ដូចជាប្រហែលជាប្រហែលជាប្រហែលជាប្រហែលជាជាមួយបច្ចេកវិទ្យានៃការអភិវឌ្ឍយ៉ាងឆាប់រហ័ស, AI បានផ្ដល់អារម្មណ៍ខ្លាំងណាស់ លោក និង មួយចំនួនគួរតែទទួលបានវា, — ប៉ុន្តែឧស្សាហកម្មនេះបានផ្តល់អារម្មណ៍។ ពីក្រុមហ៊ុនចាប់ផ្តើមឧបករណ៍បង្វិលទៅនឹងក្រុមហ៊ុន Fintech រចនាឡើងទៅនឹងឧបករណ៍សាធារណៈក្រុមហ៊ុនទាំងអស់បានធ្វើការជាមួយនឹងគោលបំណង AI របស់ពួកគេ។ វាទាំងអស់បានបញ្ចប់ទៅនឹងសំណួរមួយដែលមានតម្រូវការខ្ពស់: ហ្គេម សត្វ សត្វ មួយចំនួននៃពួកគេមិន «របៀបដែលយើងប្រើ AI និង machine learning ដើម្បីទទួលបានល្អបំផុតក្នុងអ្វីដែលយើងធ្វើ។» «របៀបដែលយើងប្រើ AI និង machine learning ដើម្បីទទួលបានល្អបំផុតក្នុងអ្វីដែលយើងធ្វើ។» ជាទូទៅប្រសិនបើក្រុមហ៊ុនមាន អ្នកអាចទទួលបានអត្ថប្រយោជន៍របស់អ្នក។ អ្នកអាចទទួលបាន លទ្ធផលតិចជាងគ្នានៃលក្ខណៈពិសេសឬ ប៉ុន្តែប្រសិនបើវាជាប្រសិនបើពួកគេមិនបានបង្កើតវិជ្ជាជីវៈដែលអាចអនុវត្ត (និងទទួលបានអត្ថប្រយោជន៍នៃ) ប្រព័ន្ធសំខាន់បំផុត មូលនិធិនិងប្រតិបត្ដិការជាច្រើនជាង . not អ្នកវិទ្យាសាស្រ្តទិន្នន័យដំបូង សៀវភៅ Data Literacy សាកលវិទ្យាល័យ ការរៀនម៉ាស៊ីន ក្នុងនាមជាអ្នកជំនាញវិទ្យាសាស្រ្តទិន្នន័យ / អ្នកជំនាញ AI, ខ្ញុំត្រូវផ្ញើសារនេះជាច្រើនដងជាច្រើន, ជាពិសេសក្នុងរយៈពេលពីរឆ្នាំមុន។ វាគឺជាការងាយស្រួលក្នុងការកត់សម្គាល់ក្នុងចំណោមការអារម្មណ៍ទាំងអស់នេះនៅលើឧស្សាហកម្មរបស់អ្នក, ជាពិសេសប្រសិនបើអ្នករួមបញ្ចូលការអារម្មណ៍នេះ។ ហើយធ្វើដូចម្តេចដើម្បីបង្ហាញក្រុមហ៊ុនរបស់អ្នកថាពួកគេមិនត្រឹមត្រូវសម្រាប់អេឡិចត្រូនិទេប៉ុន្តែមិនមែនជាអេឡិចត្រូនិ (ឬមិនមែនជាអេឡិចត្រូនិ) ។ អរគុណ នេះគឺជាការបង្ហាញមួយដែលបានបង្ហាញជាច្រើនបំផុត: Think of AI as the top of a គម្រោងគម្រោងគម្រោង . Yes, self-actualization (AI) is great, but you first need food, water and shelter (data literacy, collection and infrastructure). គម្រោងគម្រោងគម្រោង តម្រូវការដំបូង: តើអ្នកអាចគិតបានទេ? នៅកម្រិតខាងក្រោមនៃគីមីឌីដែលយើងមាន តើអ្នកត្រូវការទិន្នន័យណាមួយនិងអ្វីដែលអាចរកបាន? ប្រសិនបើវាជាផលិតផលដែលមានគោលបំណងសម្រាប់អ្នកប្រើប្រាស់អ្នកបានរក្សាទុកទិន្នន័យទាំងអស់ដែលមានគោលបំណងសម្រាប់អ្នកប្រើប្រាស់ទេ? ប្រសិនបើវាជាអ្នករក្សាទុកទិន្នន័យដែលមានគោលបំណងសម្រាប់ការរក្សាទុកទិន្នន័យណាមួយនិងរបៀបដែលវាអាចរកបាន? តើវាជាការងាយស្រួលក្នុងការរក្សាទុកទិន្នន័យដែលមិនត្រូវបានរក្សាទុកទេ? នេះគឺជាអ្វីដែលបានធ្វើឱ្យការអភិវឌ្ឍថ្មីបំផុតនៅក្នុងការរៀនម៉ាស៊ីនអាចធ្វើបាន។ data collection ដំណឹង បន្ទាប់មកធ្វើដូចម្តេចដើម្បី ដោយប្រព័ន្ធ? តើអ្នកមានផ្ទុកដែលមានសុវត្ថិភាព / ETL ? តើអ្នករក្សាទុកវានៅទីនោះហើយវាជាការងាយស្រួលក្នុងការចូលនិងដំណើរការ? វាត្រូវបាននិយាយថា (រយៈពេលប្រហែលមួយឆ្នាំ) ការផ្លាស់ប្តូរទិន្នន័យដែលមានសុវត្ថិភាពគឺជាគោលដៅដើម្បីធ្វើអ្វីគ្រប់យ៉ាងជាមួយទិន្នន័យ។ data flow លោក Jay Kreps [បន្ថែមទៀត: ខ្ញុំកំពុងស្វែងរកកំណត់ត្រឹមត្រូវហើយបានរកឃើញវានៅក្នុងរបស់គាត់» ខ្ញុំនឹងស្រឡាញ់ LOGS បន្ទាប់មកខ្ញុំបានមើលឃើញថានៅលើផ្នែកមួយដែលគាត់បានធ្វើការប្រៀបធៀបតម្រូវការរបស់ Maslow នេះដោយមានការប្រៀបធៀបដែលមានតម្លៃណែនាំថាវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនបើវាជាការប្រសិនប រូបថត អំពីអ្វីដែលអ្នកវិទ្យាសាស្រ្តទិន្នន័យធ្វើ។ ថ្ងៃមុន, លោក Sean Taylor បានបង្ហាញ វាត្រូវបានបង្កើតឡើងដោយបច្ចេកវិទ្យាសាស្រ្តទិន្នន័យរបស់គាត់ដោយគ្នានៃការតម្រូវការ (ប្រសិនបើមានអារម្មណ៍ថាវាត្រូវបានគេហៅថា Unconjoined Triangle of Data Science) ដែលជាការផ្សេងគ្នាត្រូវបានគេហៅ។ ដូច្នេះយើងគួរតែចាប់ផ្តើម Tumblr ។ ខ្ញុំនឹងស្រឡាញ់ LOGS រូបថត បានបង្ហាញ នៅពេលដែលទិន្នន័យអាចរកបានអ្នកអាច នេះជាពេលដែលអ្នករកឃើញថាអ្នកកំពុងបាត់បង់ទិន្នន័យជាច្រើន, កុំព្យូទ័ររបស់អ្នកគឺមិនសាកល្បង, ការផ្លាស់ប្តូរកំណែដែលមានន័យថាព្រឹត្តិការណ៍របស់អ្នកត្រូវបានបាត់បង់, អ្នកកំពុងបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការបាត់បង់ការប explore and transform នៅពេលដែលអ្នកអាចស្រាវជ្រាវនិងរក្សាទុកទិន្នន័យដោយឥតគិតថ្លៃអ្នកអាចចាប់ផ្តើមបង្កើតអ្វីដែលត្រូវបានគិតថាជា BI ឬ BI ។ : បានកំណត់គំរូគំរូដើម្បីរក្សាទុកការរក្សាទុករបស់ពួកគេនិងភាពងាយស្រួលទៅនឹងប្រព័ន្ធផ្សព្វផ្សាយផ្សេងៗ។ អាចធ្វើការផ្លាស់ប្តូរអ្នកប្រើប្រាស់មួយចំនួននិងមើលឃើញប្រសិនបើអ្វីណាមួយបានបាត់បន្ថយ។ ទោះបីជាគោលបំណងរបស់អ្នកគឺ AI អ្នកកំពុងបង្កើតអ្វីដែលអ្នកនឹងគិតថាជាបន្ទាប់មក នៅពេលនេះអ្នកក៏ដឹងពីអ្វីដែលអ្នកចង់រៀនឬរៀនហើយអ្នកអាចចាប់ផ្តើមការរៀបចំរបស់អ្នក ដោយបង្កើតស្លាក, ឬដោយស្វ័យប្រវត្តិ (អតិថិជនដែលបានកាត់បន្ថយ?) ឬដោយមានមនុស្សនៅក្នុងប្រវែង។ analytics features training data នេះគឺជាពេលដែលអ្នករកឃើញភាពអស្ចារ្យបំផុតរបស់អ្នក — ប៉ុន្តែវាគឺជាអត្ថបទមួយទៀតនៃមជ្ឈមណ្ឌលមួយ។ data stories ខ្ញុំអាចនិយាយថាតើឥឡូវនេះអ្វី? យើងមានទិន្នន័យការបណ្តុះបណ្តាល - ជាការពិតណាស់, ឥឡូវនេះយើងអាចធ្វើការបណ្តុះបណ្តាលម៉ាស៊ីន? ទោះជាយ៉ាងណាក៏ដោយប្រសិនបើអ្នកកំពុងធ្វើការអនុម័ត churn ដោយផ្ទាល់។ មិនទេប្រសិនបើផលិតផលនេះនឹងមានគោលបំណងសម្រាប់អតិថិជន។ យើងត្រូវតែមានការធ្វើតេស្ត A / B (ប៉ុន្តែជាដើម) ឬ វាត្រូវបានកំណត់ដោយប្រសិនបើយើងអាចដំឡើងដោយប្រសិនបើមានកម្រិតខ្ពស់ដើម្បីឆាប់រហ័សនិងទទួលបានការគណនានៃផលប៉ះពាល់នៃការផ្លាស់ប្តូរមុនពេលដែលពួកគេមានផលប៉ះពាល់ដល់មនុស្សទាំងអស់។ វាគឺជាពេលវេលាល្អឥតខ្ចោះដើម្បីដំឡើងកម្រិតខ្ពស់។ នៅពេលនេះ (សម្រាប់ប្រព័ន្ធផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញើផ្ញ experimentation simple baseline គំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិត នៅពេលនេះអ្នកអាចដំឡើងអេឡិចត្រូនិ ML ជាធម្មតា (ដូចជាការដំឡើងបច្ចុប្បន្នឬប្រសិនបើជាការផ្លាស់ប្តូរ) បន្ទាប់មកគិតអំពីអេឡិចត្រូនិនិងលក្ខណៈពិសេសថ្មីដែលអាចមានប្រសិទ្ធិភាពក្នុងលទ្ធផលរបស់អ្នក។ ទិន្នន័យធម្មតានិងទិន្នន័យកុំព្យូទ័រគឺជា go-tos របស់ខ្ញុំ។ ហើយមិនមែនទេ - ដូចជាវាមានប្រសិទ្ធិភាពវា, ការអភិវឌ្ឍបន្ថែមទៀតមិនធ្វើការនេះដោយស្វ័យប្រវត្តិសម្រាប់អ្នក។ ការបង្កើតអេឡិចត្រូនិថ្មី (ការបង្កើតលក្ខណៈពិសេស, មិនជាការវិស្វកម្មលក្ខណៈពិសេស) គឺជាអ្វីដែលអាចបង្កើនការអនុវត្តរបស់អ្នកដោយការកាត់បន្ថយ សូមអរគុណដល់ AI! អ្នកបានធ្វើវា។ អ្នកមានឧបករណ៍។ ETL របស់អ្នកគឺជាការកាត់បន្ថយ។ ទិន្នន័យរបស់អ្នកត្រូវបានរចនាឡើងនិងសម្គាល់។ អ្នកមានប្រព័ន្ធប្រតិបត្តិការ, ស្លាកនិងលក្ខណៈពិសេសល្អ។ អ្នកមានការត្រួតពិនិត្យអ្វីដែលត្រឹមត្រូវ។ អ្នកអាចធ្វើសាកល្បងនៅពេលបច្ចុប្បន្ន។ អ្នកមានអេឡិចត្រូនិកដែលត្រូវបានដំឡើងពីចុងក្រោយទៅចុងក្រោយហើយត្រូវបានធ្វើឡើងនៅក្នុងការផលិត - ហើយអ្នកបានផ្លាស់ប្តូរវាជាដំណាក់កាលមួយចំនួន។ អ្នកមានការរចនាឡើង។ សូមដំណើរការនិងសាកល្បងទាំងអស់ថ្មីបំផុតនិងល្អបំផុតនៅទីនេះ - ពីការដំឡើងរបស់អ្នកដើម្បីប្រើក្រុមហ៊ុនដែលមានជំនាញវិជ្ជាជីវៈក្នុងការរៀនម៉ាស៊ីន។ អ្នក តើធ្វើដូចម្តេចអំពី MVPs, Agile, Lean និងទាំងអស់នេះ? ដូចគ្នានេះជាពេលដែលអ្នកបង្កើតផលិតផល MVP (ផលិតផលដែលមានគុណភាពច្នៃប្រឌិតតិចតួច) អ្នកចាប់ផ្តើមជាមួយផ្នែកតូចនិងទូទៅនៃផលិតផលរបស់អ្នកហើយអ្នកធ្វើឱ្យវាធ្វើការយ៉ាងល្អពីផ្នែកខាងលិចទៅផ្នែកខាងលិច។ អ្នកអាចបង្កើតគំនិតគំនិតគំនិតរបស់ខ្លួនហើយបន្ទាប់មកបង្កើតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិតគំនិត និងផលិតផលទិន្នន័យរចនាដោយស្វ័យប្រវត្តិនៃម៉ាស៊ីនអប់រំ (ការស្វ័យប្រវត្តិនៃការស្វ័យប្រវត្តិនៃខួរក្បាល) ។ យើងបន្ទាប់មក នេះជាដំណោះស្រាយមួយដើម្បីដំណោះស្រាយនេះ, បន្ទាប់មកអាហារ, អាកាសធាតុ, ការបណ្តាញសង្គមនិងការទំនាក់ទំនង - មួយបន្ទាប់មក។ យើងមិនបានបង្កើតវិជ្ជាជីវៈទាំងអស់ដោយមិនបានធ្វើការ end-to-end ។ The data science hierarchy of needs is not an excuse to build disconnected, over-engineered infrastructure for a year. ទិន្នន័យ ការអភិវឌ្ឍ សួរសំណួរត្រឹមត្រូវនិងបង្កើតផលិតផលត្រឹមត្រូវ នេះគឺជាអំពីរបៀបដែលអ្នក មិនមែនជាអ្នក (សម្រាប់គោលបំណងគោលបំណងគោលបំណងឬគោលបំណងគោលបំណង) could should ឧបករណ៍រៀនម៉ាស៊ីន (machine learning tools) ‘ ’ តើធ្វើដូចម្តេចអំពី API របស់ Amazon ឬ TensorFlow ឬសៀវភៅអ៊ីនធឺណិតផ្សេងទៀត? តើធ្វើដូចម្តេចអំពីក្រុមហ៊ុនដែលបានលក់ឧបករណ៍ ML, ឬដែលដោយស្វ័យប្រវត្តិបំបែកគំនិតនិងលក្ខណៈពិសេស? នេះទាំងអស់គឺជាការល្អឥតខ្ចោះនិងមានប្រសិទ្ធិភាពខ្លាំងណាស់។ (ក្រុមហ៊ុនមួយចំនួនបានបញ្ចប់ដោយការកសាងគំនិតទាំងអស់របស់អ្នកដើម្បីឱ្យពួកគេអាចបង្ហាញការងាររបស់ពួកគេ។ ពួកគេគឺជាអត្ថប្រយោជន៍របស់ពួកគេ។) ទោះបីជាយ៉ាងណាក៏ដោយនៅក្រោមការអនុវត្តយ៉ាងខ្លាំងនៃការ hype AI ឥឡូវនេះមនុស្សកំពុងព្យាយាមដើម្បីបំពាក់ទិន្នន័យដែលគឺខ្មៅនិងពេញលេញនៃការបណ្តុះបណ្តុះបណ្តុះដែលបណ្តុះបណ្តុះបណ្តុះឆ្នាំពេលដែលការផ្លាស់ប្តូរជាទំហំនិងគំនិតនេះមិនត្រូវបានគេស្គាល់ទេដែលត្រូវបានរចនាឡើងនៅក្នុងវិធីដែលមិនមានគោលបំណងហើយគិតថាឧបករណ៍ទាំងនេះនឹងគ្រប់គ្រងវាដោយ
