ໃນຖານະເປັນວິທີການທີ່ແຕກຕ່າງກັນຂອງເຕັກໂນໂລຊີທີ່ພັດທະນາຢ່າງໄວ້ວາງໃຈ, AI ໄດ້ສ້າງຄວາມຄິດສ້າງສັນທີ່ຍິ່ງໃຫຍ່ ຂໍຂອບໃຈ ແລະ ຂໍຂອບໃຈຫຼາຍດັ່ງນັ້ນ ຈາກ startups hardware stealth ກັບ fintech giants ກັບອຸປະກອນທຸລະກິດ, ທີມງານກໍາລັງເຮັດວຽກຢ່າງຮຸນແຮງກ່ຽວກັບສະຖານທີ່ AI ຂອງພວກເຂົາ. ຫນ້າທໍາອິດ ປະເພດ ພາສາລາວ ສ່ວນໃຫຍ່ຂອງມັນບໍ່ ‘How do we use AI and machine learning to get better at what we do?’ “How do we use AI and machine learning to get better at what we do?” ຫຼາຍກ່ວາບໍ່ແມ່ນ, ບໍລິສັດແມ່ນ ສະ ຫນັບ ສະ ຫນັບ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ສະ ຫນູນ ໃນເວລາທີ່ຫຼັງຈາກການເຮັດວຽກຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນຫຼັງຈາກນັ້ນ ແຕ່ scenario ທີ່ງ່າຍທີ່ສຸດແມ່ນວ່າພວກເຂົາເຈົ້າຍັງບໍ່ໄດ້ສ້າງອຸດສາຫະກໍາເພື່ອນໍາໃຊ້ (ແລະໄດ້ຮັບຜົນປະໂຫຍດຂອງ) ການປົກກະຕິທີ່ສຸດ algorithms ແລະການປະຕິບັດ, ຫຼາຍກ່ວາ . not ຜູ້ຊ່ຽວຊານ Data ຄວາມຄິດເຫັນ ວິທະຍາໄລ Data ວິທະຍາໄລ Machinery ໃນຖານະເປັນຜູ້ຊ່ຽວຊານດ້ານວິທະຍາສາດຂໍ້ມູນ / AI, ຂ້າພະເຈົ້າຈໍາເປັນຕ້ອງສະຫນັບສະຫນູນຄໍາສັ່ງນີ້ຫຼາຍກ່ວາຫຼາຍກ່ວາສອງປີທີ່ຜ່ານມາ. . ມັນເປັນທີ່ສວຍງາມທີ່ຈະເປັນເສັ້ນໃຍໃນຂະນະທີ່ຄວາມສົນໃຈທັງຫມົດກ່ຽວກັບທ້ອງຖິ່ນຂອງທ່ານເອງ, ໂດຍສະເພາະວ່າທ່ານມີສ່ວນຮ່ວມຂອງຄວາມສົນໃຈທີ່. ແລະວິທີການທີ່ທ່ານໃຫ້ບໍລິສັດໃຫ້ເຫັນວ່າພວກເຂົາເຈົ້າບໍ່ແມ່ນອຸປະກອນການສົນທະນາກັບ AI ໂດຍບໍ່ໄດ້ຮັບການສົນທະນາກັບ (ຫຼືເປັນ) elitist - ເປັນຜູ້ປົກຄອງໃບຢັ້ງຢືນຕົນເອງ? ຊອກຫາ ຂໍຂອບໃຈວ່າທ່ານກໍາລັງຊອກຫາຂໍ້ມູນເພີ່ມເຕີມ. Think of AI as the top of a Pyramid ຂອງຄວາມຕ້ອງການ . Yes, self-actualization (AI) is great, but you first need food, water and shelter (data literacy, collection and infrastructure). Pyramid ຂອງຄວາມຕ້ອງການ ຄວາມຕ້ອງການຕົ້ນຕໍ: ທ່ານສາມາດກວດສອບ? ໃນປັດຈຸບັນ, ໃນປັດຈຸບັນ, ພວກເຮົາມີ . ຂໍ້ມູນທີ່ທ່ານຕ້ອງການ, ແລະສິ່ງທີ່ສາມາດເຂົ້າເຖິງ? ຖ້າຫາກວ່າມັນເປັນຜະລິດຕະພັນຜູ້ໃຊ້, ທ່ານຄົ້ນຄວ້າການຮ່ວມເພດຜູ້ໃຊ້ທີ່ກ່ຽວຂ້ອງທັງຫມົດ? ຖ້າຫາກວ່າມັນເປັນ sensor, ຂໍ້ມູນທີ່ຜ່ານມາແລະວິທີການໃດ? ມັນງ່າຍດາຍທີ່ຈະເຂົ້າເຖິງການຮ່ວມເພດທີ່ບໍ່ໄດ້ຮັບອຸປະກອນ? ຫຼັງຈາກນັ້ນ, ຄວາມປອດໄພ ມັນເປັນສິ່ງທີ່ເຮັດໃຫ້ການປັບປຸງທີ່ຜ່ານມາໃນການຝຶກອົບຮົມເຄື່ອງທີ່ສາມາດ. data collection ລະຫັດ QR ຫຼັງຈາກນັ້ນ, ວິທີການທີ່ຈະ ໂດຍຜ່ານການລະບົບ? ທ່ານມີໄຟລ໌ທີ່ສອດຄ່ອງກັບທ່ານ / ETL ? ຖ້າຫາກວ່າທ່ານອະນຸຍາດໃຫ້ມັນ, ແລະໄດ້ຢ່າງງ່າຍດາຍທີ່ຈະເຂົ້າເຖິງແລະທົດສອບ? ເປັນຫຍັງທ່ານກໍາລັງຊອກຫາຂໍ້ມູນເພີ່ມເຕີມກ່ຽວກັບການເຮັດວຽກຂອງພວກເຮົາ? data flow ສັດລ້ຽງ [Side: I was looking for an exact quote and found it in his ' ດາວນ໌ໂຫລດ Logs ຂ້າພະເຈົ້າຊອກຫາວ່າ, ໃນຂະນະທີ່ຂ້າພະເຈົ້າຊອກຫາວ່າ, ໃນຂະນະທີ່ຂ້າພະເຈົ້າຊອກຫາສໍາລັບການຄົ້ນຄວ້າທີ່ກ່ຽວຂ້ອງ, ຂ້າພະເຈົ້າຊອກຫາສໍາລັບການຄົ້ນຄວ້າທີ່ກ່ຽວຂ້ອງ, ແລະຂ້າພະເຈົ້າຊອກຫາສໍາລັບການຄົ້ນຄວ້າທີ່ກ່ຽວຂ້ອງ, ຂ້າພະເຈົ້າຊອກຫາສໍາລັບການຄົ້ນຄວ້າທີ່ກ່ຽວຂ້ອງ (H/T Daniel Tunkelang) ໃນ Hilary Mason ແລະ Chris Wiggins ລະຫັດ QR ກ່ຽວກັບສິ່ງທີ່ຜູ້ຊ່ຽວຊານຂໍ້ມູນເຮັດ. Days ago, Sean Taylor ດາວໂຫລດ ການຄົ້ນຄວ້າຂອງຕົນເອງ data science pyramid ຂອງຄວາມຕ້ອງການ (ລັກສະນະຂອງການຄົ້ນຄວ້າ Data Triangle Unconjoined) ທີ່, ເນື່ອງຈາກວ່າ, ແມ່ນປະສິດທິພາບທີ່ແຕກຕ່າງກັນ. ດາວນ໌ໂຫລດ Logs ລະຫັດ QR ດາວໂຫລດ ໃນເວລາທີ່ຂໍ້ມູນສາມາດເຂົ້າເຖິງ, ທ່ານສາມາດ ນີ້ແມ່ນເວລາທີ່ທ່ານຊອກຫາວ່າທ່ານກໍາລັງຊອກຫາຂໍ້ມູນຫຼາຍກວ່າ, sensors ຂອງທ່ານບໍ່ສາມາດຮັບປະກັນ, ການປ່ຽນແປງຕົວແທນທີ່ກ່ຽວຂ້ອງກັບຄໍາຮ້ອງສະຫມັກຂອງທ່ານ, ທ່ານກໍາລັງຊອກຫາຄໍາຮ້ອງສະຫມັກທີ່ແຕກຕ່າງກັນ - ແລະທ່ານຈະເລີ່ມຕົ້ນເພື່ອໃຫ້ແນ່ໃຈວ່າພື້ນຖານຂອງ pyramid ແມ່ນ solid. explore and transform ໃນເວລາທີ່ທ່ານສາມາດທົດສອບແລະກວດສອບຂໍ້ມູນທີ່ມີຄຸນນະສົມບັດ, ທ່ານສາມາດເລີ່ມຕົ້ນການສ້າງສິ່ງທີ່ຄາດວ່າເປັນ BI ຫຼື ຄົ້ນຫາທີ່ດີທີ່ສຸດສໍາລັບຜູ້ຊ່ຽວຊານຂອງການຝຶກອົບຮົມແລະການຝຶກອົບຮົມ ໃນປັດຈຸບັນ, ທ່ານຍັງຮູ້ວ່າສິ່ງທີ່ທ່ານຕ້ອງການທີ່ຈະຄາດຄະເນຫຼືຊອກຫາ, ແລະທ່ານສາມາດເລີ່ມຕົ້ນການ preparing ຂອງທ່ານ ໂດຍ generating labels, ຫຼືອັດຕະໂນມັດ (ຜູ້ຊ່ຽວຊານທີ່ສວຍງາມ?) ຫຼືມີມະນຸດໃນ loop. analytics features training data ນີ້ແມ່ນຍັງໃນເວລາທີ່ທ່ານກໍາລັງຊອກຫາຄວາມຫນ້າສົນໃຈແລະຄວາມສົນໃຈທີ່ສຸດຂອງທ່ານ — ແຕ່ມັນຍັງເປັນຫົວຂໍ້ຂອງບົດຄວາມ Medium ອື່ນໆ. data stories ຂໍຂອບໃຈວ່າທ່ານສາມາດກວດສອບ, ໃນປັດຈຸບັນ ພວກເຮົາມີຂໍ້ມູນການຝຶກອົບຮົມ - ຂໍຂອບໃຈ, ໃນປັດຈຸບັນພວກເຮົາມີຄວາມສາມາດໃນການຝຶກອົບຮົມເຄື່ອງ? ພຽງແຕ່, ຖ້າຫາກວ່າທ່ານກໍາລັງຊອກຫາການຄາດຄະເນດິນໃນທ້ອງຖິ່ນ; ບໍ່, ຖ້າຫາກວ່າຜົນກະທົບຈະເປັນລູກຄ້າ. ພວກເຮົາມີຄວາມຕ້ອງການທີ່ຈະໄດ້ຮັບການທົດສອບ A / B (ລວມທັງ primitive) ຫຼື ໃນຖານະເປັນບໍລິສັດຂອງພວກເຮົາ, ພວກເຮົາມີປະສົບການຄົ້ນຄວ້າແລະຄົ້ນຄວ້າຄົ້ນຄວ້າທີ່ກ່ຽວຂ້ອງກັບລູກຄ້າຂອງພວກເຮົາ. ໃນປັດຈຸບັນ (ສໍາລັບການລະບົບການຄຸ້ມຄອງ, ນີ້ຈະເປັນລວມທັງ ‘ທີ່ດີທີ່ສຸດ’, ຫຼັງຈາກນັ້ນ ‘ທີ່ດີທີ່ສຸດສໍາລັບ segment ຂອງຜູ້ໃຊ້ຂອງທ່ານ’ – ທີ່ດີທີ່ສຸດທີ່ບໍ່ເສຍຄ່າ, ແຕ່ມີປະສິດທິພາບ ‘stereotype before personalization’). experimentation simple baseline Heuristics Simple ແມ່ນທີ່ສວຍງາມທີ່ຈະຕັດສິນໃຈ, ແລະພວກເຂົາຈະຊ່ວຍໃຫ້ທ່ານ debug ລະບົບ end-to-end without mysterious ML black boxes with hypertuned hyperparameter in the middle. ໃນປັດຈຸບັນ, ທ່ານສາມາດນໍາໃຊ້ລັກສະນະ ML ທີ່ງ່າຍທີ່ສຸດ (ເຊັ່ນດຽວກັນກັບ regression logistic ຫຼື, ເຊັ່ນດຽວກັນ, ການແຜ່), ຫຼັງຈາກນັ້ນຊອກຫາຂໍ້ມູນໃຫມ່ແລະຄຸນນະສົມບັດທີ່ສາມາດປະໂຫຍດຜົນປະໂຫຍດຂອງທ່ານ. ຂໍ້ມູນສະພາບອາກາດແລະການຄົ້ນຄ້ວາແມ່ນ go-tos ຂອງຂ້າພະເຈົ້າ. ແລະບໍ່ - ບໍ່ວ່າຈະເປັນຄວາມເຂັ້ມແຂງ, ການຮຽນຮູ້ຂະຫນາດໃຫຍ່ບໍ່ສາມາດເຮັດໄດ້ຢ່າງວ່ອງໄວສໍາລັບທ່ານ. ການນໍາສະເຫນີຊອກຫາໃຫມ່ (ການສ້າງຄຸນນະສົມບັດ, ບໍ່ວ່າຈະເປັນການວິສະວະກອນຄຸນນະສົມບັດ) ແມ່ນສິ່ງທີ່ສາມາດປັບປຸງຜົນປະໂຫຍດຂອງທ່ານໂດຍການກົງແລະກົງ. ມັນມີຄ່າໃຊ້ຈ່າຍທີ່ຈະໃຊ້ເວລາທີ່ນີ້, ເຊັ່ນດຽວກ ດາວນ໌ໂຫລດ AI ທ່ານໄດ້ເຮັດໄດ້. ທ່ານມີອຸປະກອນ. ETL ຂອງທ່ານແມ່ນ humming. ຂໍ້ມູນຂອງທ່ານແມ່ນກໍານົດ & cleaned. ທ່ານມີ dashboards, labels ແລະຄຸນນະສົມບັດທີ່ດີ. ທ່ານມີຄຸນນະສົມບັດທີ່ເຫມາະສົມ. ທ່ານສາມາດທົດລອງມື້. ທ່ານມີອຸປະກອນທີ່ເຫມາະສົມທີ່ຖືກກວດສອບ end-to-end ແລະກໍາລັງເຮັດວຽກໃນການຜະລິດ - ແລະທ່ານໄດ້ປ່ຽນແປງມັນໃນໄລຍະປະເພດຂອງເວລາ. ທ່ານໄດ້ເຮັດວຽກຮ່ວມກັບທ່ານ. ຂໍຂອບໃຈແລະທົດສອບທັງຫມົດທີ່ດີທີ່ສຸດແລະທີ່ດີທີ່ສຸດທີ່ຢູ່ - ຈາກ rolling ຂອງທ່ານເອງເພື່ອນໍາໃຊ້ບໍລິສັດທີ່ຊ່ຽວຊານໃນວິສະວະກອນເຄື່ອງ. ທ່ານສາມາດໄດ້ຮັບການປັບປຸງຂະຫນາດໃຫຍ່ໃນການຜະລິດ, ຫຼືທ່ານບໍ່ໄດ້. ປະສິດທິພາບທີ່ດີທີ່ສຸດ, ທ່ານ ຂໍຂອບໃຈວ່າທ່ານກໍາລັງຊອກຫາ MVPs, Agile, Lean ແລະອື່ນໆ. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ພວກເຮົາ ກໍາ ລັງເຮັດທຸລະກິດໃນ 2012. ແລະຜະລິດຕະພັນຂໍ້ມູນທີ່ອັບໂຫລດໂດຍການຝຶກອົບຮົມເຄື່ອງຈັກ (ການຢັ້ງຢືນ Sleep ອັດຕະໂນມັດ). ພວກເຮົາບໍ່ໄດ້ສ້າງອຸດສາຫະກໍາທັງຫມົດໂດຍບໍ່ມີການເຮັດວຽກ end-to-end. ພວກເຮົາໄດ້ສ້າງອຸດສາຫະກໍາທັງຫມົດໂດຍບໍ່ມີການເຮັດວຽກ end-to-end. The data science hierarchy of needs is not an excuse to build disconnected, over-engineered infrastructure for a year. ປະເພດ Data ປະເພດ ຄໍາຖາມທີ່ດີແລະສ້າງຜະລິດຕະພັນທີ່ດີ ນີ້ແມ່ນພຽງແຕ່ກ່ຽວກັບວິທີທີ່ທ່ານ ບໍ່ວ່າທ່ານ (ໃນຂະນະທີ່ຈຸດປະສົງ pragmatic ຫຼື ethical) could should ການຄາດຄະເນຂອງເຄື່ອງ Learning Tools ‘ ’ ຂ້າພະເຈົ້າສືບຕໍ່ໄດ້ຮັບການປະທັບໃຈກໍໂດຍການບໍລິການລູກຄ້າຂອງພວກເຮົາ. ຂໍຂອບໃຈຫຼາຍດັ່ງນັ້ນສໍາລັບທຸກສິ່ງທຸກຢ່າງ: ພວກເຮົາ ກໍາ ລັງເຮົາມີຄວາມຊ່ຽວຊານໃນການປັບປຸງຄວາມປອດໄພແລະຄວາມປອດໄພຂອງພວກເຮົາມີຄວາມປອດໄພແລະຄວາມປອດໄພຂອງພວກເຮົາມີຄວາມປອດໄພແລະຄວາມປອດໄພຂອງພວກເຮົາມີຄວາມປອດໄພ.