Inhalt
Quelle: Maksym Yemelyanov / Dreamstime.com
Wegbringen:
Es ist zu erwarten, dass sich 2019 im Bereich der Datenwissenschaft eine Menge Veränderungen und eine Menge KI-Implementierungen ergeben werden.
Die Datenwissenschaft verändert sich rasant. Neue Fortschritte in der KI und beim maschinellen Lernen bedeuten, dass Daten auf völlig neue Weise und in beispiellosen Modellierungssystemen verwendet werden können, um viel mehr zu leisten, als dies noch vor wenigen Jahren möglich war. Die Cloud läutet auch eine neue Ära der Datenwissenschaft ein, indem sie Software portabler und vielseitiger macht.
Techopedia fragte die Experten, was wir im kommenden Jahr sehen könnten. Hier sind einige Beispiele, die 2019 auf uns zukommen werden.
„Die Nachfrage nach intelligenten Analyseanwendungen wird die Geschäftspraktiken für Unternehmensdaten neu definieren: Unternehmen sind im Wettlauf, datenbasierte Unternehmen zu werden, doch nur ein kleiner Teil des Werts von Advanced Analytics wurde freigeschaltet. 2019 wird eine hohe Nachfrage nach neuen Innovationen für intelligente Analyseanwendungen bestehen, die auf Echtzeitinteraktionen, eingebetteten Analysen und KI basieren. …
„Der Aufstieg des Data Engineers bringt die KI in den Vordergrund des Unternehmens: Letztes Jahr war das Jahr des Data Scientists. Die Unternehmen konzentrierten sich stark darauf, Datenwissenschaftler einzustellen und zu befähigen, fortschrittliche Analyse- und maschinelle Lernmodelle zu erstellen. 2019 ist das Jahr des Dateningenieurs. Dateningenieure… haben sich darauf spezialisiert, die Arbeit von Datenwissenschaftlern in gehärtete, datengetriebene Softwarelösungen für das Unternehmen zu übersetzen. Dies beinhaltet die Erstellung detaillierter KI-Entwicklungs-, Test-, Entwicklungs- und Auditierungsprozesse, die es einem Unternehmen ermöglichen, KI- und Daten-Pipelines unternehmensweit zu integrieren.
„Menschliches und maschinelles Lernen bilden eine Symbiose, um Geschäftsentscheidungen in Echtzeit zu treffen: 2019 müssen die Bereiche KI und Analytik zusammenwachsen, um aussagekräftigere Geschäftsentscheidungen treffen zu können. Hierfür ist ein gemeinsamer Ansatz erforderlich, um historische Stapelanalysen, Streaminganalysen, Standortanalysen, Diagrammanalysen und künstliche Intelligenz in einer einzigen Plattform für komplexe Analysen zu kombinieren. Das Endergebnis ist ein neues Modell für die Kombination von Ad-hoc-Analyse und maschinellem Lernen, um bessere Einblicke schneller als je zuvor zu ermöglichen. “
- Nima Negahban, CTO und Mitbegründer, Kinetica
Keine Bugs, kein Stress - Ihre schrittweise Anleitung zur Erstellung lebensverändernder Software, ohne Ihr Leben zu zerstören
Sie können Ihre Programmierkenntnisse nicht verbessern, wenn sich niemand um die Softwarequalität kümmert.
„Entwickler erfahren, dass sie einen Data Scientist-Freund benötigen.
„Entwickler werden keine Datenwissenschaftler - man schreibt Code, man denkt in Mathematik und Modellen. Entwickler müssen jedoch zunehmend die Data-Science-Methoden verstehen und Data-Science-Modelle in ihren Workflow integrieren. Daten machen Software intelligenter und geben ihr die Möglichkeit, Ergebnisse vorherzusagen oder Benutzeranforderungen durch maschinelles Lernen vorherzusagen. Daher benötigen Entwickler zunehmend eine neue Ebene der Partnerschaft mit Datenwissenschaftlern, um großartige Arbeit zu ermöglichen. Entwickler können die Modelle der Data Scientists über APIs verfügbar machen und sie in domänenspezifische Apps einbetten, um Veränderungen wirklich voranzutreiben.
„Stellen Sie sich einen Einzelhändler vor, der auf intelligente Weise entscheiden möchte, in welchem stationären Geschäft E-Commerce-Bestellungen ausgeführt werden sollen. Ein Datenwissenschaftler kann das Modell erstellen, mit dem das optimale Geschäft berechnet wird, aus dem versendet werden soll, sodass das Unternehmen den Pullover versendet, der wahrscheinlich in einem Geschäft an einem warmen Ort im Regal lag, anstatt von einem gekauft zu werden In-Store-Shopper in kalten Gegenden. Ein Entwickler könnte diese Art von Informationen in eine Fulfillment-App einbinden und sie den Mitarbeitern in die Hand geben, um die richtige Entscheidung zu treffen. “
- Siddhartha Agarwal, Vizepräsident, Produktmanagement & Strategie, Oracle Cloud Platform
„Im Jahr 2019 werden künstliche Intelligenz (KI) und maschinelles Lernen (ML) nahezu ihr volles Potenzial entfalten, indem Daten über eine globale Verteilung von Edge-Computing-Plattformen schneller verbunden und verarbeitet werden. KI- und ML-Erkenntnisse waren schon immer verfügbar, wurden jedoch möglicherweise langsamer als erforderlich über Cloud-Plattformen oder herkömmliche Rechenzentren genutzt. Jetzt können wir die Rechen- und Speicherfunktionen näher an den Ort bringen, an dem Daten abgerufen und verarbeitet werden, und so Unternehmen, Organisationen und Regierungsbehörden in die Lage versetzen, klügere und schnellere Entscheidungen zu treffen. Wir sehen dies bereits in der Art und Weise, wie Fluggesellschaften Flugzeuge bauen und warten, Regierungsverteidigungsagenturen auf Hacker reagieren und wie persönliche Assistenten Empfehlungen für zukünftige Online-Einkäufe abgeben. In diesem Jahr wird dank AI und ML endlich jemand wissen, ob dieser besondere Mensch wirklich einen Obstkuchen oder eine Kraftwaschmaschine haben möchte. “
- Alan Conboy, Büro des CTO, Scale Computing
„2019 scheint das Jahr der Analytik, des maschinellen Lernens und der KI zu sein. Diese Tools sind bereits verfügbar, obwohl sich ihre Einführung oft verzögert hat, weil diese neuen Funktionen nicht mit den entsprechenden neuen Workflows und SOC-Praktiken abgeglichen wurden. Im nächsten Jahr sollten einige der Vorreiter - diejenigen, die behaupten, diese Techniken zu verwenden, aber tatsächlich die Korrelations- und Alarmtechniken der letzten Generation in Verkleidung verwenden - abfallen, damit die wirklichen Innovatoren auf diesem Gebiet beginnen, zu dominieren. Dies wird wahrscheinlich zu einigen Akquisitionen führen, da die großen etablierten Unternehmen, die Schwierigkeiten haben, diese Technologie zu entwickeln, versuchen, sie stattdessen zu kaufen. 2019 ist das Jahr, in das man in maschinelles Lernen investieren muss, um echte Fähigkeiten zu demonstrieren. “
- Stephen Gailey, Lösungsarchitekt, Exabeam
„Mit der Verbreitung von KI und ML wird 2019 eine neue Generation von Wissenschaftlern für Sicherheitsdaten auftauchen: KI- und ML-Techniken sind datenabhängig. Das Aufbereiten, Verarbeiten und Interpretieren von Daten setzt voraus, dass Data Scientists ein Polymath sind. Sie müssen Informatik, Datenwissenschaft und vor allem Domänenkenntnisse haben, um schlechte Daten von guten Daten und schlechte Ergebnisse von guten Ergebnissen unterscheiden zu können. Was wir bereits gesehen haben, ist das Bedürfnis nach Sicherheitsexperten, die sich mit Daten- und Informatik auskennen, um die Sicherheitsdaten, die uns heute zur Verfügung stehen, zunächst zu verstehen. Sobald diese Daten aufbereitet, verarbeitet und interpretiert sind, können sie von AI- und ML-Techniken verwendet werden, um die Sicherheit in Echtzeit zu automatisieren. “
- Setu Kulkarni, Vizepräsident für Unternehmensstrategie, Weißer Hut
„In der Softwareentwicklung wird die große Geschichte im Jahr 2019 das maschinelle Lernen und die KI sein. In den kommenden Jahren wird die Qualität der Software genauso entscheidend sein wie das, was Maschinelles Lernen und KI leisten können. In der Vergangenheit wurden Lieferprozesse so konzipiert, dass sie schlank sind und Abfall reduzieren oder eliminieren. Für mich ist dies jedoch eine veraltete, halb leere Art, den Prozess zu betrachten. Wenn wir diese beiden Technologien in diesem Jahr voll ausschöpfen wollen, müssen wir verstehen, dass das Gegenteil von Abfall Wert ist, und die halb volle Ansicht vertreten, dass effizienter zu werden bedeutet, den Wert zu steigern, anstatt Abfall zu reduzieren.
„Sobald diese Sichtweise in unserem M.O. verwurzelt ist, können wir unser Ziel erreichen, durch kontinuierliche Verbesserungen besser zu werden, schneller zu reagieren und die Bedürfnisse der Kunden zu antizipieren. Wenn wir das maschinelle Lernen und die KI weiter integrieren und nutzen, werden wir jedoch feststellen, dass zur Wertsteigerung prädiktive Analysen erforderlich sind. Predictive Analytics ermöglicht die Simulation der Bereitstellungspipeline anhand der verfügbaren Parameter und Optionen, sodass Sie die Organisation nicht "auseinandersetzen" müssen, um den Weg zur Verbesserung zu finden. Sie können sich virtuell verbessern, durch Simulationen Lehren ziehen und, wenn Sie dazu bereit sind, neue Releases implementieren, von denen Sie überzeugt sind, dass sie funktionieren.
„Fortschrittliche Organisationen werden 2019 durch Simulation proaktiv sein. Wenn sie Verbesserungen an der Pipeline simulieren können, werden sie sich kontinuierlich schneller verbessern. “
- Bob Davis, CMO, Plutora
„Suchen Sie im Jahr 2019 nach Datenteams, die im Laufe der Zeit immer ausgefeilter werden, um mit größeren Datenmengen zu arbeiten und neue Techniken in ihren Workflow zu integrieren. Fortgeschrittene Sprachen wie R und Python sind zu einem kritischeren Bestandteil der alltäglichen Analyse geworden und sollten ein zentrales Element in der Strategie des „Day Zero“ sein, wenn ein Technologie-Stack erstellt wird. “
- Harry Glaser, CEO, Periskopdaten
„Ich erwarte eine breite Akzeptanz einer Methode, über die ich kürzlich geschrieben habe: Mixed Formal Learning. Es ermöglicht Unternehmen, KI-Systeme mit herausragender Genauigkeit und ohne oder mit winzigen Mengen an Trainingsdaten zu erstellen. Unter dem Gesichtspunkt der Rohstoffe hindert die Datenfülle, die zum Trainieren und Testen von KI-Lösungen erforderlich ist, viele Unternehmen daran, am KI-Rennen teilzunehmen.
„Mindestens zwei Unternehmen, Google und Glynt.ai, haben mit Mixed Formal Learning spektakuläre Ergebnisse erzielt. Glynt.ai verwendet diese Methode, um Daten aus unstrukturierten Dokumenten mit weniger als 10 Trainingsbeispielen zu extrahieren. Das Ergebnis ist eine Genauigkeit von ca. 98%: Besser als ein Team von zwei Dateneingabemitarbeitern. Frühere Implementierungen wären stolz, wenn sie 1.000 Beispiele bräuchten, um dieselbe Aufgabe mit einer Genauigkeit von 95% auszuführen. “
- Sandra Carrico, VP Engineering und Chief Data Scientist bei Glynt.ai (ein Geschäftsbereich von WattzOn)
„Wenn ich vorhersagen muss, was 2019 groß sein wird, würde ich AI sagen - ich denke, ich sehe viel bessere virtuelle Assistenten und bessere Chatbots. Die Sache mit AI ist, dass wir, die Verbraucher, uns der Wachstumsrate der Technologie und ihrer Anwendungen nicht wirklich bewusst sind, weil sie hinter den Kulissen funktioniert.
"Außerdem ist die Blockchain groß und wird immer größer. Im Moment gibt es keine Anwendungen in der Datenwissenschaft, aber ich bin nicht überrascht, wenn es 2019 beginnt. All diese dezentralen Speicher können für die Bereitstellung von Big Data genutzt werden. “
- Vania Nikolova, Ph.D. in Mathematical Analysis, Leiter Data Analytics bei RunRepeat.com
„Die jüngsten massiven Investitionen in die Datenwissenschaft dürften die Social-Media-Landschaft in den nächsten Jahren erheblich verändern. Als Anbieter von Social Listening sehen wir ein wachsendes Interesse an AI-gestützten Bilderkennungstechnologien, die von großen SML-Anbietern eingeführt wurden. Diese werden bereits von einigen Marken eingesetzt, die als Early Adopters und Innovators für die weltweite Nachfrage gerüstet sind.
„Diese Technologie bietet Verbrauchermarken und Agenturen ein völlig neues Maß an Marketingkenntnissen. Es hilft ihnen, den Geschmack ihrer Verbraucher besser zu verstehen - auch wenn die Marke in ihren Social-Media-Beiträgen nicht ausdrücklich erwähnt wird. Vermarkter und Social-Media-Spezialisten können so auf hervorragende Weise mehr über Produktkonsumsituationen erfahren und wertvolle Kundenerkenntnisse gewinnen. “
- Alexandr Sirach, Mitbegründer von YouScan (KI-gestützte Social Media-Hörplattform)
„2019 wird die Nachfrage nach Data-Science-Pipeline-Plattformen dramatisch zunehmen. Wir vergleichen Data Science oft mit dem Softwareentwicklungsboom, bei dem GitHub und andere Softwareentwicklungsplattformen den Entwicklungsbereich drastisch beeinflusst haben. Wir sehen, dass Data Science-Plattformen das Gebiet der Data Science eskalieren und nutzen. “
- Yochay Ettun, CEO und Mitbegründer von cnvrg.io und Experte für Data Science und Maschinelles Lernen
„Wir gehen davon aus, dass 2019 das Jahr wird, in dem Data Science zum Mainstream wird. Viele unserer Kunden und Partner haben im Jahr 2018 damit begonnen, tiefgreifende datenwissenschaftliche Initiativen auf den Weg zu bringen, und wir sind der Ansicht, dass die Dynamik für die Integration der Datenwissenschaft in die organisationsweite Entscheidungsfindung und -politik bis Ende 2019 rasch zunimmt. “
- Sam Underwood, VP of Business Strategy bei Zukunft, eine in Ohio ansässige Agentur für Datenanalyse und Marketing