Opkomst van de 'citizen data scientist':hoe gehumaniseerd machine learning de menselijke intelligentie vergroot

IDC schat dat het wereldwijde datavolume tussen 2018 en 2025 met 61% zal stijgen – uiteindelijk tot 175 zettabyte – waarvan een groot deel door bedrijven wordt gegenereerd. Dus hoe kan dit worden benut om bedrijfsprocessen te optimaliseren, de dagelijkse bedrijfsvoering te verbeteren en besluitvorming te informeren?

Het antwoord ligt bij gehumaniseerde machine learning-platforms, zegt Mind Foundry onderzoeksdirecteur Nathan Korda, die geavanceerde machine learning-mogelijkheden toegankelijk maakt voor eigenaren van bedrijfsproblemen, waardoor de opkomst van de 'citizen data scientist' mogelijk wordt.

Te veel data, te weinig tijd

Veel bedrijven worstelen tegenwoordig met het analyseren en optimaal benutten van de schat aan gegevens die dagelijks worden gegenereerd en verzameld. De uitdaging voor eigenaren van bedrijfsproblemen - of dit nu een C-level executive, analist of zelfs operations manager is - is hoe ze hun gegevens effectief kunnen begrijpen om meer bedrijfswaarde te genereren en processen te optimaliseren.

Ze hebben misschien spreadsheets vol gegevens en gebruiken eenvoudige datamodellen om beperkte waarde te extraheren, maar hoe kunnen ze dit verder brengen? Het antwoord ligt in een grotere toegankelijkheid van machine learning via gebruikersgerichte platforms. Voor de eerste keer stelt dit eigenaren van bedrijfsproblemen - degenen met diepgaande kennis van specifieke problemen en hun impact op de bedrijfsvoering - in staat om geavanceerde machine learning-mogelijkheden te koppelen aan bedrijfswaarde.

De voordelen zijn voor iedereen beschikbaar

Machine learning wordt traditioneel gezien als een vereiste van uitgebreide middelen, tijd en technische expertise, waaronder vaak het inhuren van datawetenschappers - een zeer gespecialiseerd vakgebied waar de vraag naar talent momenteel het aanbod overtreft. Daarnaast zijn datawetenschappers vaak te gescheiden van een zakelijk probleem om het in een context te plaatsen en de volledige impact ervan op de bedrijfsvoering te begrijpen.

Betreed de burgerdatawetenschappers - werknemers die niet actief zijn in toegewijde datawetenschaps- of analyserollen, die een gehumaniseerd machine learning-platform kunnen gebruiken om hun gegevens te verkennen en eenvoudig modellen in te zetten om de waarde ervan te ontgrendelen. Dankzij gebruikersgerichte platforms hebben huidige werknemers toegang tot machine learning-technologie zonder dat daarvoor specialistische training nodig is. Dit is een belangrijke mijlpaal in het in staat stellen van data-eigenaren om snel hun eigen data onder de knie te krijgen en operaties op grote schaal uit te voeren, zonder noemenswaardige investeringen of expertise.

Op bedrijfsniveau brengt dit geavanceerde machine learning-oplossingen in de handen van kleine en middelgrote organisaties en hun werknemers, die mogelijk geen expertise op het gebied van datawetenschap hebben. Maar de toegenomen toegankelijkheid van machine learning biedt ook nieuwe kansen voor datawetenschappers, waardoor ze tijd vrijmaken om dichter bij zakelijke problemen te komen en hun vaardigheden te concentreren op innovatie voor digitale transformatieprojecten.

Nieuwe zakelijke mogelijkheden – met snelheid en schaal

Een machine learning-platform biedt datawetenschappers van burgers meer toegang tot de mogelijkheden die nodig zijn om snel gegevens voor te bereiden en te visualiseren en vervolgens een geschikt model te bouwen, implementeren en beheren. Of het nu gaat om het voorstellen van acties om gegevens op te schonen en correct te formatteren of om het aanbevelen van het meest geschikte model voor een dataset, een gehumaniseerd platform is ontworpen om gebruikers van begin tot eind door het proces te begeleiden.

Een kernaspect van deze aanpak is het verminderen van het volume van alledaagse gegevensvoorbereidingstaken. Denk aan bedrijfsprocessen die repetitief zijn en waarbij gegevens op een vergelijkbare manier routinematig worden geanalyseerd, zoals budgetprognoses. In plaats van meerdere weken middelen van het senior management vast te leggen om budgetten af ​​te ronden op basis van verwachte bedrijfsresultaten, kunnen managers een intuïtief machine learning-platform gebruiken om snel een model te identificeren en in te stellen dat kan worden hergebruikt om budgetten jaarlijks te herzien, waardoor de tijdsinvestering in dit proces gaat door.

Of neem een ​​geavanceerd productiebedrijf dat precisiecomponenten ontwikkelt en produceert. Ze hebben misschien machine-experts met tientallen jaren ervaring in de sector en een diep begrip van de gegevens die worden geproduceerd door apparatuursensoren, maar ze kunnen geen patronen en gebieden voor optimalisatie identificeren zonder een toegewijd datawetenschapsteam. Met gehumaniseerde machine learning-platforms kunnen deze experts binnen enkele minuten gegevens invoeren, opschonen en visualiseren, en vervolgens een geschikt gegevensmodel selecteren om voorheen ongeziene inzichten te ontdekken.

Man ontmoet machine:complementaire mogelijkheden

Machine learning-platforms zijn bedoeld om bestaande vaardigheden van werknemers te versterken. Ze nemen een groot deel van de tijd en middelen weg die traditioneel werden geïnvesteerd in het toepassen van machine learning op bedrijfsgegevens, maar het eigendom en de controle over het proces ligt nog steeds bij de gebruiker. Dit is de sleutel tot succesvol gebruik van machine learning-technologie.

Toepassingen voor machinaal leren zijn uitstekend geschikt voor risicobeoordeling en -beheer en voor het maken van gegevensgestuurde beslissingen, maar missen de intuïtie en creativiteit die nodig zijn om menselijke aangelegenheden te contextualiseren en op te lossen. Dit is waar gehumaniseerde machine learning-platforms de grens trekken tussen 'menselijke' taken en 'computer'-taken. Ze nemen de arbeidsintensieve, repetitieve taken op zich, zoals het opschonen van gegevens, gegevensgestuurde modelontdekking en modelvalidatie, en stellen probleemeigenaren in staat hun tijd en middelen directer te richten op het bedrijfsprobleem.

Uiteindelijk zal de computer bij het toepassen van machine learning altijd moeten samenwerken met een mens. Om projectsucces te garanderen, moet machine learning deel uitmaken van een menselijk team, waarbij menselijke vaardigheden, intelligentie en capaciteiten worden vergroot. Mensen hebben het unieke vermogen om gegevens en bijbehorende fouten in een context te plaatsen. Neem een ​​eenvoudig voorbeeld waar foutcodes aanwezig zijn in een grote dataset. Een machine learning-platform zal moeite hebben om dit te contextualiseren, maar een mens die dicht bij het bedrijfsproces staat, kan snel een verklaring geven, zoals sensoren die buiten bereik zijn.

Naast de directe voordelen lossen machine learning-platforms het probleem van legacy op zodra een burgerdatawetenschapper het bedrijf verlaat. Deze medewerkers kunnen machine learning-oplossingen ontwikkelen om specifieke zakelijke problemen op te lossen, in de wetenschap dat deze prestaties nog steeds operationeel, intuïtief en herbruikbaar zullen zijn door collega's zodra ze verder zijn gegaan.

Machine learning is nu haalbaar voor elk bedrijf

Machine learning zal steeds gebruikelijker worden bij bedrijven van elke omvang, omdat ze hun dagelijkse activiteiten willen optimaliseren. Vergeet niet dat eigenaren van bedrijfsproblemen altijd een unieke en grondige kennis hebben van een specifiek probleem en de relevantie ervan voor bestaande bedrijfsprioriteiten. Voor het eerst kunnen ze de waarde van hun gegevens direct identificeren en verbeteren door snel machine-intelligentie op grote schaal te benutten.

Het toepassen van machine learning op data hoeft niet langer een moeizaam, resourcesverslindend project van meerdere maanden te zijn. De opkomst van datawetenschappers van burgers biedt aanzienlijke kansen voor kleinere en middelgrote bedrijven om snel geavanceerde machine learning-mogelijkheden te benutten om meer inzichten en zakelijke waarde uit hun gegevens te halen.

Nathan Korda is onderzoeksdirecteur aan de spin-out van machine learning van de Universiteit van Oxford Mind Foundry .