黑科技Gartner表示,众多数据科学家会将深度学习纳入其工具包中

2017年10月16日

深度学习,人工智能,深度学习,机器学习,Gartner,图像处理

本文来自which-50.com,作者Staff Writers;由编译。

预测,到2018年,80%的数据科学家会将纳入其工具包中。此外,Gartner还预测,到2019年,深度学习将成为实现需求,欺诈和故障预测最佳性能的关键驱动因素。

深度学习,它是(ML)的变体,代表了(AI)的主要推动力。

Gartner研究副总裁Alexander Linden表示:“通过允许数据的中间表示,深度学习从而扩展了机器学习。深度学习最终是解决复杂的,且拥有大量数据的业务问题。例如,在解读医学图像以便及早诊断癌症方面,深度学习可以给出很好的结果。深度学习也有助于改善视力障碍人士的视力,控制自动驾驶汽车,或者认识和理解某个人的言论。”

今天,机器学习通过深度学习的常见用例就是关于图像,文本和音频处理,但也越来越多地用于预测需求,确定服务和产品质量的不足,检测新型欺诈,简化对动态数据的分析,并提供预测性甚至规范性的维护。

Gartner认为,机器学习和人工智能项目不仅仅需要依靠数据和算法取得成功。它们还需要融合技能,基础设施和业务认可。

机器学习人才

根据Gartner的介绍,目前,大多数企业都缺乏简单的机器学习解决方案所需的数据科学技能,更不用说深度学习了。

“在这种情况下,IT领导者将会负责寻找专家,也就是所谓的数据科学家。”Linden说,“数据科学家可以从数据中提取广泛的知识,可以整体查看端到端流程,也可以解决数据科学问题。”

Linden表示:“如果你的一个团队对数据有了很好的了解,拥有业务领域的专业知识并能够阐明产出,那么你们就可以开始进行机器学习实验了。即使你的团队在算法方面缺乏经验,也可以从打包的应用程序或API开始做。”

从机器学习中确定商业价值

Linden建议,在开始机器学习之前,要找到需要解决的正确问题。

“通过使用你常用报告中的相同数据,例如某个地区的订单,来准备机器学习是一个很好的主意。然后,你可以将机器学习运用到前瞻性的预测中,例如,可以通过区域预测同一订单下个月的情况。这样一来,它就可以扩展到事后报告中,向业务利益相关者展示机器学习的各种可能性。”

然而,机器学习有其自身的局限性。Linden补充说道:“如果机器学习系统有足够的数据——例如数百万个定价物品及其可用性——去学习的话,那么它就可以做出最好的决策。但是,机器学习系统无法判断任何由此产生的决策是否符合道德标准。”

This entry was posted in 人工智能 and tagged , , , , . Bookmark the permalink.

发表评论

电子邮件地址不会被公开。 必填项已用*标注