Як простий аналіз даних може запустити ваші дані, перш ніж ви будете готові до ML
Приєднуйтесь до лідерів 26-28 липня на Transform AI і Edge Week. Послухайте, як керівники високого рівня обговорюють теми, пов’язані з технологією AL/ML, розмовним штучним інтелектом, IVA, NLP, Edge тощо. Забронюйте безкоштовний квиток зараз!
Дані стали новим святим Граалем для бізнесу. Компанії з усіх галузей збирають (або сподіваються зібрати) великі обсяги структурованої, напівструктурованої та неструктурованої інформації, щоб покращити свої основні пропозиції, а також підвищити операційну ефективність.
Одразу виникає ідея впровадження машинного навчання, але не кожна організація відразу має план або ресурси для мобільних даних.
«Ми живемо в епоху, коли компанії просто збирають дані, незалежно від варіанту використання чи того, що вони збираються з ними робити. І це захоплююче, але водночас і трохи лякає, оскільки обсяг даних, які збираються, і те, як вони збираються, не обов’язково завжди виконується з урахуванням сценарію використання», – сказав Амін Казероуні, директор з даних і аналітики в Orangetheory Fitness, під час сесії на конференції VentureBeat Transform 2022.
почати з малогоПроблема є основною перешкодою для зростання, керованого даними, але, за словами Казеруні, компаніям не завжди потрібно глибоко запливати та інвестувати значні кошти в штучний інтелект і машинне навчання з самого початку. Натомість вони можуть просто почати з малого з базових практик даних, а потім розширити масштаб.
ПодіяПеретворення 2022
Зареєструйтеся зараз, щоб отримати безкоштовну віртуальну перепустку на Transform AI Week, 26-28 липня. Почуйте думки лідерів у сфері штучного інтелекту та даних Visa, Lowe's eBay, Credit Karma, Kaiser, Honeywell, Google, Nissan, Toyota, John Deere тощо.
зареєструватися тутВиконавчий керівник, який раніше очолював роботу зі штучним інтелектом у Zappos, сказав, що однією з перших ініціатив перед обличчям величезних обсягів даних має бути створення стандартизованої спільної мови для обговорення зібраної інформації. Це важливо, щоб переконатися, що значення, отримане з даних, має однакове значення для всіх зацікавлених сторін.
"Я думаю, що багато генеральних директорів, операційних директорів і фінансових директорів компаній, які зібрали великі обсяги даних, стикаються з цією проблемою, коли всі використовують однакові назви для показників, але значення різне залежно від джерела даних, з якого вони їх отримали .А цього майже ніколи не повинно бути», — зазначив він.
Коли спільна мова буде готова, наступним кроком буде зв’язатися з лідерами, щоб визначити повторювані та трудомісткі процеси, якими керують експерти з домену, які інакше могли б допомогти у вирішенні більш нагальних проблем із даними. За словами Казеруні, ці процеси мають бути спрощені або автоматизовані, що демократизує дані, зробивши їх доступними для зацікавлених сторін для прийняття більш обґрунтованих рішень.
"Якщо це станеться, ви відразу почнете бачити переваги своїх даних (і подивитеся на більші проблеми), без необхідності робити великі інвестиції в технології наперед або говорити, агов, давайте знайдемо щось, що ми можемо змінити машинне навчання і працювати у зворотному напрямку», – сказав виконавчий директор.
Централізований зірковий підхідКазеруні зауважив, що для отримання найкращих результатів стартапам, які не є технологіями, слід зосередитися на підході «хаб-і-шпиль», а не намагатися будувати все всередині компанії. Їм просто потрібно зосередитися на одному диференціаторі та використовувати ринкові рішення, щоб отримати технологію, необхідну для виконання роботи.
Однак я також вважаю, що важливо взяти дані від цього постачальника та перемістити їх усередину до центрального концентратора або озера даних, яке фактично використовує дані в точці генерації, для якої [вони] були згенеровані І якщо вам потрібно використати ці дані в іншому місці або підключити їх до іншого ресурсу даних, перенесіть їх у центр...
Приєднуйтесь до лідерів 26-28 липня на Transform AI і Edge Week. Послухайте, як керівники високого рівня обговорюють теми, пов’язані з технологією AL/ML, розмовним штучним інтелектом, IVA, NLP, Edge тощо. Забронюйте безкоштовний квиток зараз!
Дані стали новим святим Граалем для бізнесу. Компанії з усіх галузей збирають (або сподіваються зібрати) великі обсяги структурованої, напівструктурованої та неструктурованої інформації, щоб покращити свої основні пропозиції, а також підвищити операційну ефективність.
Одразу виникає ідея впровадження машинного навчання, але не кожна організація відразу має план або ресурси для мобільних даних.
«Ми живемо в епоху, коли компанії просто збирають дані, незалежно від варіанту використання чи того, що вони збираються з ними робити. І це захоплююче, але водночас і трохи лякає, оскільки обсяг даних, які збираються, і те, як вони збираються, не обов’язково завжди виконується з урахуванням сценарію використання», – сказав Амін Казероуні, директор з даних і аналітики в Orangetheory Fitness, під час сесії на конференції VentureBeat Transform 2022.
почати з малогоПроблема є основною перешкодою для зростання, керованого даними, але, за словами Казеруні, компаніям не завжди потрібно глибоко запливати та інвестувати значні кошти в штучний інтелект і машинне навчання з самого початку. Натомість вони можуть просто почати з малого з базових практик даних, а потім розширити масштаб.
ПодіяПеретворення 2022
Зареєструйтеся зараз, щоб отримати безкоштовну віртуальну перепустку на Transform AI Week, 26-28 липня. Почуйте думки лідерів у сфері штучного інтелекту та даних Visa, Lowe's eBay, Credit Karma, Kaiser, Honeywell, Google, Nissan, Toyota, John Deere тощо.
зареєструватися тутВиконавчий керівник, який раніше очолював роботу зі штучним інтелектом у Zappos, сказав, що однією з перших ініціатив перед обличчям величезних обсягів даних має бути створення стандартизованої спільної мови для обговорення зібраної інформації. Це важливо, щоб переконатися, що значення, отримане з даних, має однакове значення для всіх зацікавлених сторін.
"Я думаю, що багато генеральних директорів, операційних директорів і фінансових директорів компаній, які зібрали великі обсяги даних, стикаються з цією проблемою, коли всі використовують однакові назви для показників, але значення різне залежно від джерела даних, з якого вони їх отримали .А цього майже ніколи не повинно бути», — зазначив він.
Коли спільна мова буде готова, наступним кроком буде зв’язатися з лідерами, щоб визначити повторювані та трудомісткі процеси, якими керують експерти з домену, які інакше могли б допомогти у вирішенні більш нагальних проблем із даними. За словами Казеруні, ці процеси мають бути спрощені або автоматизовані, що демократизує дані, зробивши їх доступними для зацікавлених сторін для прийняття більш обґрунтованих рішень.
"Якщо це станеться, ви відразу почнете бачити переваги своїх даних (і подивитеся на більші проблеми), без необхідності робити великі інвестиції в технології наперед або говорити, агов, давайте знайдемо щось, що ми можемо змінити машинне навчання і працювати у зворотному напрямку», – сказав виконавчий директор.
Централізований зірковий підхідКазеруні зауважив, що для отримання найкращих результатів стартапам, які не є технологіями, слід зосередитися на підході «хаб-і-шпиль», а не намагатися будувати все всередині компанії. Їм просто потрібно зосередитися на одному диференціаторі та використовувати ринкові рішення, щоб отримати технологію, необхідну для виконання роботи.
Однак я також вважаю, що важливо взяти дані від цього постачальника та перемістити їх усередину до центрального концентратора або озера даних, яке фактично використовує дані в точці генерації, для якої [вони] були згенеровані І якщо вам потрібно використати ці дані в іншому місці або підключити їх до іншого ресурсу даних, перенесіть їх у центр...
What's Your Reaction?
