从大数据到AI:我们现在前进的道路是什么?

2016年,AI炒作刚刚开始,许多人仍然谨慎,当提到这个词“人工智能”。毕竟,我们中的很多人被毒化了多年来避免这一项,已经扩散混乱,过多的承诺,无法履行。事实证明,从大数据和分析路径AI是自然的.

不仅因为它能帮助人们联系和调整他们的心智模式,或者因为大数据和分析正在享受的那种炒作AI现在,才黯然失色的人工智能。但主要是因为需要数据——大或居住地——构建人工智能。

ZDNet:2018年“黑色星期五”交易:商业交易猎人的首选|网络星期一2018年交易:商业交易猎人的首选

它还需要一些其他关键因素。所以,让我们重新审视西班牙大数据(BDS),其中一个最大和最前卫的事件在欧洲,这标志着从大数据过渡到AI几年回来,并试图回答一些问题在人工智能基于我们从上周的阵容和活泼的人群。

简短的回答是:不,不会。分之一,Gartner分析成熟度模型是,如果你想建立AI功能(预测和说明性的),你必须做一个坚实的大数据基础(光谱的描述性和诊断结束)。

的一部分都是关于存储和处理大量数据的能力,但这只是冰山一角。技术解决方案这丰富的这些天,但随着ZDNet的贡献者托尼•贝尔所说的那样,建立人工智能,你不应该忘记人们和过程.

更具体地说:不要忘记数据读写数据治理组织中。它已经一次又一次地指出的那样,但是这些真的是赌注。所以,如果你认为你可以在你的组织开发人工智能解决方案通过某种方式跨越的进化链分析,最好再想想。

作为奥斯卡门德斯,Stratio CEO,强调在他的主题,超越的AI与经常可怜的基础,需要一个全面的方法。你的数据基础架构和治理,寻找和培训正确的机器学习(ML)模型可以产生令人印象深刻的结果。但有一个限制,这些可以带你,充分证明了日常的Alexa失败,Cortana,Siri。

这里的关键信息是,把语境和推理能力的发挥需要更紧密地模仿人类智能。门德斯的不仅仅是这个,因为这是什么东西等人工智能研究人员共享Yoshua Bengio深度学习的思想。深度学习(DL)擅长模式匹配和数据和计算爆炸里,可以让它超越人类基于模式匹配的任务。

智慧,然而,并不是所有关于模式匹配。推理能力不能只建立在ML方法——至少不是现在。所以我们需要的是一种集成少炒作的人工智能方法,所谓的象征:知识表示和推理,本体等。这是一个我们一直提倡的消息,看到它的焦点在BDS肯定。

简短的回答:也许吧,但你应该非常体贴。所以,不要拐弯抹角了:人工智能是困难的。是的,你一定要建立数据治理等基本能力,因为这是适合您的组织。有些人,像西班牙电信,从大数据到人工智能管理通过执行战略计划。但它不是一件简单的事情。

已经验证了这一点可能是什么最可靠的调查毫升收养,超过11 k受访者回答。从显示Derwen帕科内森从O ' reilly调查结果和见解他已经检测,这或多或少地证实了我们知道:越来越多的AI贫富之间的差距。

的一个极端,我们有谷歌和微软的世界:组织应用人工智能作为他们的策略和操作的核心元素。他们的资源、数据和知识,他们领先的人工智能比赛。然后还有用户,致力于应用人工智能领域,和落后者,太深埋在技术债务能够做任何有意义的人工智能应用。

AI领导人已经发行,从表面上看,似乎“民主化”的人工智能。谷歌和微软都在BDS,展示,例如,演示图像识别应用程序是建立在一个点和点击的方式在几分钟。

传达的信息是明确的:让我们担心模型和训练,你专注于你的领域的细节。我们可以确定机械零件,例如——只是给我们你的具体的机械零件,你是好去。

谷歌还宣布一些新产品在BDS:Kubeflow和人工智能中心。背后的想法是编排毫升管道同样为码头工人什么Kubernetes容器应用程序中,并成为一个Github毫升模型,分别。这些都不是唯一的产品,承诺类似的优势。他们听起来诱人的,但你应该使用它们吗?

谁不想跳AI队列,并获得结果现在没有所有的麻烦,对吧?这确实是一个实用的方法,可以让你在竞争。有只有一个问题:如果你人工智能完全外包,你不会开发所需的技能是中长期内自给自足。

想到的数字转换。是的,数字化,探索技术和重新设计的过程是困难的。并不是所有的组织得到它,或者专门的足够的资源。但那些现在领先。人工智能也有类似的,如果不是大,潜在的破坏和区分。因此,尽管得到直接结果是伟大的,投资在人工智能应该仍然被视为一个战略重点。

你可以减少一部分怀疑外包是基础设施。对大多数组织来说,维护自己的数字基础设施只是不加起来。经济规模,头开始,平和的心态,在云中运行基础设施可以给大量的好处。