为什么机器学习很重要
组织正在从太多的系统中生成太多的数据,这些数据移动得太快,以至于人类无法跟上预算、职业抱负和业务目标等其他优先事项。此外,在有限的时间和技能组合限制的情况下,业务分析师、卓越中心或业务用户从所有这些数据中关联和提取价值是不可持续的。由于典型的用户群希望进行例外管理,以便优先考虑高价值的业务移动活动,机器可以帮助引领潮流。机器学习可以为大规模的组织提供更多的脑力,以增加现有的用户数量和技能。通过结合机器大脑和人类大脑,洞察力、业务流程和创新可以以前所未有的方式扩展。
机器学习算法和投资也可以提供有形的、差异化的价值。随着所有关于“数字化转型”的讨论,组织正在寻找利用计算技术来创造竞争优势的方法。长期以来,将合适的人才带入组织可以创造真正的竞争优势以及顶线和底线收益,这一点早已确立。机器学习算法、训练集和过程也是如此。通过正确的投资,人才获取现在可以以机器的形式出现。
机器学习如何成为现实
为了在现实世界中获得机器学习的好处,团队将面临共同的“构建、购买或合作”决策。市场上的许多技术平台都内置了机器学习功能,旨在解决各种用例。一般来说。这些解决方案分为两类:
使用机器学习解决目标问题的解决方案
提供工具和骨干以创建和管理自定义机器学习算法、模型和流程的技术。
在第一类中,最好的解决方案将声称具有机器学习功能,并提供嵌入式战术用例,展示机器学习如何使他们的解决方案变得更好。花时间深入研究机器学习如何使解决方案执行的流程更好,以及如何随着时间的推移评估这些机器学习能力,以确保将适当的训练投入到算法中,并随着时间的推移从模型中消除偏差。
在第二类中,投资于有助于创建和管理定制机器学习流程的工具和平台,可以为组织创建强大的、差异化的知识产权。这些平台的范围从需要高技能数据科学家编码和部署算法的强大数据科学工作台到更多以业务为中心的应用程序,以设计聊天机器人等工具。走这条路时,最成功的实施是通过应用有针对性的机器学习来解决特定的用户挑战,从而改善用户在业务流程中的当前行为。
可信数据导致可信机器
将机器学习引入组织时,用于训练机器的数据的质量和信任度与机器学习过程输出的信任度直接相关。机器学习流程和管道通常在流程后期执行时几乎没有人工交互,而且通常仅在输出时执行。这一现实与更传统的事务流程和分析完全不同,在传统的事务流程和分析中,人类在流程执行过程中发挥动手作用,因此有能力对数据手动应用高推理能力,几乎自然地处理数据不一致、错误和混乱. 当机器处理数据时,
随着机器学习嵌入到整个企业解决方案中,从开始到删除启用可信数据的能力变得更加重要。在数据科学结构中使用机器学习时,一种常见的方法是在数据科学实验室周围挖一条隐喻的“护城河”,以便围绕哪些数据进入实验室以及谁可以在外部访问结果建立强大的数据治理流程. 虽然这种方法在内部专门团队开发的机器学习中效果很好,但很快就无法在所有系统的所有数据周围划出相同的边界。相反,建议采用务实的方法:随着数据在其旅程中不断发展,管理它的政策和规则得到战略性执行,以确保根据业务影响在正确的时间进行正确的投资。例如,在医院环境中用于确保高质量和受保护的患者数据的技术可能比围绕公司办公室房地产数据的数据信任的执行策略更强大。
许多组织正在投资于主要的交易系统、ERP 系统、CRM、HCM、PLM 和分析环境。在这些情况下,执行数据迁移可以帮助确保进入这些系统的数据具有最高的可信度和质量,以便任何嵌入式机器学习功能都能产生最大的收益。一旦使用这些新系统,组织需要通过持续的数据质量和数据治理计划来保持数据质量和信任级别。
机器学习为今天和未来的真正创新提供了机会。在许多方面,它提供了赶上创新者想法并满足用户需求的技术交付承诺。通过战略性地实施机器学习并为这些机器提供值得信赖的数据,企业可以从作为创新中心的技术组织中获得有意义的竞争优势。
相关帖子DA内容精选
|