從大數據到AI:我們現在前進的道路是什么?

2016年,AI炒作剛剛開始,許多人仍然謹慎,當提到這個詞“人工智能”。畢竟,我們中的很多人被毒化了多年來避免這一項,已經擴散混亂,過多的承諾,無法履行。事實證明,從大數據和分析路徑AI是自然的.

不僅因為它能幫助人們聯系和調整他們的心智模式,或者因為大數據和分析正在享受的那種炒作AI現在,才黯然失色的人工智能。但主要是因為需要數據——大或居住地——構建人工智能。

ZDNet:2018年“黑色星期五”交易:商業交易獵人的首選|網絡星期一2018年交易:商業交易獵人的首選

它還需要一些其他關鍵因素。所以,讓我們重新審視西班牙大數據(BDS),其中一個最大和最前衛的事件在歐洲,這標志著從大數據過渡到AI幾年回來,并試圖回答一些問題在人工智能基于我們從上周的陣容和活潑的人群。

簡短的回答是:不,不會。分之一,Gartner分析成熟度模型是,如果你想建立AI功能(預測和說明性的),你必須做一個堅實的大數據基礎(光譜的描述性和診斷結束)。

的一部分都是關于存儲和處理大量數據的能力,但這只是冰山一角。技術解決方案這豐富的這些天,但隨著ZDNet的貢獻者托尼•貝爾所說的那樣,建立人工智能,你不應該忘記人們和過程.

更具體地說:不要忘記數據讀寫數據治理組織中。它已經一次又一次地指出的那樣,但是這些真的是賭注。所以,如果你認為你可以在你的組織開發人工智能解決方案通過某種方式跨越的進化鏈分析,最好再想想。

作為奧斯卡門德斯,Stratio CEO,強調在他的主題,超越的AI與經常可憐的基礎,需要一個全面的方法。你的數據基礎架構和治理,尋找和培訓正確的機器學習(ML)模型可以產生令人印象深刻的結果。但有一個限制,這些可以帶你,充分證明了日常的Alexa失敗,Cortana,Siri。

這里的關鍵信息是,把語境和推理能力的發揮需要更緊密地模仿人類智能。門德斯的不僅僅是這個,因為這是什么東西等人工智能研究人員共享Yoshua Bengio深度學習的思想。深度學習(DL)擅長模式匹配和數據和計算爆炸里,可以讓它超越人類基于模式匹配的任務。

智慧,然而,并不是所有關于模式匹配。推理能力不能只建立在ML方法——至少不是現在。所以我們需要的是一種集成少炒作的人工智能方法,所謂的象征:知識表示和推理,本體等。這是一個我們一直提倡的消息,看到它的焦點在BDS肯定。

簡短的回答:也許吧,但你應該非常體貼。所以,不要拐彎抹角了:人工智能是困難的。是的,你一定要建立數據治理等基本能力,因為這是適合您的組織。有些人,像西班牙電信,從大數據到人工智能管理通過執行戰略計劃。但它不是一件簡單的事情。

已經驗證了這一點可能是什么最可靠的調查毫升收養,超過11 k受訪者回答。從顯示Derwen帕科內森從O ' reilly調查結果和見解他已經檢測,這或多或少地證實了我們知道:越來越多的AI貧富之間的差距。

的一個極端,我們有谷歌和微軟的世界:組織應用人工智能作為他們的策略和操作的核心元素。他們的資源、數據和知識,他們領先的人工智能比賽。然后還有用戶,致力于應用人工智能領域,和落后者,太深埋在技術債務能夠做任何有意義的人工智能應用。

AI領導人已經發行,從表面上看,似乎“民主化”的人工智能。谷歌和微軟都在BDS,展示,例如,演示圖像識別應用程序是建立在一個點和點擊的方式在幾分鐘。

傳達的信息是明確的:讓我們擔心模型和訓練,你專注于你的領域的細節。我們可以確定機械零件,例如——只是給我們你的具體的機械零件,你是好去。

谷歌還宣布一些新產品在BDS:Kubeflow和人工智能中心。背后的想法是編排毫升管道同樣為碼頭工人什么Kubernetes容器應用程序中,并成為一個Github毫升模型,分別。這些都不是唯一的產品,承諾類似的優勢。他們聽起來誘人的,但你應該使用它們嗎?

誰不想跳AI隊列,并獲得結果現在沒有所有的麻煩,對吧?這確實是一個實用的方法,可以讓你在競爭。有只有一個問題:如果你人工智能完全外包,你不會開發所需的技能是中長期內自給自足。

想到的數字轉換。是的,數字化,探索技術和重新設計的過程是困難的。并不是所有的組織得到它,或者專門的足夠的資源。但那些現在領先。人工智能也有類似的,如果不是大,潛在的破壞和區分。因此,盡管得到直接結果是偉大的,投資在人工智能應該仍然被視為一個戰略重點。

你可以減少一部分懷疑外包是基礎設施。對大多數組織來說,維護自己的數字基礎設施只是不加起來。經濟規模,頭開始,平和的心態,在云中運行基礎設施可以給大量的好處。