በአጠቃላይ በከፍተኛ ፍጥነት የቴክኖሎጂዎች ጋር ተመሳሳይ ነው, የ AI በከፍተኛ ፍጥነት የተመሠረተ ነው. አግኙን እና አንዳንዶቹ የሚፈልጉት ነገር ነው, — ነገር ግን ኢንዱስትሪ ፍላጎት ይሰጣል. ከባድ ሃርድዌር startups ወደ fintech gigants ወደ ብሔራዊ ተቋማት, ቡድን የ AI Strategy ላይ ከባድ ይሰራሉ. ሁሉም አንድ አስፈላጊ, ከፍተኛ ትክክለኛ ጥያቄ ላይ ይመጣል: የ FOMO አግኙን ፎቶዎች አንዳንዶቹ ምንም “የአንድ ነገር ላይ የተሻለ ለማግኘት የ AI እና ማሽን መማር እንዴት ይጠቀማል?” “የአንድ ነገር ላይ የተሻለ ለማግኘት የ AI እና ማሽን መማር እንዴት ይጠቀማል?” አብዛኛውን ጊዜ, ኩባንያዎች እርስዎ መግዛት ይችላሉ, እርስዎ መግዛት ይችላሉ ለስላሳ ውጤቶች ይበልጥ, ወይም ነገር ግን በጣም ተጽዕኖ ነው, እነርሱም ደግሞ በጣም ዝርዝሮች መተግበሪያዎችን ለመተግበሪያ (እነርሱም አግኝቷል) ለመፍጠር የፕላስቲክ መተግበሪያዎችን አግኝቷል. አጠቃቀም እና አጠቃቀም, በጣም ዝቅተኛ . not የመጀመሪያው መረጃ ሳይንሳዊ የምስክርነት መረጃ መረጃ ሳይንስ ማሽን መግዛት አንድ መረጃ ሳይንስ / AI ደንበኞች እንደ, እኔ በአጠቃላይ ከሁለት ዓመታት ውስጥ, ብዙ ጊዜ ይህን አስተያየት ለመስጠት አለኝ. ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ከባድ ተስማሚ እዚህ በጣም ታዋቂው ተጽዕኖ ይሰጣል: Think of AI as the top of a ፍላጎቶች Pyramid . Yes, self-actualization (AI) is great, but you first need food, water and shelter (data literacy, collection and infrastructure). ፍላጎቶች Pyramid አነስተኛ ፍላጎቶች: እርስዎ መውሰድ ይችላሉ? በፒራሚድ ውስጥ አላቸው ማንኛውም ውሂብ ያስፈልግዎታል, እና ማንኛውም ውሂብ ይገኛል? አንድ ተጠቃሚ ተስማሚ ምርት ከሆነ, ሁሉም ተስማሚ ተጠቃሚ መተግበሪያዎችን መክፈት ይሆናል? አንድ ሻንሰር ከሆነ, ማንኛውም ውሂብ በመስጠት ነው እና እንዴት ነው? አንድ ተስማሚነት መክፈት እንዴት ቀላል ነው? ይህ የቅርብ ጊዜ ማሽን መግዛት ልምድ ሊሆን ይችላል ነው. data collection አጠቃቀም ቀጣይ, እንዴት ነው ወደ ስርዓት በኩል? የእርስዎን ደንበኞች / ETL አግኝቷል? እርስዎ እርስዎ እንዴት መክፈት እና መተግበሪያ አግኝቷል? ከሁለት ዓመታት በፊት (በአንድ ጊዜ) በይነገጽ ላይ የተወሰነ መረጃዎችን በመጠቀም የተወሰነ መረጃዎችን ያግኙን. data flow ጄ ክሬፕስ [አል: እኔ ትክክለኛ ምልክቶች ለመፈለግ እና በርሱ ውስጥ ያውቃል ፡፡ መለያዎች ይወዳሉ ከዚያም, አንድ አግኝተዋል, ይህ ትክክለኛ Maslow ፍላጎቶች ትክክለኛነት ተለዋዋጭ ያደርጋል, አንድ 'እውነተኛውን ይሰጣል' ጥሩ መጠን ለማግኘት ያውቃል (ወደ Jay!). የተገናኙ ሥራ ላይ ይደውሉ, እኔ ደግሞ ከዚያ በኋላ (አይ / ቲ Daniel Tunkelang) በ Hilary Mason እና Chris Wiggins ውስጥ ጥሩ ልጥፍ ስለ አንድ መረጃ ሳይንሳዊ እንዴት ነው. ቀናት በፊት, Sean Taylor መውሰድ የ Data Science pyramid (የ Data Science Unconjoined Triangle) (የ Data Science Unconjoined Triangle) (የ Data Science Unconjoined Triangle) (የ Data Science Unconjoined Triangle) (የ Data Science Unconjoined Triangle) (የ Data Science Unconjoined Triangle) (የ Data Science Unconjoined Triangle) (የ Data Science Unconjoined Triangle) (የ Data Science Unconjoined Triangle) (የ Data Science Unconjoined) (የ Data Science Unconjoined) (የ Data Science Unconjoined Triangle) (የ Data Science Unconjoined) (የ Data Science Unconjoined) (የ Data Science Unconjoined Triangle) (የ Data Science Unconjoined) (የ Data Science) (የ Data Science) (የ Data Science) ( መለያዎች ይወዳሉ ልጥፍ መውሰድ በይነገጽ ውሂብ ማግኘት ይችላሉ ይህ የ "Data Cleaning", የ Data Science ን ዝቅተኛ ክፍሎች ያካትታል, ይህም ሌሎች ልጥፎች ላይ ይሆናል. ይህ አንድ ውሂብ ቅርጸት ያውቃሉ, የእርስዎን ሻንሰሮች አስተማማማኝ አይደለም, አንድ ስሪት ልምድ የእርስዎን ስዕሎች ያውቃሉ, እርስዎ አንድ ስዕል ትክክለኛነት ያውቃሉ - እና እርስዎ የፒራሚድ ቁርጥራጮች ቁርጥራጮች አረጋግጣል. explore and transform አንድ ጊዜ በእርግጠኝነት መረጃን ለመግዛት እና መቁረጥ ይችላሉ, በዋናነት BI ወይም BI እንደ መፍጠር ይችላሉ. : ማጣሪያዎችን ለመከተል, የእርስዎን ስሜትነት እና የተለያዩ ባህሪያት ጋር ተስማሚነት ያካትታል. እርስዎ አንዳንድ ትክክለኛ ተጠቃሚ ማጣሪያዎችን ያደርጋል እና ምንም ነገር ይመልከቱ. ነገር ግን, የእርስዎን መረዳት የ AI ነው, አሁን እርስዎ ከዚያም እንደ ማወቅ ይሆናል. በዚህ ደረጃ ላይ, እርስዎ የሚፈልጉትን ነገር ያውቃሉ ወይም ያውቃሉ, እና እርስዎ የእርስዎን መሣሪያ ለመፍጠር መጀመር ይችላሉ. መታወቂያዎችን ለመፍጠር, ወይም ራስ-ሰር (እኛን ደንበኞች ምን ይሸፍናል?) ወይም በይፋ ውስጥ ሰዎች ጋር. analytics features training data ይህ ደግሞ የእርስዎን በጣም አስደናቂ እና አስደናቂ ማግኘት ጊዜ ነው — ነገር ግን ይህ ደግሞ ሌላ የ medium ልጥፍ ንጉሥ ነው. data stories አዎ አዎን አዎን አዎን አዎን አዎን? የእኛን ስልጠና ውሂብ አላቸው - በእርግጥ, አሁን እኛ ማሽን መፍጠር ይችላሉ? እርስዎ በመስመር ላይ churn ለመምረጥ የሚፈልጉ ከሆነ; ምንም, ውጤት ደንበኞች ተስማሚ ይሆናል ከሆነ. እኛ (እያንዳንዱ ጊዜ ዘመናዊ) A / B ፈተና ወይም ይህ መሳሪያ ለሁሉም ሰው ተጽዕኖ ሊሆን ይችላል, ስለዚህ በከፍተኛ ደረጃ መተግበሪያዎችን ለመጠበቅ እና ለሁሉም ሰው ተጽዕኖ ሊሆን ይችላል. በዚያ ላይ (የመደጋሚ ስርዓቶች, ይህ ለምሳሌ "የተዋቂው" ይሆናል, ከዚያም "እርስዎ ተጠቃሚ ክፍል ላይ በጣም ታዋቂው" - በጣም አስደናቂ ነገር ግን ውጤታማ "የተዋቂነት በፊት" ይሆናል). experimentation simple baseline ቀላል heuristics አስደናቂነት መጫወት አስቸጋሪ ናቸው, እና እነርሱም በመጨረሻ ወደ መጨረሻ ስርዓት ከባህር ML ጥቁር ቦርሳዎች ጋር በመጀመሪያ ውስጥ hypertuned hyperparameters ጋር ምንም መጨረሻ ወደ መጨረሻ መጫወት ይችላሉ. በዚህ ጊዜ, አንድ በጣም ቀላል ML algorithm (እርስዎ ለስላሳ መግቢያ ወይም, አዎ, ክፍያ እንደ) መተግበሪያ ይችላሉ, ከዚያም የእርስዎን ውጤቶች ላይ ተጽዕኖ ሊሆን ይችላል አዲስ ምልክቶች እና ባህሪያት መውሰድ ይችላሉ. የአየር እና ግምገማ ውሂብ የእኔን go-tos ናቸው. እና አይደለም - ነገር ግን በጣም ጠንካራ ነው, ጥልቅ መግቢያ በእርስዎን ለሁለቱም መጠቀም አይችሉም. አዲስ ምልክቶች (ጥራት ለመፍጠር, ባህሪያት ኢንጂነሪንግ አይደለም) መውሰድ የእርስዎን አፈጻጸም በከፍተኛ ደረጃ ላይ ማሻሻል ይችላሉ. በዚህ ላይ አንዳንድ ጊዜ መውሰድ የሚፈልጉት ነው, ነገር ግን እንደ ውሂብ ሳይንቲስቶች በፒራሚድ ውስጥ ቀጣ የኦሪጂናል ያግኙ! እርስዎ ያደርጋል. እርስዎ መሳሪያዎች ያደርጋል. የእርስዎ ETL ዱቄት ነው. የእርስዎ ውሂብ የተመሠረተ እና የተሻለ ነው. እርስዎ መሳሪያዎች, መለያዎች እና ጥሩ ባህሪያት አለብዎት. እርስዎ ቀጥተኛ ነገሮች ያካትታል. እርስዎ በየቀኑ ተሞክሮ ይችላሉ. እርስዎ መጨረሻ-መጨረሻ የተመሠረተ እና ምርት ውስጥ ይጀምራሉ አንድ መዋቅር አግኝቷል - እና እርስዎ ከሁለት ጊዜ ይቀናወዳል. እርስዎ የተመሠረተ ነው. ሁሉንም የቅርብ እና ታላቅ አግኝተዋል - የእርስዎን የግል ኩባንያዎችን በመጠቀም በማንኛውም ማሽን አግኝታ ላይ ልዩነት ያደርጋል. ምርት ውስጥ አንዳንድ የ MVPs, Agile, Lean እና ሁሉ እንዴት ነው? ለምሳሌ, በ Jawbone ላይ, እኛ ከባድ ውሂብ ጋር ተጀምሯል እና ከባድ ውሂብ ጋር ተጀምሯል: መሣሪያዎች, ETL, መቁረጥ እና ድርጅት, መለያዎች እና መተግበሪያዎች, ሜትሪኮች (እያንዳንዱ ደቂቃዎች ሰዓታት አነስተኛ መጠን ነው? እና ማሽን መግዛት የተመሠረተ ውሂብ ምርቶች (automatic sleep detection). ከዚያም ምግብ, የአየር, የስርዓት, ማህበራዊ አውታረ መረብ እና የመስመር ላይ – አንድ ጊዜ. The data science hierarchy of needs is not an excuse to build disconnected, over-engineered infrastructure for a year. መረጃ ታሪክ አጠቃቀም ትክክለኛ ጥያቄዎችን ለመስጠት እና ትክክለኛ ምርቶች ለመፍጠር ይህ ብቻ እንዴት ነው ነገር ግን አንተ (እውነተኛ ወይም የቴክኒካዊ ጥያቄዎች). could should ማሽን መግዛት መሣሪያዎች ‘ ’ የ Amazon API ወይም TensorFlow ወይም ሌሎች ኦፕሬስ ኮርፖሬሽኖች ምን ይሆናል? ይህ ሁሉ በጣም አስደናቂ እና በጣም ጥቅም ላይ ነው. (አንድ ኩባንያዎች ሁሉንም ፒራሚድዎን በመስራት ለመፍጠር መጨረሻ ላይ ይሞክራል, ስለዚህ እነርሱም የእርስዎን ሥራ ለማሳየት ይችላሉ. እነርሱ ጄኔቶች ናቸው.) ነገር ግን, በአሁኑ የ AI hype ያለውን ጠንካራ ውጤታማነት ላይ, ሰዎች ውሂብ ያካትታሉ, ነገር ግን ከዓመቱ በላይ በፈጠራው እና ፍላጎት ላይ አንድ ጠንካራ ቅርጸት ለመፍጠር የሚፈልጉት ነው.
