博客在Sisense，我们的使命是让所有类型的用户都能从最复杂的数据中获得深刻的见解。这需要关注分析的许多不同领域，包括我们处理大型、复杂、不同数据的能力；我们能够为处理数据和构建分析提供易于使用的界面；我们能够超越仪表板，提供物联网集成和强大的API等功能，以支持应用程序开发人员。此外，提供一个世界级的分析平台需要深入了解如何最好地利用AI/ML来支持从新手到最具技术含量的所有用户的需求。昨天，在尤里卡！在我们的年度客户会议上，我做了一个演讲，深入研究了人工智能和包括人工智能、人工智能和统计在内的分组。我谈到了制定一个全面和有影响力的人工智能战略以及我们来年的人工智能路线图。如果你没有参加尤里卡！或者你想回顾一下我说的话，这是给你的。人工智能去年9月，Sisense宣布，我们将在整个平台上对人工智能进行重大投资。不久之后，我们宣布了Sisense Hunch的发布，它提供了将最庞大的数据集转换成一个深层神经网络的能力，该网络可以放置在任何地方，甚至是物联网设备上。我们在人工智能上的投资正收到实实在在的回报。在尤里卡！我们为与会者提供了一个人工智能探索路径的预览，为商业用户提供了一个人工智能引导的体验，以便更深入地挖掘和探索他们的分析。在接下来的几个月里，我们将看到这个系列产品的第一个功能。（当我们推出这些功能时，请继续关注我的更多博客！）回到我的会议。会议的目标是讨论支持全面人工智能战略所需的整体观点。生活在大数据的世界里一切都从数据开始。十多年前，当"大数据"一词出现时，公司开始在收集和存储数据的基础设施上投入巨资，实现数据的潜在未来价值。一些公司更进一步，定义了如何将这些数据货币化。在大多数情况下，这些计划变成了不断积累的文件的暗湖，这些文件由于缺乏用于分析实现的技能、工具或资源而闲置。 还有很多工作要做，但人工智能既可以消除试图找出如何连接所有这些数据的单调乏味，也可以帮助数据专业人员了解数据，以确定如何最好地利用这些数据。这包括人工智能驱动的数据清理和建模，以及对底层数据本身的一般统计分析。另一方面，在为业务用户自动化洞察方面，有了前所未有的进步。近年来（新的人工智能时代），我们生活的各个领域都被某种ML驱动的解决方案所促进，企业也在忙着重新定义它们的AI/ML策略。不幸的是，即使在最成熟的企业中，在头脑中有目标的业务人员、能够将这些目标转化为需求的领域专家和实现解决方案的技术人员之间，也存在着一条无形的数据素养护城河。除了上面提到的人工智能探索路径外，我们还看到了大量辅助技术，可以为最终用户提供表面见解。去年，Sisense发布了两个Sisense叙述，它创建描述性文本以帮助最终用户理解他们的可视化效果，以及Sisense Insight Miner，后者在数据中寻找不寻常的关系，并将其呈现出来以供进一步分析。为什么现在是人工智能？在这个领域，加速增长有三个主要驱动因素：更复杂和更便宜的专有硬件（GPU、FPGA、ASIC）、更大和更详细的数据集，以及更复杂和更快的算法和方法。改进的硬件来自一个意想不到的领域：丰富的图形游戏。这些系统被重新用于像矩阵乘法这样的任务，而矩阵乘法是ML计算的基础。这些通常昂贵的计算机价格下跌，摩尔计算能力线性增长定律被打破。更大的数据集很容易获得，因为许多私营公司和公共机构决定向所有人开放他们的数据：文本、视频、语音，你可以随便说。学术界无法忍受落后，因此新一代越来越复杂的算法被出版，导致了受人脑功能启发的新架构的繁荣，称为深度神经网络。硬件在那里，数据正在快速积累。可以直观地说，实现数据驱动的应用程序开发比以往任何时候都更容易、更快。数据已经成为主流。新的职业，如数据工程师，已经发展起来了。每个人都在标题中添加"数据"。但这并不意味着我们已经到达了终点。从数据到数据驱动的应用程序一个分析平台被注入人工智能是不够的。为了支持全面的企业人工智能策略，我们需要支持书架库（AutoML）以及专有的人工智能算法的操作。对于数据领域的所有人，或者我应该说"Python"业务，从开发环境（例如Jupiter Notebook）到可伸缩的产品化应用程序部署，还有很长的路要走。操作数据科学管道应该能够在模型改进的持续支持下，手把手地摄取新数据，从而保持生产系统的稳定。它还处理大量的训练数据、模型集成性能以及对外部库和工具箱的依赖性。由于需要支持的环境和工具种类繁多（API、Web、Mobile），因此很难将ML产品化。在将数据转换为算法到功能的过程中，容量、性能和相关性带来了巨大的挑战：机器学习模型生命周期的工具如下所示：随着数据摄取和准备从左侧开始，可视化/应用程序在右侧结束，我们看到了机器学习数据驱动应用程序的完整生产周期：Sisense的产品创建了一个全面的数据分析平台，满足了公司的每一个数据用户，从数据工程师到数据科学家，再到高管。涵盖了数据准备、模型开发和应用程序部署，在操作这些系统的开发人员中仍然存在数据技能方面的差距。数据素养和数据技能，最初创造了被遗忘的黑暗数据湖，现在仍然缺乏。为了证明这一点，只需看看数据专业人员（主要是数据工程师和数据科学家）的工资飞涨。建设更美好的明天在Sisense，我们的使命是为所有客户提供一流的数据分析平台，而不管他们的技术技能如何。这是一个很高的要求。 对于大多数新手用户，我们正在致力于提供一个自然语言查询（NLQ）接口，它允许用户简单地提出问题并得到答案（您已经可以在我们支持希望与Alexa集成的开发人员的能力中看到这方面的组件）。当用户变得更精明时，他们会与仪表板进行交互，做出选择并应用过滤器。在这里，我们即将发布的人工智能探索路径帮助新手用户通过评估平台上所有用户的行为来理解他们接下来应该问的问题。随着用户越来越熟练，他们甚至可以使用我们易于使用的拖放式UI创建自己的仪表板（即使在这里，AI也扮演着为用户建议字段和小部件类型的角色）。"所有用户"还包括数据专业人员，新工具填补了这一空白。AI驱动的数据分析提供了查看数据分布、接受数据规范化和清理建议以及使用预定义的聚类和分段的能力。现在，当您完全理解您的数据时，您可以从不同的源获取更多的数据，并在摄取时执行转换。提高您的SQL/Python/R技能，并跳入我们最近与Periscope数据合并而来的编辑器，它允许您不仅管理自己的自定义代码，还可以使用AutoML库。无障碍是人工智能的指路明灯今天的数据很大，而且只会越来越大。要想让所有人都能访问到这些数据，需要新一代的应用程序使用AI、ML和高级分析技术构建。数据科学家和工程师等建设者需要强大的工具来利用这些特性，使数据更容易被客户和业务用户使用。客户和企业用户需要简单的ui，让他们能够构建仪表板，甚至是自己的分析应用程序和小部件。无论您打算在数据基础上构建什么，正确的分析解决方案都将有助于实现这一目标。标签：人工智能|机器学习