最近组织对自助式商业智能的推动有助于商业用户面临的下一个挑战成为日益增长的需求。如何解决将机器学习 (ML) 模型嵌入所有主要分析平台的问题？一方面，嵌入式模型为
数据分析提供了更大的自由度和控制力；另一方面，面对这些平台的原生 ML 智能，也给普通用户带来了新的风险和机遇。
如果没有必要的数据科学或人工智能 (AI) 背景，这些用户或有抱负的公民数据科学家将如何为自助式机器学习做好准备？Gartner 文章数据科学和机器学习影响业务的 5 种方式 讨论了数据科学和
机器学习如何共同成为生存企业和不生存企业之间的核心差异化因素。 大数据的到来加速了跨行业的数据科学
大数据在全球商业环境中的广泛传播推动了 AI 和 ML 研究多年，这导致了革命性的发现数据科学. 最近，大量业务数据的轻松可用性和经济实惠的存储技术引发了跨企业的智能分析和数据支持的 BI。最后，云支持的“托管分析和 BI 平台”使中小型企业免于对内部数据中心或数据科学团队进行昂贵的投资。越来越多的各种形式和规模的企业开始选择基于云的 IT 和数据分析解决方案来满足其数据管理需求。
在2017 年机器学习趋势，讨论了 Forrester 如何预测 ML 将越来越多地以物联网数据为食，因为传感器和智能应用程序在我们的日常生活中越来越重要。
根据 2018Gartner 发布, Gartner 研究副总裁 Jim Hare 在此版本发布后发送了一份说明，指出企业可能在制定企业数据战略之前就急于采用 AI。尽管最近出现了数据科学和
人工智能的热议，但这仍然是企业需要克服的巨大绊脚石。
这Gartner 2018 年数据科学和机器学习魔力象限表明行业参与者正在经历动荡时期，重要参与者错失良机，而像 TIBCO 这样的小参与者则进入了行列。这种市场动荡指向一件事：倾听客户意见的供应商一夜之间排名上升。随着越来越多的商业用户在日常工作中不再依赖数据科学家，自助服务得到了巨大的推动。
几家供应商听到并解决了对自助式业务分析的突然强烈抗议，这些供应商重新进入市场，而其他供应商则消失了。现在，谷歌和亚马逊正在争夺人工智能业务分析领域的顶级职位，自助式机器学习成为企业的主流只是时间问题。
企业数据管理的发展与人工智能和相关科学的发展同步发生。随着数据管理科学通过数据质量、数据治理、数据安全和数据隐私计划的改进，人工智能和机器学习的研究和开发突飞猛进，使数据策略和智能分析相互准备。
自助式业务分析正在取代数据科学家
Gartner 预测，到 2019 年，自助式分析平台将提供比数据科学家更多的数据科学。Gartner 的预测在整个数据科学行业得到广泛宣传和辩论，Datanami 文章中很明显自助分析超越数据科学家. 2018 年，Gartner 还预测，到 2019 年底，自助式分析和 BI 将超过传统的数据科学。
虽然目前尚不清楚这一预测是否会成立，但现在许多分析活动肯定属于自助式机器领域学习。由于先进的 ML 算法和模型，许多业务分析活动（如数据清理、数据准备和数据建模）已实现自动化。这一新趋势不仅缩小了数据科学技能差距，而且表明自动化或半自动化业务分析平台的快速增长。
那么，自助分析或 BI 的目标是什么？在充满日常工作和时间压力的现代商业世界中，即使是日常决策，用户也难以理解、组织和分析数据。自助分析解决方案为许多数据管理任务（如数据收集、标记、清理和准备）提供自动化解决方案，因此非技术业务用户可以快速做出决策，而无需花费数小时准备数据。
这种新一代的分析或 BI 平台正逐渐在全球商业社区中被采用，现在改进的 ML 算法和模型也正在自动化大多数分析任务。
自助分析和 BI 的主要驱动力
在人工智能研究沉寂多年之后，为什么在过去五年见证了自助服务、业务分析平台的迅速崛起？原因包括：
大数据带来的 AI 和 ML 研究进展。
物联网 (IoT) 的到来，增加了数据量、速度和种类。
访问云数据存储库。
访问托管分析和 BI 平台（PaaS、SaaS、BaaS 等）
机器学习大大缩短了商业用户的学习曲线
自动或半自动数据准备、数据建模和数据分析工具花费了数小时的辛勤劳动、难以理解或复杂的业务分析流程。现在，普通业务用户可以渴望成为公民数据科学家，在没有专业数据科学团队帮助的情况下进行数据分析或 BI 活动。
自助式机器学习平台的显着特点 以下是自助式机器学习平台
的一些共性：
从数据准备中消除复杂的安全和数据治理问题，ML 恰当地利用“数据社会化”技术来提供友好的解决方案，DS 社区成员和普通业务用户可以协作以提高效率和业务决策，如KDNugget 的文章.
机器学习平台需要自动化的数据集成功能。在现实世界中，大多数数据科学家将大部分分析时间花在“收集、标记、清理和组织”数据上，这可以通过自动化 ML 解决方案来完成。虹膜集成助手来自快照逻辑是自助服务、数据集成工具的一个示例。
在自助式机器学习中，机器学习模型的训练和部署是自动化的，让业务用户专注于数据。
ML 平台上的许多分析任务要么是半自动化的，要么是全自动的。
报告功能是自动化的，具有针对高级用户的特定调整功能。
自助式机器学习平台的最后一个好处是，它不仅保证了数据民主化，而且还消除了对投入巨资的数据中心或数据科学团队的需求。
自助机器学习应用
自助式机器学习现在存在许多不同的功能，包括以下一些：
数据综合解决方案.
客户自助服务解决方案人工智能平台. 这一趋势指向用人工智能驱动的机器人取代传统的常见问题，以实现自动化客户服务。
大数据通过点击式界面启用智能分析。
借助 NLP 在支持库中进行非结构化数据分析。
数据科学端到端服务平台。.
自助式机器学习是否存在任何风险？显然，随着技术向前发展并进入日常用户的手中，这是一个需要回答的重要问题。不过，最大的问题之一是，对于普通用户而言，可能有太多数据不知道从哪里开始。如何解决该问题对于将其余过程推进到未来至关重要。
扫码加好友，拉您进群
全部版块
我的主页
收藏
