人工智慧的民主化正在把強大的工具交到非專家手中

源| singularityhub譯| 郝孝帥

合格的數據科學家在現在飛速發展的大數據很人工智慧領域裡相當短缺，而越來越多的工具被交到了非專家的手中，無論好壞。

近年來，簡單的自助型服務平台的廣度和質量都出現了爆炸性發展，這讓非技術型員工可以挖掘企業所擁有的大量數據。他們通常被允許執行簡單的日常任務，如創建報告或構建數據可視化，而不必依賴公司的數據專家。

Gartner最近預測，使用自助服務分析數據的員工將比專業數據科學家產出更多的分析報告。考慮到數據專家的長期短缺以及他們掌握的巨額薪水，這可能是大多數高管更傾向的一種選擇。

越來越多的分析任務會變得更容易理解。特別是在亞馬遜、谷歌和微軟等大型雲計算提供商的推動下，有越來越多的工具幫助初學者開始構建自己的機器學習模型。

這些工具提供了預先構建的演算法和直觀的界面，使沒有經驗的人可以輕鬆地開始工作。雖然他們的目標是開發人員，而不是使用更簡單的自助服務分析平台的日常業務用戶，但現在沒有高級統計學博士之類的學位也可以開始在這些平台上輕鬆展開工作了。

最近，Google還發布了一項名為Cloud AutoML的服務，它使用了機器學習來自動完成構建和調整深度神經網路，以進行圖像識別。

而 Cloud AutoML 並不是自動化機器學習的唯一產品。波士頓的 datarobot 讓用戶能上傳他們的數據，突出它們的目標變數，然後系統根據平台收集的數百種開源機器學習演算法自動構建數百個模型。用戶可以從最佳性能模型中進行選擇，並用它來分析未來的數據。

對於更有冒險精神的開發人員來說，有越來越多的開源機器學習庫提供了製作自定義演算法所需的基本子組件。

這仍然需要大量的編碼經驗和數據的大腦。但就在上個月，總部位於奧斯汀的認知規模發布了 Cortex，他們說這是第一個用於構建 AI 模型的圖形用戶界面。

用戶不必通過編寫和組合無窮無盡的代碼來指定他們想要的內容，便可以簡單地將諸如情感分析或自然語言處理等各種預先製作的 AI 「技能」 放到類似蜂巢的界面中，並在表示數據流的單元之間進行連接。這些技能可以結合起來構建一個更複雜的模型，能夠執行高級別的任務，比如使用文本分析處理保險索賠。

就像用視覺 GUIs 來代替神秘的命令行界面一樣，Windows 極大地擴展了能夠接觸個人電腦的人數，大腦皮層的創造者說他們的工具對人工智慧也有類似的效果。

所有這些試圖使獲取高級分析的機會民主化的嘗試，都有可能大大加快其在各種商業領域的應用。把這些工具交到非專家手中，可能意味著那些沒有資源去競爭頂級數據專業人員的公司仍能從人工智慧中獲益。

它也解放了專家，讓他們去研究最尖端的技術應用，而不是平凡的商業項目。

但是，在將非專家設置為組織的數據集之前，還需要考慮風險。數據科學不僅僅是知道如何構建一個演算法，它還關於如何有效地收集數據，如何準備分析，以及各種統計技術的優點和局限性。

這句古老的格言 「垃圾輸入，垃圾輸出（garbage in, garbage out）」 強調了將強大的分析放在那些不完全理解他們使用的工具或者他們的數據的來源以及潛在的錯誤或偏見的人手中的危險。

來自自助服務分析平台 Domo 的 Brent Dykes 在《福布斯》雜誌上撰文指出，企業不應指望這些技術的民主化能夠神奇地將他們的僱員變成 「平民數據科學家」。他說，他們需要對如何正確地解釋和分析數據，以及健全的數據整理體系，以確保所使用和輸出的數據是可靠的。

這將需要經過訓練的數據科學家發揮關鍵的監督作用，以確保人工智慧能為企業提供可靠的見解，而不是讓他們誤入歧途。

-END-

譯者 | 郝孝帥

一名機器學習和數據挖掘的小白

了解如何加入我們

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！