机器学习使组织能够从庞大的数据存储中创建准确的数据模型

机器学习使组织能够从庞大的数据存储中创建准确的数据模型，然后构建通过社区输入不断改进的流程，从而帮助组织处理真相。

这说起来容易做起来难，但是，因为当今的ML工具生态系统非常复杂，而且组织通常没有具备导航能力的人员。此外，组织很难信任许多ML模型的所谓黑​​匣子输出。

这篇eWEEK数据点文章利用了MarkLogic高级产品经理AnthonyRoach的行业信息，提供了有关ML当前状态以及将ML嵌入数据库平台如何使组织基于受信任数据进行快速智能化创新所需的八件事。和对该数据的可信分析。

数据点1：说得通一点很难进行数据分析

几年来，我们所听到的只是大数据，如何聚集和分析大量数据会带来惊人的见解，使企业能够做出更明智的决策。然而，公司发现，收集数据很容易。要以任何级别的信任度进行智能存储和分析，都非常困难。

数据点2：机器学习可以提供帮助

如上所述，组织发现收集大量的数据相对容易。诀窍是在数据中找到模式，这就是机器学习的目的。确实，数据是如此庞大和复杂，以至于很难检测出可以转换为系统规则的数据中的潜在模式和复杂关系。但是，对于现代机器学习工具而言，所有这些都是简单而直接的。而且，由于模型会根据经验改变其行为，因此这些工具可以改善其行为，从而将“学习”置于机器学习中。

数据点3：机器学习与数据一样好

综上所述，重要的不只是数据量。它也是数据的质量及其对预期目的的适用性。好的数据至关重要，因为机器学习对数据质量(或缺乏数据质量)特别敏感。想想看：您正在使用相同的数据来训练和执行模型。数据质量的任何问题都会被放大。而且，众所周知，即使是单个实体的功能也可能分散在组织中的多个系统中。如果ML工具由于某种模式的系统中隐藏了模式根部的某些数据而无法检测到模式，则ML输出的值将大大降低。

数据点4：机器学习投资回报可能很低

实际上，尽管目前关于机器学习的炒作很多，但事实是，对AI和机器学习的投资通常会产生非常低的ROI。造成这种情况的原因有很多，但最大的原因之一是组织通常不信任机器学习模型的“黑匣子”输出。当然，当您不信任输出(即使它是准确的)时，也就不会做出重大决定。更糟糕的是，机器学习工具生态系统非常复杂，这使公司很难将机器学习置于安全和治理的所有重要环境中。寻找具有适当技能的人员来构建和维护系统也很困难。

数据点5：要获得最佳效果，请将算法应用于数据，而不要反过来

您经常听说安全性应该是内置的而不是强加于人的。好吧，对于机器学习也可以这样说。当ML靠近数据本身时，ML的效率会提高-尤其是在可以保护，管理和管理数据的数据中心模型中。通过这种可靠的方法来获取数据的真实性，组织可以解决他们在治理和信任方面面临的许多挑战，同时更有效，更自信地释放机器学习所带来的好处。

数据点6：嵌入式机器学习可以改善数据库的运行方式

嵌入式机器学习可以提高数据质量和数据模型的真实性，但也可以帮助数据库本身更有效地运行。ML技术的这种应用仍在不断发展，但是通过监视工作负载模式和访问计划，可以通过自动重新调整系统来提高性能。通过使用机器学习来开发和利用基础架构工作负载模式的模型，以实现对数据和索引重新平衡的自动调整，例如，数据库也可以更有效地运行。

数据点7：嵌入式机器学习提高了组织的数据策划能力

将机器学习嵌入数据库后，组织可以通过自动化质量检查，协调，掌握和充实以及许多其他(通常是复杂的)任务来提高其整理数据的能力。组织甚至可以增强现有的基于规则的母带处理流程，以提高准确性和管理异常。此外，可以在建模阶段使用机器学习来识别特定数据是否可以包括例如个人可识别信息，并改进匹配算法以使其更准确(并需要更少的人工干预)。机器学习还可以协助属性分类并建议映射和建模规则。重要的是，这些模型会不断进行重新训练，因此随着时间的推移它们将变得更加智能。

数据点8：嵌入式机器学习可以提高数据科学家的效率

数据科学家花费大量时间来整理数据。根据文章在纽约时报，数据科学家花费他们80%的时间组装的大数据训练集。当机器学习被嵌入到数据库平台中时，其中的大部分工作都将由他们完成，从而使数据科学家可以腾出时间来训练和执行模型。

机器学习和人工智能不再被视为科幻小说。这些技术现在每天都在各种各样的用例中使用。但是，这并不意味着机器学习已得到充分利用，也不意味着各种类型和规模的组织都可以使用它。当机器学习被嵌入数据库级别时，它的大部分复杂性都将得到缓解，从而使公司能够了解其数据的真实性并充分利用ML的优势。

标签：

免责声明：本文为转载，非本网原创内容，不代表本网观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。