كما هو الحال عادة مع التكنولوجيات المتقدمة بسرعة، قد ألقى AI إلهاماً كبيراً. ، و ولكن بعضهم يستحق ذلك، - ولكن الصناعة تمنح الاهتمام. من بدء تشغيل الأجهزة الضوئية إلى جيل التكنولوجيا الحقيقية إلى المؤسسات العامة، فإن فريق العمل يعمل ببطء على استراتيجيتهم الذكية. فومو فود فؤاد بعضها لا كيف نستخدم الذكاء الاصطناعي والتعلم الآلي لتحسين ما نفعله؟ كيف نستخدم الذكاء الاصطناعي والتعلم الآلي لتحسين ما نفعله؟ في كثير من الأحيان ، فإن الشركات ماذا تريد؟ هل تريد أن تشتري إلى نتائج أقل من النجوم، أو ربما لكن السيناريو الأكثر شيوعًا هو أنهم لم يتمكنوا حتى الآن من بناء البنية التحتية لتنفيذ (وترك فوائد) الأهمية الأساسية. الألغاز والعمليات، وأقل من ذلك بكثير . not أول علماء البيانات بيانات الأدب علم البيانات آلة التعلم كمدير علم البيانات / AI ، كنت بحاجة إلى تقديم هذه الرسالة عدة مرات ، وخاصة خلال السنوات الخمس الماضية. من الصعب أن تكون ملعقة صغيرة بين كل هذا التفاؤل حول مجالك الخاص، خاصة إذا كنت تشارك هذا التفاؤل.و كيف تقول الشركات أنها ليست مستعدة للتكنولوجيا الذكية دون أن تبدو (أو أن تكون) عنصريًا - حاملي الخبرة الذاتية؟ موافق إليك تفسير يثير أكثر من مرة: Think of AI as the top of a بطاريات الاحتياجات . Yes, self-actualization (AI) is great, but you first need food, water and shelter (data literacy, collection and infrastructure). بطاريات الاحتياجات احتياجات الأساسية: هل تستطيع أن تقرأ؟ في أسفل البراعم التي لدينا ما هي البيانات التي تحتاجها، وما هي متوفرة؟ إذا كانت منتجًا موجهًا للمستخدم، فهل تقوم بتسجيل جميع التفاعلات المستخدمة ذات الصلة؟ إذا كانت حاسوبًا، ما هي البيانات التي تأتي من خلالها وكيف؟ ما هي السهولة في تسجيل التفاعل الذي لم يتم تسجيله حتى الآن؟ بعد كل شيء، الحق هذا هو ما جعل التقدمات الحديثة في التعلم الآلي ممكنة. data collection بيانات ثم بعد ذلك، كيف يتم من خلال النظام؟ هل لديك تدفقات موثوقة / ETL ؟ أين يمكنك تخزينها، وكيف من السهل الوصول إليها وتحليلها؟ ويقول (أكثر من عشرة أعوام) أن تدفق البيانات الموثوق به هو المفتاح للقيام بأي شيء مع البيانات. data flow جاي كريبتس [بالإضافة إلى ذلك: كنت أبحث عن معنى دقيق وقد وجدت ذلك في " أنا أحب اللوحات بعد ذلك، وجدت أنه، في الفقرة الأولى، كان يفعل هذا التقييم المحدد لمتطلبات ماسلو، مع "من الضروري الإشارة إلى الشيء المفترض" الذي ألقاه هناك لغاية جيدة (شكر جي!). البريد حول ما يفعله عالم البيانات: أيام مضت ، شون تيلير الكشف عن لديه صيغة علم البيانات الخاصة بها من الضروريات (عبر عن إثارة الخيال المشترك من علوم البيانات) والتي، بالطبع، مختلفة تماما. أنا أحب اللوحات البريد الكشف عن فقط عندما تكون البيانات متوفرة، يمكنك هذا هو عندما تكتشف أنك تخسر مجموعة من البيانات، والآلات الخاصة بك غير موثوقة، والتغيير في النسخة يعني أن الأحداث تتركها، وتتساءل عن التفكير الخاطئ في قنبلة - وأنت تذهب مرة أخرى لتأكد من أن أساس البراميك قوي. explore and transform عندما تكون قادرا على استكشاف البيانات بشكل موثوق، ويمكنك البدء في بناء ما يعتبره التقليدي BI أو : تحديد المعايير للتتبع ، والمرحلة ، والتعاطف مع العوامل المختلفة. ربما القيام بعملية تقسيم المستخدم الصلب ، والبحث عن ما إذا كان ما يحدث. ، ومع ذلك ، لأن هدفك هو AI ، أنت الآن بناء ما سوف تفكر في التفكير في النهاية. في هذه المرحلة، أنت تعرف أيضًا ما تريده للتوضيح أو التعلم، ويمكنك البدء في إعداد من خلال إنتاج العلامات التجارية، أو تلقائيا (ما هي العملاء الذين سقطوا؟) أو مع البشر في القفص. analytics features training data هذا هو أيضًا عندما تجدك الأكثر إثارة للاهتمام والمثيرة ولكن هذا هو أيضا موضوع آخر من مقال منتظم. data stories هل يمكننا أن نفكر؟ الآن ماذا؟ لدينا بيانات التدريب - بالطبع ، الآن يمكننا أن نفعل التعلم الآلي؟ ربما ، إذا كنت تحاول تحديد التوقعات الداخلية ، لا ، إذا كان النتيجة ستكون موجهة إلى العملاء. وبالتالي يمكننا إدخالها تدريجيًا لتجنب الكوارث والحصول على تقدير عميق للأثر على التغييرات قبل أن تؤثر على الجميع. في المكان (لأنظمة التوصية، هذا سيكون على سبيل المثال "أكثر شعبية"، ثم "أكثر شعبية لقطاع المستخدم الخاص بك" - "المعايير المزعجة جدا ولكن فعالة قبل الشخصية"). experimentation simple baseline هيريكيات بسيطة صعبة للغاية للتغلب عليها ، وسوف تسمح لك بتحريك النظام من نهاية إلى نهاية دون محطات سوداء ML غامضة مع hyperparameter hyperpertuned في منتصف. في هذه اللحظة، يمكنك تطوير ألغاز ML بسيطة للغاية (مثل الاسترداد اللوجستي أو، نعم، الانقسام)، ثم تفكر في الإشارات والخصائص الجديدة التي قد تؤثر على نتائجك. بيانات الطقس والرقابة الإحصائية هي حقائقي. و لا - على الرغم من قدرتها، التعلم العميق لا يفعل ذلك تلقائياً لك. قم بزيارة AI! أنت فعلت ذلك. أنت أدوات. ETL الخاص بك هو التفكير. البيانات الخاصة بك هي منظم ومصممة. لديك لوحات التحكم، والمجلات والخصائص الجيدة. يمكنك قياس الأشياء الصحيحة. يمكنك تجربة يوميا. لديك ألغاز الأساسية التي يتم تشخيصها من نهاية إلى نهاية وتشغيلها في الإنتاج - وكنت قد تغيرت عشرات المرات. أنت مستعد. اذهب للبحث عن جميع الأحدث والأكبر هناك - من إعادة تدوير الخاصة بك إلى استخدام الشركات المتخصصة في التعلم الآلي. قد تحصل على بعض التحسينات الكبيرة في الإنتاج، أو قد لا. في أسوأ الحالات، يمكنك تعلم الأساليب الجديدة، وتطوير رأي وتجربة العمل معها، وتحصل على أن تقول للمستثمرين والجهود ماذا عن MVPs، Agile، Lean وغيرها؟ كما هو الحال عند بناء MVP التقليدي (المنتج الأقل حظاً) ، تبدأ مع جزء صغير ومتوازن من المنتج الخاص بك ويجعلها تعمل بشكل جيد من نهاية إلى نهاية. يمكنك بناء قوائمها ، ثم نموها بشكل منتظم. على سبيل المثال ، في Jawbone ، بدأنا مع بيانات النوم وتصنيع قوائمها: الأدوات ، ETL ، تنظيف وتنظيم ، وصياغة التسميات والتعريفات ، المقياسات (ما هو متوسط # من ساعات النوم لدى الناس كل ليلة؟ ماذا عن النوم؟ ما هو النوم؟) ، تحليلات المترابطة طوال الطريق إلى و منتجات البيانات التي تديرها التعلم الآلي (تحديد النوم التلقائي). هذا إلى الخطوات ، ثم الغذاء ، الطقس ، التمارين الرياضية ، الشبكات الاجتماعية والتواصل - واحدة في وقت واحد. The data science hierarchy of needs is not an excuse to build disconnected, over-engineered infrastructure for a year. قصص البيانات توسيع وضع الأسئلة المناسبة وتصنيع المنتجات المناسبة إنها فقط عن كيفية أنك لا، إذا كنت (لأسباب واقعية أو أخلاقية) could should أحدث أدوات التعلم الآلي ‘ ’ ماذا عن هذا Amazon API أو TensorFlow أو هذه المكتبة المفتوحة الأخرى؟ ماذا عن الشركات التي تبيع أدوات ML، أو التي تنتج آراء ومميزات تلقائياً؟ كل هذا هو رائع ومفيد جدا. (يمكن للبعض من الشركات في نهاية المطاف بناء الكمبيوتر الخاص بك بأكملها حتى يتمكنوا من عرض أعمالهم.) ، ومع ذلك ، تحت تأثير قوي من التفكير في الذكاء الاصطناعي الحالي ، يحاول الناس إدخال البيانات التي غريبة ومتنوعة من الفجوات ، والتي تتراوح بين السنين في حين تتغير في شكل وتأثير ، وهذا لا يفهم حتى الآن ، وهذا يتم تركيبها بطرق لا تعنيها ، وتتوقع تلك الأدوات أن تتعامل معها بطريقة سحرية.