Làm thế nào tự động hóa tăng tốc các dự án khoa học dữ liệu

0
20

            Nếu khoa học dữ liệu là chìa khóa để tăng trưởng kinh doanh, doanh nghiệp phải mở khóa tiềm năng của nó bằng tự động hóa.
        

            
                                                                             
            
            

                 ] ]
    

     Làm thế nào tự động hóa CNTT có thể giúp lấp đầy khoảng trống tài năng công nghệ
     Tại Hội nghị chuyên đề Gartner 2018, Frank Melchiorre của Advanced Systems Conception, Inc. đã giải thích những lợi ích của tự động hóa CNTT doanh nghiệp.
    

    

Năm 2018, Nick Elprin, CEO và đồng sáng lập của Domino Data Lab, cho biết: "Sáu mươi phần trăm các công ty có kế hoạch tăng gấp đôi quy mô của các nhóm khoa học dữ liệu của họ vào năm 2018. 90% tin rằng khoa học dữ liệu đóng góp cho doanh nghiệp Tuy nhiên, ít hơn 9% thực sự có thể định lượng được tác động kinh doanh của tất cả các mô hình của họ và chỉ 11% có thể yêu cầu hơn 50 mô hình dự đoán hoạt động trong sản xuất. "

    
        

Các số liệu để chuyển đổi các dự án khoa học dữ liệu thành các câu chuyện thành công trong kinh doanh của công ty đã không thay đổi nhiều kể từ đó và đang gặp rắc rối. Các học viên trong ngành nhận thức rõ về họ, và một số người đang cố gắng làm điều gì đó về nó.

XEM: So sánh tính năng: Phần mềm phân tích dữ liệu và dịch vụ (Tech Pro Research)

"Chúng tôi đã thấy các nghiên cứu chỉ báo cáo 4% các công ty thực hiện thành công trí tuệ kinh doanh (BI) và trí tuệ nhân tạo (AI)", Ryohei Fujimaki, Ph.D. , người sáng lập và CEO của dotData, tập trung vào tự động hóa khoa học dữ liệu cho các doanh nghiệp. "Nó tự nhiên khiến bạn tự hỏi 96% còn lại đang làm gì."

Một lĩnh vực mà Fujimaki và những người khác tập trung vào là hiểu rõ hơn về mối quan hệ khách hàng và các yếu tố tạo ra sự khuấy động khách hàng.

"Có rất nhiều lợi ích kinh doanh trong việc này," Fujimaki nói. "Khoa học dữ liệu là chìa khóa cho sự phát triển kinh doanh nếu bạn có thể mở khóa tiềm năng của nó. Bạn có thể dự đoán các sản phẩm và chi phí mới, và thậm chí cả khách hàng. Những hiểu biết mà khoa học dữ liệu có thể tạo ra sự cắt giảm trong tất cả các ngành, cho dù đó là dược phẩm, hàng không vũ trụ, sản xuất, bán lẻ, tài chính, hoặc khác. "

XEM: Xây dựng một nhóm khoa học dữ liệu hiệu quả: Hướng dẫn cho các nhà lãnh đạo doanh nghiệp và công nghệ (PDF miễn phí) ( TechRepublic)

Khó khăn về khoa học dữ liệu

Vấn đề là các công ty phải mất trung bình hai đến ba tháng để hoàn thành một dự án khoa học dữ liệu duy nhất.

" Khoa học dữ liệu là khó khăn cho các doanh nghiệp vì nó đòi hỏi một đội ngũ liên ngành để thành công, "Fujimaki nói. "Đầu tiên, bạn có các 'chuyên gia tên miền' của công ty, những người biết các lĩnh vực kinh doanh cụ thể và có thể hỗ trợ xác định các trường hợp sử dụng kinh doanh quan trọng. Tài năng khoa học dữ liệu cũng khó thuê. Sau đó, bạn phải thu thập, dọn dẹp và chuẩn bị dữ liệu. Sau đó, bạn phải xác định hơn 80% thời gian dự án. Sau đó, bạn phải xác định các mô hình dữ liệu, thuật toán và trực quan hóa khác nhau và thử chúng ở chế độ lặp, biết rằng không phải tất cả chúng sẽ hoạt động. Cuối cùng, khi bạn nhận được một dự án mạnh đáp ứng trường hợp kinh doanh, bạn phải chuyển dự án vào sản xuất. Điều này thường ảnh hưởng đến quá trình kinh doanh. "

Khi kết thúc quá trình này, công ty có thể đạt được một dự án AI thành công, nhưng nhiều công ty cũng thấy rằng họ muốn để thêm học máy để có được nhiều hơn từ công việc AI ban đầu.

Thêm học máy có thể mất thêm 20% đến 30% thời gian dự án. "Một lần nữa, bạn phải liên tục kiểm tra và kiểm tra lại, để đảm bảo dữ liệu đó là chính xác và bạn là rea thu nhỏ các mục tiêu trường hợp kinh doanh của bạn, "Fujimaki nói.

Đây là nơi tự động hóa có thể tạo ra sự khác biệt. Fujimaki đưa ra một trường hợp sử dụng ví dụ: Một ngân hàng lớn đang tập hợp một nhóm khoa học dữ liệu và họ nhận thấy rằng phải mất nhiều thời gian để hiểu sâu hơn mong muốn. Những gì nó muốn là sự nhanh nhẹn và khả năng thực hiện nhiều dự án khoa học dữ liệu nhanh hơn. Họ quyết định bổ sung tự động hóa khoa học dữ liệu, không phải để thay thế nhóm khoa học dữ liệu, mà là để làm cho nhóm nhanh nhẹn và hiệu quả hơn. Thay vì thực hiện một dự án khoa học dữ liệu cứ sau 2-3 tháng, nhóm nghiên cứu đã sử dụng tự động hóa khoa học dữ liệu và có thể thực hiện gấp mười lần.

XEM: Phân tích dữ liệu : Hướng dẫn dành cho các nhà lãnh đạo doanh nghiệp (PDF miễn phí) (TechRepublic)

Tự động hóa khoa học dữ liệu

Tự động hóa khoa học dữ liệu hoạt động như thế nào?

Với phần mềm, một công ty có thể tự động thực hiện tất cả việc làm sạch dữ liệu, chuẩn bị, phân tích thống kê, toán học và kỹ thuật AI với tài nguyên cá nhân tối thiểu. Nếu một công ty muốn vượt ra ngoài AI và thêm học máy, nó cũng có thể tự động hóa các quy trình ML.

"Với khả năng này, bạn vẫn cần các chuyên gia về lĩnh vực kinh doanh, nhà khoa học dữ liệu và kỹ sư, nhưng bạn có thể tự động hóa nhiều hoạt động thống kê và toán học của khoa học dữ liệu ", Fujimaki nói. "Điều này làm cho khoa học dữ liệu bền vững hơn trong các tổ chức và nó cho phép các công ty bao quát hơn vì họ có thể cung cấp các sản phẩm khoa học dữ liệu nhanh hơn.

" Có nhiều yếu tố trong quy trình này, nhưng tự động hóa khoa học dữ liệu có thể giúp ích ". Fujimaki tiếp tục. "Ngoài việc cho phép doanh nghiệp của bạn hoàn thành nhiều dự án khoa học dữ liệu và đưa sản phẩm ra thị trường sớm hơn mà không phải tự mình thực hiện tất cả các hoạt động khoa học dữ liệu, một kiểu 'dân chủ hóa' khoa học dữ liệu bắt đầu xảy ra trong các tổ chức. Giờ đây, nhiều người có thể là chuyên gia trong lĩnh vực kinh doanh cũng có thể sử dụng tự động hóa mà không cần phải trở thành nhà khoa học dữ liệu toàn diện. "

                                                                                

                                                

Cũng xem

 Nữ doanh nhân đứng gần màn hình với biểu đồ "width =" 770 "/> </span><figcaption>
<p>
                                            Hình ảnh: Hình ảnh Getty / iStockphoto<br />
                                        </p>
</figcaption></figure>
<div class=