本文为美国著名数据分析网站 DZone 分析师 Tom Smith 与 Exaptive 的副总裁 Matt Coatney 的专访对话,对人工智能和机器学习的未来做了深度的探讨。Exaptive 是一家美国俄克拉荷马州以提供大数据分析产品及服务为主的初创企业。
本文由可译网言午二二 , Amanda 沈两位朋友翻译。Exaptive 的副总裁 Matt Coatney
下面是正文:
感谢 Exaptive 的副总裁 Matt Coatney 抽空与我谈人工智能和机器知识的现状,以及他如何是看待其发展的。
Tom Smith: 成功的人工智能 / 机器知识策略的关键是什么?Matt Coatney: 与 DevOps(开发运营)不同的是,它涉及到更多的人员和方法,因为新技术正在给商业管理战略带来变革。一方面,它可以替代人们所做的工作,并且更有效、可靠、高效地完成这些任务。另一方面,以前不可行的新商业模式变得可行。
Matt 分享了一些例子:
Matt Coatney: 与需要解决特殊商业问题的技术相比,企业更多地把时间花费在他们认为他们所需要的技术上。企业需要思考他们正试图解决的问题以及如何使解决方案让客户满意。思考如何让解决方案生效,以便你可以实现一个积极的回报率,进一步谈下一个项目和合作机会。设定你的成功标准并快速取胜。这与我们过去 20 年来在 IT 方面所做的项目没有什么区别,我们只需要牢记最佳方法。
Tom Smith: 问:在过去的一年里人工智能 / 机器学习是如何变化的?Matt Coatney:在过去的五六十年中许多方法一直是一样的,只是我们有了更强大的计算机,有更多内存和优化算法,比如深度学习,因此我们能在很短的时间内获得更好的结果。例子包括 Facebook 的面部识别和 Google 的无人驾驶轿车。另外,我们现在有这样的人工智能服务,公司可以从电脑上租用时间,发出请求,并在记录时间内获取信息。这降低了准入门槛,同时保证了世界任何组织得到与 Facebook 和 Google 相同的质量水平。
Tom Smith:你用什么技术解决方案来收集和分析数据?Matt Coatney: 大多数企业专注于大数据 "Hadoopesque" 工具。我们也可以这么做,但是我们也可以使用如 SQL、NoSQL、Microsoft 和 Python's 的 scikit-learn 库等较小的数据工具来找到价值。无论数据规模如何,还有许多价值有待从现有数据中去挖掘。
Tom Smith:客户用人工智能 / 机器知识来解决哪些现实问题?Matt Coatney:任何有关预测、重新连接或内容预测—Netflix 风格的应用程序。金融模型和高级财务模型的大众化。此外,可帮助机构通过标记概念、关键词等从内容中获得更多价值的内容和知识管理工具。
Tom Smith:您认为阻碍公司从人工智能 / 机器学习获利的最常见的问题是什么?Matt Coatney:公司关注工具和平台而不是他们正在试图解决的企业问题。他们需要把炒作与现实分开,了解工具能做什么,不能做什么。营销炒作正在被收购,并产生不切实际的期望。这需要对工具进行更好的审核与了解。要明白,为工业培训人工智能和使用例子(例如,律师如何写作和交谈)需要一定的时间。
Tom Smith: 对于人工智能 / 机器知识的可持续发展的最大机会在哪里?Matt Coatney: 我对于人工智能作为一种服务而感到兴奋,它为开发人员和想要创业的企业家迅速提供了机会,而且无需太多费用。
Matt Coatney:人工智能会被善用还是误用?它是中性的。取决于它如何被应用和谁来使用它。我们需要国际监督。它已经被用于网络战。要避免陷入局部最大值。在过去的 60 到 70 年里,我们使用了相同的硬件和软件架构,完成了前所未有的复杂工作。我们需要探索不同的方法来成倍地提高性能。
Tom Smith:从事人工智能 / 机器学习项目的开发者需要哪些技能?Matt Coatney:从软技能开始。最好的开发人员和数据科学家注意提高他们的项目管理、沟通和时间管理技能。专注于理解抽象概念,并尽可能全面地使用不同的语言和技术。拥抱创造性的破坏,因为景色是迅速流动和变化的。
Tom Smith:你认为开发人员需要了解的关于人工智能和机器学习的问题哪些我还没有问到?Matt Coatney:关于术语有很多误解。当我们使用这些术语时,我们需要弄清楚我们的意思:
来源: http://www.36dsj.com/archives/105026