根据国际分析学会的最新报告，不到10%.估计这是企业环境下量产部署的AI测试项目数量。
数量如此之少的原因有很多，包括数据量大，缺乏易用的分析工具。这个问题需要实现AI和机器学习的可操作性，并使其具有一致的可访问性和可重复性。
BlueData副总裁兼总经理Anant Chintamaneni(如图)表示，“最终，如果你想从这些模型和你所做的所有努力中获得商业价值，你必须将它们注入到业务流程中。”惠普公司的负责人。“机器学习的操作最终是关键，这是企业必须要取得的进步。”
Chintamaneni与位于加州帕洛阿尔托CUBE工作室的SiliconANGLE Media移动流媒体直播工作室CUBE的联合主持人Peter Burris(@plburris)进行了交谈。联合主持人斯图迷你曼(@stu)参加了Burris的数字社区活动。他们还采访了杰出的技术专家和HPE首席数据科学家Nanda Vijaydev。HPE大数据、分析和横向扩展数据平台副总裁兼总经理帕特里克奥斯本；以及Wikibon分析师James Kobielus(@jameskobielus)。讨论重点是数据科学团队中所需的角色。HPE介绍了一种新的软件解决方案，以指导企业进行分析和部署，以及人工智能和机器学习在业务流程中的重要性。(*以下披露。)
数据科学的发展
在企业中实现AI和机器学习的一个问题是，它需要一个村庄。数据科学家可以选择正确的算法，数据工程师可以清理输入的信息，机器学习架构师可以构建预测变量，程序员也可以。
这些都是数据科学团队的一部分，负责驱动所谓的数据中心运营。“在Wikibon，我们称之为数据科学的DevOps，”Kobielus说。
为了帮助这个多元化的团队确保实践的一致性，HPE在9月份推出了ML Ops，这是一个以容器为中心的软件解决方案，它基于该公司去年收购BlueData时获得的技术。BlueData的软件平台结合了容器、虚拟化和大数据工具，为客户提供更好的机器学习和AI体验。
Osborne说，“ML Ops可以帮助你从一个数据科学家或者数据工程师扩展笔记本电脑上的算法，让它在数据中心大规模运行。”“我们围绕人工智能和机器学习的新生态系统建立了许多备受瞩目的新关系。”
标签：
免责声明：本文由用户上传，如有侵权请联系删除！