособно для любого бизнеса

Машинное обучение становится все более распространенным среди компаний любого размера, поскольку они стремятся оптимизировать свои повседневные операции. Не забывайте, что владельцы бизнес-задач всегда будут обладать уникальными и глубокими знаниями о конкретной проблеме и ее значении для существующих бизнес-приоритетов. Впервые они могут напрямую определять и повышать ценность своих данных за счет быстрого масштабирования масштабируемого машинного интеллекта.

Применение машинного обучения к данным больше не должно быть утомительным и ресурсоемким проектом, рассчитанным на несколько месяцев. Рост числа гражданских специалистов по обработке данных открывает перед малым и средним бизнесом значительные возможности для быстрого использования передовых возможностей машинного обучения, чтобы получить более глубокую информацию и повысить ценность своих данных для бизнеса.

Натан Корда, директор по исследованиям в отделении машинного обучения Оксфордского университета Mind Foundry .