我们到处都能听到。学习和其他类型的人工智能是在可预见的未来推动竞争优势的引擎，但它们必须依赖数据作为燃料。大量的数据，但不是随便什么数据——他们需要高质量的、干净的、最新的数据，这些数据被准确地购买并得到良好的管理。
公司面临的主要挑战之一是获取这些数据，这有许多原因——从将数据困在组织中的孤岛，到组织可能无法生成足够的数据或没有收集数据的方法。他们需要的一些数据可能与客户情绪、生产实践或x光图像有关。
最重要的是，即使组织拥有数据，在数据收集和获得回答业务问题所需的洞察力之间也有许多步骤，例如“我们为什么会失去客户？”或者“为什么我们制造的一些医疗器械有缺陷？”或者，预测一个结果，比如“x光图像的异常是否预示着疾病？”
数据采集完成后，需要进行清理、验证和准备，以确保数据“完好”。这是数据工程师的工作。他们还必须确保数据管理的正确设计、管理和维护。然后是数据科学家，他们创建假设，认为他们将通过人工智能系统测试——并基于这些假设开发算法来教授人工智能应用程序，以找到可以回答他们问题的模式。这项工作完成后，工作会不断重复，永远不会真正完成，因为人工智能程序必须不断学习和发展。
这个复杂的过程带来了另一个挑战。科学家缺乏数据。随着对人工智能以及从物联网设备和其他来源收集的数据的需求不断增加，预计情况会越来越糟。所以，即使他们愿意，公司也很难在公司内部积累所有这些专业知识。
数据的收集、准备和维护以及人工智能算法的不断发展所涉及的所有挑战都将一个相对较新的业务推到了前台：数据即服务，它涉及将这些活动中涉及的各种功能外包出去。我们都听说过很多关于数据即服务的说法，随着任何新技术的发展，都会有很多困惑和新术语。为了简化技术服务，下面我将数据交付服务分解为两个关键产品：模型即服务和洞察即服务——每一个都有可能更适用的不同情况和时间。
模型即服务：数据和算法属于你
在“模型即服务”中，您将收集自己的数据，但会求助于提供商来准备和开发算法。如果您有非常定制的或专有的信息，这种方法特别有用。例如，想象一下，如果一家公司试图找出其客户离开的可能性，一家电信提供商试图确定向客户交叉销售其产品的最佳方式，或者一名医生试图确定患者住院后是否可以重新入院或服用处方药。这些问题的答案——或者这些结果的预测——只能准确地基于你公司特定的数据。
在这种方法中，你不仅有数据，还有算法。所有涉及筛选数据、清理、准备、监控和维护数据以及开发算法或数据模型来解决您的问题的所有正在进行的工作之间的所有艰苦工作都为您完成了。你得到的洞察力是你自己的。您可以根据您的数据、客户、公司和具体情况获得竞争优势，而不需要数据科学部门。
购买洞察力：洞察力即服务
另一种方法是insight as a service，在这种方法中，您只需要获得您需要的特定知识，其他什么都不需要。不用提供数据(虽然可以根据需要补充一些常规数据)，也不拥有它或者任何开发的算法。你刚刚获得了特别的洞察力。
如果您希望深入了解不是基于特定数据集的一般问题，这是有意义的。例如，让我们假设一个对冲基金正在试图确定圣诞节期间的销售额是否会上升。例如，他们可以求助于一家洞察即服务公司，该公司可以使用卫星图像和深度学习来计算购物中的汽车数量。在这种情况下，你会得到你的问题的答案，但其他公司也可以获得这种洞察力。
好消息是，尽管在收集和维护数据、开发算法和数据科学家短缺方面存在挑战，但你仍然可以依靠人工智能获得你正在寻找的数据洞察力。无论您是需要通过模型即服务来洞察您的特定数据，还是转向洞察即服务来解决数据集之外的更普遍的问题，结果都是数据成为推动您的业务向前发展的驱动力。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！