데이터 과학의 토론이'협동'에서'구조화'로 변화하는 이유
4585 단어 MachineLearningAI인공지능기계 학습데이터 과학
→'데이터+AI의 활용 구조화'완전판 획득한 이북(영어)
이 블로그는 체제화가 데이터 과학 합작의 미래라는 이유와 구조화에 힘쓰지 않으면 뒤떨어질 수 있는 몇 가지 이유를 소개했다.
구조화는 새로운 상식(그리고 AI의 성숙도를 높이기 위해 없어서는 안 될 요소)
조직화된 데이터와 AI 활용이란 데이터와 AI를 모든 곳, 모든 사람에게 침투시키고 프로세스와 기술을 깊이 침투시켜 조직의 모든 부분을 이 기초 위에서 목표를 달성하는 것이다.조직은 데이터, 분석, AI의 과정과 능력 측면에서 협업 데이터 과학 분야에 머물면 이렇게 광범위하고 심오한 수준에 도달할 수 없다.혼합 데이터 과학은 다음과 같은 내용을 가리킨다.
합작 플랫폼과의 합작 이상 필요
우리는 팀 AI 플랫폼이 현재의 기술(프로그래밍 언어, 버전 관리의 기릿, 머신러닝 모델 라이브러리 등)과 단순히 결합하지 말아야 한다고 말하는 것이 아니라 반대로 그렇게 해야 한다고 생각한다.또 슬랙과 Microsoft Teams 등 다른 협력 플랫폼도 간단하게 협업할 수 있을 것으로 보인다.
하지만 그것만은 아니다.그건 모델 개발이 시작되기 전에.데이터 과학팀과 의사결정자 간에 조직적인 조정이 있는지 여부(즉, 상업 문제는 상업 전문가와 데이터 과학자가 공동으로 해결하는 현실적/실행 가능한 것인가? 명확한 가치 노선이 있는가? 리스크는 어떠한가? 데이터 프로젝트 이후 상업이 과정과 결과에 대한 측정은 어떻게 변경될까?)이렇게 하면 데이터팀은 모델을 채택한 결과를 확보하고 비즈니스에 구체적인 영향을 미치기 시작할 수 있다.그리고 육안으로 볼 수 없는 장점으로 주요 이해관계자들은 AI 프로젝트에 주력하는 팀에 자신감과 신뢰를 갖게 된다.
그것은 이미 필요조건이다
구조화는 미래의 과제로 특히 생산성과 부서를 초월한 협력을 실천하는 데 중요하다.여기에 기능 없는 협업 실천이 어떤 형식으로 나타났는지 소개합니다(전체 목록은 EBOOK을 통해 확인하세요).
당신에게 좋은 점은?
아마도 당신은 이미 이상의 내용을 이해했을 것입니다. 그러나 왜 구조화를 진행해야 하는지는 저와 제 담당자에게 더 좋을 것입니다.
위에서 말한 바와 같이 데이터 과학의 협력은 없어서는 안 되지만 이것은 전체(데이터와 AI의 구조화를 의미한다)의 일부분이다.데이터 과학 분야 협력은 어디에나 있는 것이 아니라 프로젝트에 참여하기 전에 팀워크로 협의해 계획을 세워야 한다.구조화가 조직에 의미가 있는지 판단할 때 자문해야 할 문제점을 소개한다.
상술한 모든 대답이'네'라고 하는 사람은 유일한 방법은 구조화이다.
데이터와 AI의 활용 메커니즘화를 위한 유일한 플랫폼'Dataiku'의 이유
협동형 데이터 과학을 뛰어넘을 때가 왔다.이 EBOOK에서는 조직의 성공을 위해 데이터와 AI의 조합 이유를 배우기 위해 Dataiku와 같은 플랫폼을 사용해야 한다.
→ EBOOK(영어) 다운로드여기.
번역문: Why the Conversation Is Shifting From Collaborative Data Science to Systemization
Reference
이 문제에 관하여(데이터 과학의 토론이'협동'에서'구조화'로 변화하는 이유), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/Dataiku/items/a0796bb299d7f1ba7fcd텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)