Информационные аналитики рубят сук, на котором сидят

Как говорили Фостер Провост и Том Фоусетт в своей книге Data Science for Business, мы живем в эпоху больших данных 2.0. Интерес к прогнозной аналитике подпитывается развитием машинного обучения.

По словам генерального директора компании InsightsOne’s Вакара Хасана, «большие данные используют прогнозы как приманку».

Интересно, что еще недавно McKinsey&Company говорили о недостаточном потенциале машинного обучения, но уже сегодня мы видим все больше услуг и продуктов в этой области, доступных широким массам: так, в апреле прошлого года Apigee презентовали собственную платформу для бизнес-аналитики.

Однако многие вещи информационные аналитики по-прежнему делают вручную, и их основная задача — создавать программы, способные делать это за них, а затем совершенствовать эти программы.

Нужны ли будут информационные аналитики в будущем?

Большую часть своего времени информационные аналитики тратят на создание прогнозных моделей: поиск необходимых переменных и параметров. Сегодня ведется активная работа по автоматизации данного процесса: недавно стартап Emerald Logic’s представил программное обеспечение FACET (Fast Collective Evolution Technology), а корпорация Google запустила облачный сервис Prediction API. Теперь вы можете сосредоточиться на сборе и подготовке данных, затем загрузить их в систему, которая сама построит модель.

Эти инструменты порождают новую парадигму: теперь информационные аналитики могут оказаться «вне игры» — потребность в них просто пропадет. Администраторы будут работать над видением, менеджеры — над интеграцией прогнозов, разработчики программного обеспечения — над их реализацией. Для этого всем им понадобятся знания в области машинного обучения, но постичь несложные истины смогут даже те, у кого нет технического образования.

Куда приведет научный прогресс?

Машинное обучение представляет собой набор методов искусственного интеллекта, где «интеллект» строится на примерах и данных.

Мы создаем искусственный интеллект, однако по-прежнему нуждаемся в ручном выборе алгоритма и настроек. Конечно, в будущем машины будут делать это за нас! Методы могут быть разными, например, вероятностные заключения для установки параметров или брутфорс (метод решения математических задач; относится к классу методов поиска решения исчерпыванием всевозможных вариантов, — ред.)

Какова будет роль информационных аналитиков?

Кто-то скажет, что все автоматизировать нельзя. Конечно, в машинном обучении остается немало областей, где автоматизация пока представляется невозможной. Тем не менее, уже существуют примеры того, что автоматизированная прогнозная аналитика работает лучше, нежели «традиционные» техники.

С появлением новых инструментов роль информационных аналитиков меняется. Сегодня такие специалисты по-прежнему являются важным звеном в процессе обработки данных, однако уже вскоре они могут стать «надзирателями» и просто следить за этим процессом. Но пока информационные аналитики должны продолжать работать над автоматизацией методов машинного обучения и кодировать свои знания в алгоритмы.

Перевод Ларисы Шуриги

По материалам: Gigaom

1 комментарий

  1. Павел:

    Под Администраторами — интересно кого имел ввиду автор статьи.

Добавить комментарий

Ваш e-mail не будет опубликован.

закрыть

Поделиться

Отправить на почту
закрыть

Вход

закрыть

Регистрация

+ =