浪费金钱和可组合，可重用分析模块的经济性
桌上的钱..莫特。 当我担任Yahoo广告客户分析副总裁时，这成为指导我们向广告客户提供分析以帮助他们优化整个Yahoo广告网络支出的关键重点。广告客户有大量未开发的广告和营销支出，我们之所以没有加以利用，是因为我们无法提供受众，内容和广告活动的见解来帮助他们将钱花在我们身上。 MOTT很大。
现在，我再次来到这里，我再次注意到所有公司的巨大“商机上的钱”（MOTT）经济机会–孤立的分析。 孤立分析是为解决特定用例而开发的一次性分析，但从未“操作化”或打包为可在其他组织用例中重复使用。 如我在博客“如何避免“孤立的分析”中所述：
“组织缺乏一个总体框架来确保所产生的分析结果和相关的组织智力资本可以在多个用例中被捕获和重复使用。” 如果没有这种全面的分析框架，企业最终将无法进行“一拳打法”的分析游戏，其中分析团队会将其宝贵和宝贵的资源集中在那些迫在眉睫的紧急问题上，从而改变了更大，更具战略性的（重要的）分析机会。”
令人惊讶的是，我们的旧金山大学数据经济价值研究发现，这个问题主要存在于成熟的分析组织中，因为从头开始构建分析然后经过搜索，查找，理解，评估和评估过程比较容易。针对每个特定用例的独特需求量身定制现有分析。 这些公司拥有丰富的数据科学和分析人才，以至于从头开始创建分析然后尝试重用其他人创建的东西（可能没有为重用的目的进行文档化，打包或概括化）会更容易。 。
但是，无法一次又一次地重复使用自己的分析方法，这是一个巨大的错失经济机会。 而在此过长的博客（所以，还有什么是新的），我会认为，为组织的成功21 日以来，他们必须投入的时间和耐心来掌握可组合，可重复使用的分析模块的经济学。
构建可组合，可重用的分析模块
在我的博客“使用预构建分析模块推动AI革命”中，我提出了一个总体分析模块框架，以帮助组织以分析模块的形式捕获，共享和重用组织的分析IP（请参见图1）。
如我在博客中所述，这些可组合且可重用的分析模块将具有以下特征：
预定义的数据输入定义和数据字典（因此，无论源系统的来源如何，它都知道要摄取的数据类型）。
预定义的数据集成和转换算法，以清理，对齐和规范化数据。
预定义的数据丰富算法，以创建分析模型所需的更高阶指标（例如，覆盖率，频率，新近度，索引，分数）。
算法模型（使用预测分析，机器学习或深度学习等高级分析方法构建），该算法模型将获取经过转换和丰富的数据，运行算法模型并生成所需的输出。
Predictive Analytics，机器学习和深度学习框架之上的抽象层，允许应用程序开发人员选择/使用其首选的或公司强制性的标准。
业务流程能够根据要解决的问题类型“调用”最合适的机器学习或深度学习框架。
预定义的输出（API），将分析结果馈送到下游的操作系统（例如，操作仪表板，制造，采购，市场营销，销售，支持，服务，财务）。
分析模块会产生预定义的分析结果，同时提供一层抽象，使基础机器学习和深度学习框架能够进行编排和优化。
可组合，可重用分析模块的经济学
可以创建可组合，可重用的分析模块，以满足最常见的分析需求（例如异常检测，剩余使用寿命，操作员效率，推荐可能性，预测的客户生命周期价值），这些模块可以使用Docker容器和Kubernetes等技术链接在一起，像乐高积木……好吧，也许像带有Play-Doh的乐高积木一样，以解决高价值业务和运营用例（例如减少运营停机时间，改善准时交付，减少陈旧和过多的库存，提高客户保留率，以及减少计划外的医院再次入院）。
这些可组合，可重用的分析模块产生了三种经济效应，这些效应定义了“ Schmarzo经济数字资产评估定理”（见图2）。
好的，所以我一直在谈论数个博客中的数字资产（如数据和分析）的经济效应所带来的这三种影响，以及无数的客户，学生和行业演讲。现在，我很自豪地说，我们日立Vantara公司开始体验到效应1（通过重复使用数据和分析来减少边际成本??）和效应2（通过加快实现价值的过程来实现经济价值增长）的后果并通过在客户参与活动中重用可组合，可重用的分析模块来减少实施风险）（特别感谢Matt Colon提供的图3）。
但是，我们知道效果＃3是经济上的游戏规则改变者。效果3通过不断使用这些分析模块，创造了增值而不是贬值的资产。这些分析资产的价值是由于在各种用例中通过这些分析模块的运行而收集到的集体知识/智慧/智慧的结果；从用例中学到的知识经过验证，编码并传播回每个其他分析模块（请参见图4）。
人工智能学习技术（如转移学习和联合学习）的不断发展为实现效果3铺平了道路。让我们深入探讨这两个主题。
基于AI的学习的重要性
在博客“执行任务＃1：成为价值驱动，而不是数据驱动”中，我首先讨论了转移学习在帮助组织获得和驱动客户，产品和运营价值的新来源方面的作用。转移学习是一种技术，通过该技术，首先对一种类型的问题进行神经网络训练，然后仅需最少的训练即可将神经网络模型重新应用于另一种类似的问题（参见图5）。
转移学习将重新应用在解决一个问题时获得的神经网络知识（权重和偏见），并通过最少的重新培训将其应用于其他但相关的问题。例如，在试图识别卡车，坦克或火车时，可以应用在学习识别汽车时获得的知识。
虽然将数据和处理能力集中到云环境中时转移学习效果很好，但在移动和物联网环境中处理大量远程节点时，它具有严重的局限性，其中时间和距离挑战会影响近距离所需的数据移动和处理速度实时学习和适应。 欢迎参加联合学习！
Google Research开发了联合学习概念来支持其广泛的移动设备网络，但是人们可以快速想象一下，在传统的物联网（IoT）环境中，由成百上千个独立设备组成的自治实体所产生的后果。 联合学习模型的工作方式如下：
您的远程设备将下载当前的分析模型，通过从远程设备上的数据中学习对其进行改进，然后将更改汇总为一个小的重点更新。仅此分析模型更新会发送到云，在此将其汇总并与其他用户更新共享以改进分析模型。 所有培训数据都保留在您的远程设备上[1]。
尽管Google迄今为止在联合学习方面的工作主要集中在支持其庞大的智能手机网络（其优势在于拥有大量存储和计算能力），但人们可以很快想象到这种联合培训功能将被采用物联网供应商，他们希望改善在物联网网络边缘的学习和适应能力（这将很快拥有大量的存储和计算能力）。 哎呀，如果我能想象得到，那么任何人都可以想象得到！
摘要：可组合，可重用的分析模块
迁移学习和联合学习将是关键实现Schmarzo数字资产经济价值定理的影响＃3：该 分析模块的细化电梯使用相同的分析模型的所有相关使用情况的经济价值。
转移学习和联合学习将加速分析模块跨多个部署进行学习的能力，并将这些学习结果传播回共享同一分析模块的设备网络。效果＃3支撑着这样一个概念，即我们可以创建基于AI的资产，它们使用的资产越多，其价值升值而不是贬值。当工业公司能够掌握这种现象时，它确实是一场改变游戏规则的人。
但是效果3要求组织对他们的分析有所不同；不是作为一次性项目，而是作为价值升值的资产，它们的使用量会更多。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！