DIGITIMES医疗月
MCU
 

拥抱机器学习 资料科学家、必要基础设施和工具缺一不可

物联网及AI趋势下,企业对数据的理解、分析、演算模型设计等工作将更形重要。法新社

随著过去10年数码化和大数据的兴起,企业正在实施机器学习策略,并雇用更多资料科学家。然而单单作用资料科学家无法让业务流程更有效率,而需要配套基础设施和工具软件来处理数据。

根据富比士(Forbes)报导,追求数码化的企业目前很需要资料科学家拥有的知识和专业技能。但资料科学家仍面临许多挑战,资料科学家虽喜欢分析数据,但不喜欢整理杂乱数据的任务。这些任务目前消耗其日常工作的8成时间,使其没有多少时间完成从分析数据中提取见解、对业务产生正面影响的实际工作。

许多企业认为培训模型完全依赖于算法和编码技能。实际上,培训过程是由完整的系统组成,该系统包含许多可单独影响最终模型开发的子组件。因此,这些企业未能使用数据工具为资料科学家提供有效管理和分析数据所需的连网数据库。

资料科学家拥有组织内部最先进的技能组合,但若无适当的基础设施使其高效地工作,其知识就会被浪费在组织数据而不是理解数据上。现今有太多数据,就算最出色的资料科学家也难以有效管理。加上不稳定的基础设施及缺乏工具,可能导致资料科学家因为工作负担太重而经常离职。

为避免数据变得陈旧或无法使用,企业应尽早实施机器学习服务和工具,好以高效、及时的方式分析数据。企业应将更稳定、高效的机器学习策略方案视为可实施的服务,而不仅是可雇佣的更多技能。

招聘能管理这些任务的资料科学家对企业很重要。但更重要的是,企业须提供发挥其专业知识所需的工具和资源,而这些工具可从专注于机器学习的合适技术伙伴处取得。

  •     按赞加入DIGITIMES智能应用粉丝团