Я часто шучу о том, как меня многое раздражает. У меня действительно есть много домашних мозолей, особенно когда я становлюсь старше: оксфордские запятые, сладкий чай, который недостаточно сладкий, владельцы собак, которые приводят собак на поводке в парк для собак без поводка, сетевые продуктовые магазины, торгующие промокшими овощами, и так далее. на. Есть намного больше.

На профессиональном фронте, среди прочего, меня раздражает каждый раз, когда я вижу AI/ML». Слишком многие говорят ИИ, когда имеют в виду машинное обучение или какой-то другой термин, относящийся к аналитике. Даже опытные профессионалы теперь неправильно используют эти термины, отчасти потому, что все остальные используют их неправильно. Я думаю, если вы не можете победить их, присоединиться к ним?

Я видел эти забавные посты в Facebook о вашей судьбе в 2021 году. Судя по моему астрологическому знаку, я должен оказаться в тюрьме. «AI/ML» может быть тем, что привело меня туда.

Одна из ключевых проблем с данными заключается в том, что в терминологии много путаницы, и она зажила своей собственной жизнью. Со всем вниманием к искусственному интеллекту сегодня люди разбрасываются ИИ, машинным обучением и почти всей остальной аналитикой, как конфетами. Очень много я не знаю, что это такое, но мне все равно, и мне это нужно сейчас, и по всем неправильным причинам.

Итак, вернемся на минутку. Почему эти термины такие запутанные? Следующее может прояснить некоторые вещи:

Это яблоки и помидоры, но мы продолжаем притворяться, что это просто разные виды яблок, тогда как некоторые из них являются кулинарными овощами. Таким образом, большинство вопросов типа «в чем разница между» в значительной степени недействительны, потому что сравнение не имеет смысла.

Статистические модели могут быть и часто вычислительно реализуются как модели машинного обучения. Вдобавок к этому стоит отметить, что машинное обучение не всегда способно дать конкретный тип информации, которую вы ищете, и есть типы идей, для которых машинное обучение совершенно не подходит или неэффективно.

К сожалению, большая часть путаницы создается предполагаемыми профессионалами в этой дисциплине. Некоторые понимают проблему, но смирились с конформизмом. Некоторые другие действительно не думают, что это проблема, и есть много других, которые сами не понимают разницы, что заставляет меня задаться вопросом, что считается профессионалом. От огромного количества инженеров по машинному обучению, с которыми я сталкивался и которые настаивают на том, что регрессионные модели не являются статистикой, мне хочется плакать, что, я полагаю, лучше, чем оказаться в тюрьме.

Путаница порождает вопросы, на которые нельзя дать удовлетворительных ответов, а это, в свою очередь, делает людей еще более неудобными и одновременно требовательными. Однако с точки зрения бизнеса они не имеют значения — неважно, большие данные это, наука о данных, статистика, аналитика, машинное обучение, бизнес-аналитика и т. д. У них у всех одна цель: доказательства- принятие решений. Единственная реальная разница заключается в конкретных подходах и методах. Бизнеса это не волнует и не должно волновать.

А как же Большие данные? Размер данных на самом деле просто делает это технологической проблемой, что расширяет диапазон используемых аналитических подходов. Даже самые маленькие предприятия и частные лица могут извлечь выгоду из мышления, ориентированного на данные. У меня есть масса примеров.

Чтобы развить идею немного дальше: есть необработанные данные, которые становятся входными данными для аналитических процедур, а затем их выходные данные или результаты приводят к пониманию. Все это информация, просто в разных формах. С точки зрения бизнеса конкретная форма — это просто техническая деталь; это полезность, которая нам нужна, или в любом случае должна быть. Думайте об этом как о яйцах: вы можете есть их сырыми — хотя лично я нахожу их довольно непривлекательными — вы можете варить, жарить или взбивать их, или вы можете использовать их для приготовления других вещей. Конечно, информация не так осязаема, как яйца, так что это усложняет задачу.

Я сказал, что все аналитические термины в основном одинаковы с точки зрения бизнеса. Однако между аналитикой и автоматизацией есть разница, и их довольно часто путают. Наука о данных или машинное обучение — это не автоматизация, и наоборот. Автоматизация — это цель, и бывает так, что для ее достижения могут потребоваться данные и аналитика, а могут и не потребоваться — сегодня это часто происходит.

Аналитика – это инструмент. Автоматизация можетиспользовать аналитику, а аналитику можетавтоматизировать. Даже некоторые аналитические задачи могут быть автоматизированы, что на самом деле является решением проблемы, отличной от той, для решения которой предназначена сама аналитика.

Существует тенденция думать, что ИИ решает как проблему автоматизации, так и потребность в инсайтах. Как правило, это не так. Итак, прежде чем вы погрузитесь с головой в мир (того, что вы думаете) ИИ:

  • Сформулируйте то, что вы решаете, с точки зрения конечного пользователя или клиента. Что именно увидит или сделает пользователь или покупатель? Чем это будет отличаться от того, как это делается сегодня? Важно, чтобы это было сформулировано конкретно и как можно подробнее.
  • Для конкретной бизнес-задачи определите, что является вашей основной целью: автоматизация или получение информации. Хотя могут быть элементы и того, и другого, одна почти всегда является основной целью по сравнению с другой, а другая просто поддерживает основную цель, если вообще поддерживает. Отсутствие четкого представления об основной цели приводит к неправильным решениям или еще больше сбивает людей с толку, потому что вы продолжаете неправильно использовать термины!

Если все сделано правильно, это не только внесет ясность, но и поможет вам общаться в терминах, понятных вашим сотрудникам, что имеет решающее значение для получения одобрения, доверия и, в конечном итоге, принятия.

И ты мог бы просто уберечь меня от тюрьмы...

Первоначально опубликовано на https://www.datadriveninvestor.com 24 мая 2021 г.