Matt Maccaux, Global Field CTO chez HPE, a parlé d'un sujet intéressant. Il existe de nombreuses façons de commettre des erreurs avec l'intelligence artificielle.

Analytique Anti-Patterns (les pires pratiques)

Anti-Patterns est ce que les organisations font pour résoudre les problèmes quand cela «semble» correct mais n'est vraiment pas correct.

Volume 1 (présenté précédemment)

• Des silos d'informations créent une duplication des données
• Construisez des lacs de données mais empêchez les utilisateurs d'y accéder
• Les organisations placent les informations dans un référentiel commun et laissent aux utilisateurs ce qu'ils veulent avec it
• Déploiement d'environnements Big Data dans du matériel de base et tentative de mise à l'échelle.
  • avec le besoin du GPU de penser les choses différemment
• Projets pour animaux de compagnie. Si vous le construisez, ils viendront. Ne fonctionne pas pour les projets technologiques

Volume 2 des modèles

Hype AI / ML / DL

• le cycle de battage médiatique Gartner 2018 regorge de technologies AI / ML
• Ils échouent parce que les cadres ne comprennent pas et ne peuvent pas dépasser le battage médiatique
• Vous devez comprendre les besoins essentiels

Rush to the Nuage

• Le cloud est attrayant pour les besoins en IA / ML
• Lorsque Matt demande à son client combien de temps un nouveau data scientist sera productif. La réponse: 6-9 mois
• Le cloud est plein de promesses mais…
• Il faut penser à l'échelle, à la sécurité, à la confiance des données
• Il faut penser au budget, aux coûts, à la communication, etc. [19659006] Ne vous précipitez pas. Soyez réfléchi

Histoire: un client a donné à son data scientist l'accès à AWS. Au cours du week-end, ils ont oublié de fermer un emploi. À la fin du week-end, la facture s'élevait à 35 000 $

Réplication du monolithe

Lorsque vous accédez au cloud, vous pouvez simplement redéployer tous vos outils habituels de data scientist. La plupart des scientifiques des données aiment utiliser les outils qu'ils ont utilisés dans les écoles. Mais ces outils open source vont-ils évoluer? Est-il judicieux d'utiliser ces outils? Vous vous retrouvez avec beaucoup de déploiements cloisonnés de ces outils.

Data Scientist comme Lone Explorer

Les entreprises donnent à ces relativement jeunes et jeunes scientifiques des données pour répondre à des problèmes ouverts. Parfois, ils trouvent des problèmes qui ne peuvent pas être résolus. Parfois, ils trouvent des projets où cela ne vaut pas la peine d'être réparé. Parfois, ils peuvent prédire quelque chose mais c'est difficile à opérationnaliser. Si quelqu'un a une prédiction, vous devez pouvoir y donner suite.

Lorsque vos scientifiques des données décrochent de l'or, vous devez constituer une équipe pour l'opérationnaliser.

Citation : 86% des organisations ont du mal à opérationnaliser les connaissances [19659029]

Solutions

Offrez à ces spécialistes des données une plate-forme commune et d'entreprise. Cela va du back-end à la gouvernance des données, aux outils utilisés pour créer et exécuter des modèles.

Source link