如何在企业中融入机器学习

世界早已过了工业革命，现在我们正经历着一场数字革命的时代。机器学习、人工智能和大数据分析是当今世界的现实。

我最近有机会与Talend公司产品和营销副总裁Ciaran Dynes以及Datalytyx董事总经理Justin Mullen交谈。 Talend是一家为企业提供大数据解决方案的软件集成供应商，Datalytyx是大数据工程、数据分析和云解决方案的领先供应商，可在整个企业范围内实现更快，更有效，更有利的决策。

大数据操作的演变

为了更好地理解大数据操作的演变，我向Justin Mullen询问了他们五年前面临的挑战，以及他们为什么要寻求现代集成平台。他回答说：“我们面临着与客户面临的类似挑战。在大数据分析之前，我称之为“困难数据”分析。”他说，大量的人工聚合和数据处理来内部部署系统。然后，我们可能面临的最大挑战是集中和信任数据，然后应用不同的分析算法来分析原始数据，并以有意义的方式将结果可视化，让企业理解。

他还补充说，“我们的客户不仅想要一次这样的分析，而且他们还希望在几个月和几年的时间里不断刷新KPI的表现。”通过手工数据工程实践，我们很难满足客户的需求，也就是我们决定需要一个可靠的、可靠的数据管理平台来解决这些挑战。

他进一步补充说：“我们的客户不仅想要一次这样的分析，，而且他们还希望在几个月和几年的时间里不断刷新KPI的表现。通过手动的数据工程实践，我们很难满足客户的需求，那就是当我们决定需要一个强大和值得信赖的数据管理平台来解决这些挑战的时候。”

自动化和数据科学

大多数经济学家和社会科学家担心正在接管制造和商业流程的自动化。如果数字化和自动化继续以同样的速度增长，那么机器人部分替代人的可能性很大。我们正在看到当今世界上现象的一些例子，但预计未来会更加突出。

然而，Dynes说：“数据科学家正在为当今各个行业面临的错综复杂的问题提供解决方案。他们利用数据分析中的有用信息来理解和解决问题。数据科学是一种输入，输出是以自动化的形式产生的。机器是自动的，但人类提供必要的输入来获得所需的输出。“

这在对人类和机器服务的需求中创造了一个平衡。自动化和数据科学并行不悖。一个过程是不完整的。如果不能对原始数据进行处理以产生有意义的结果，那么原始数据就一文不值，同样地，如果没有足够的相关数据，机器学习就无法实现。

开始将大数据和机器学习解决方案整合到商业模式中

Dynes说：“企业正在意识到数据的重要性，并将大数据和机器学习解决方案整合到他们的业务模型中。”他进一步补充道：“我们看到自动化发生在我们身边。在电子商务领域显而易见，在手机银行和金融领域有着广泛的应用。“

当我问他关于机器学习过程和平台需求变化的看法时，他补充说:“需求总是存在的。”5年前的数据分析同样有用。唯一的区别是，五年前，企业垄断和数据被秘密存储。谁有数据，谁就有权力，而且只有少数几个知名的市场参与者能够获得数据。

贾斯汀和不同的公司合作过。他最着名的客户包括Calor Gas，Jaeger和Wejo。在谈到这些公司在实施高级分析或机器学习之前面临的挑战时，他说：“我的客户面临的最大挑战是在一个地方积累了基本的数据，这样复杂的算法可以同时运行，但结果可以在一个地方进行更好的分析。数据管理和数据管道至关重要，可以使数据洞察力成为连续的，而不是一次性的。

快速数字化的原因

Dynes说:“由于两个主要原因，我们正在经历快速数字化。技术在过去的几年里以指数的速度发展，其次，组织文化已经大规模地发展。他补充道，“随着开源技术和云平台的出现，数据现在变得更加容易获取。”现在越来越多的人获得信息，他们利用这些信息来获取信息。

Dynes说：“我们正在经历快速的数字化，主要有两个原因。在过去的几年中，这项技术发展迅速，其次是组织文化发生了巨大的变化。“他补充说：”随着开源技术和云平台的出现，数据现在变得更加易于使用。现在有更多的人可以获得信息，他们正在利用这些信息来获益。”

除了技术的进步和发展之外，“新一代的劳动力也依赖于技术。”他们非常依赖这项技术来完成日常的日常工作。他们对透明的沟通更加开放。因此，收集这一代人的数据比较容易，因为他们已经准备好谈论他们的观点和偏好。他们准备提出和回答不可能的问题，”Dynes说。

整合新世界与旧世界

在谈到企业在选择大数据分析解决方案时所面临的挑战时，Mullen补充道：“行业在应用机器学习方面目前面临的挑战是双重的。他们面临的第一个挑战与数据收集、数据摄取、数据管理（质量）以及数据聚合有关。第二个挑战是解决数据工程、高级分析和机器学习方面人才缺乏问题。”

“你需要把一个新世界融入旧世界。

旧世界严重依赖大量的数据收集

而新世界主要关注实时数据解决方案”

达因斯说：“你需要把旧世界和新世界结合起来。旧世界大量依赖数据收集，而新世界主要关注实时数据解决方案。目前，行业内有限的解决方案能立即满足这些要求。“

他总结说：“数据工程的重要性不容忽视，机器学习就像潘多拉之盒。它的应用在很多领域都有广泛的应用，一旦你建立了自己的品质提供商，企业就会为你提供服务。“

来源：talend

编译：FintechProbe