什么是数据智能博客系列的第3部分（共5部分）

除了最近围绕机器学习（ML）的宣传外，许多公司都将ML视为优化业务的杠杆。预测客户流失、进行智能产品推荐、预测产品质量或完成可视化产品识别只是企业ML的几个典型用例。另一方面，许多企业都在与ML和本文概述的各种陷阱作斗争。据分析人士称，从研究到生产，一个单一的预测模型大约需要2个月的时间。

但为什么要在一个组织中扩展ML如此困难呢？这通常取决于三种内聚能力：

管理数据管理设计管理部署

让我们把重点放在后两个方面，让我们更仔细地看看ML模型通常是如何开发的。

构建ML模型是一个高度迭代的过程，如跨行业标准数据挖掘过程（CRISP-DM）方法所示。你准备数据，数据分析方法，做实验，新零售企业应用中心，然后提出一个初始的模型版本。在创建理想模型之前，云估价，您可能已经生成了许多版本的数据、实验和模型。跟踪这一切往往是一个巨大的挑战。另一方面，透明度（"我的组织中存在哪些模型"）和可审核性（"哪些模型和数据导致预测"）是企业机器学习的关键必要条件。

部署和维护ML模型也不是一件容易的事。如何轻松地提供模型（例如通过API），自建站平台，以便应用程序以可伸缩和安全的方式使用它？如何监控模型的质量并在需要时触发重新培训？您如何能够在没有摩擦的情况下管理数据科学家与IT运营部门之间的交接？

SAP Data Intelligence旨在解决这些棘手的障碍。它代表了一个统一和集成的工具，涵盖了从连接、理解和准备数据到创建、部署和操作ML模型的整个过程。

您还受益于与现有SAP环境的独特和深度集成。SAP Business Warehouse或S/4HANA等系统可以轻松连接并嵌入到数据流中。这一点非常重要，因为它们通常代表着为许多组织的核心业务流程提供动力的IT主干。我们还致力于从SAP应用程序（如S/4HANA）中直接管理ML场景的功能。这将有助于进一步简化和标准化。将数据智能用作公共存储库和执行引擎，但可以通过业务应用程序轻松控制所有这些。

SAP数据智能为数据工程师、数据架构师、数据科学家和IT运营部门提供特定支持：

数据工程师和架构师可以连接，发现和处理任何类型的数据（如结构化、非结构化、流式）和卷。此外，他们还可以可视化地构建数据流和数据管道，以协调分布式数据环境。数据科学家可以使用他们选择的ML框架（例如Python、TensorFlow、R或hanaml），并用交互式Jupyter笔记本设计模型。它们可以在一个中心位置管理所有不同的ML元素，例如数据集、管道和模型版本。IT运营部门可以在一个统一的控制中心内轻松地部署、监控和重新培训所有模型，并按比例进行。

实现这些模型之间的透明性和协作现在是将ML从研究扩展到生产的基本要素之一。把它想象成一条装配线，不是用于工业生产，而是用于AI和ML：支持特定的AI相关专家工作，高返利页游，同时以集成的方式将所有这些工作联系在一起。通过这样做，SAP Data Intelligence使企业能够从一种支离破碎的方法（通常由数据扩展和多样化的工具集主导）转变为一种连续和集成的操作。

了解更多信息

立即开始免费试用SAP Data Intelligence。本文是What is Data Intelligence博客系列文章的第3部分，共5部分。请继续关注未来的Data Intelligence博客文章。