Apprendimento automatizzato e democratizzazione delle intuizioni

I dati proliferano nelle organizzazioni, ma vi è una crescente necessità di comprenderne le implicazioni attraverso la generazione di insight utili. La generazione di insight attraverso la business intelligence e l'analisi di dati è disponibile da circa mezzo secolo, ma ha sempre richiesto l'aiuto di analisti qualificati. Gli insight forniti alla leadership di un'organizzazione sono sempre stati limitai dal numero di analisti presenti, che senza un facile accesso all'analisi, erano spesso costretti a fare affidamento sulla propria esperienza e intuizione. A peggiorare le cose, le tecnologie di difficile utilizzo hanno reso più complicato trovare e analizzare i dati necessari per generare approfondimenti utili.

Negli ultimi decenni, sono state utilizzate più tecnologie per democratizzare la creazione di insight, inclusi pacchetti statistici interattivi, fogli di calcolo, strumenti di analisi visiva di facile utilizzo e molti altri. Ma non pensiamo che siano sufficienti per il complesso ambiente tecnologico e di dati di oggi.

Il rapido aumento della quantità di dati e la potenza di sofisticati algoritmi per analizzarli significa che sono necessari nuovi interventi per fornire altri livelli di conoscenza. Le precedenti tecnologie di democratizzazione erano per lo più in grado di generare analisi analitiche descrittive sul passato. Le aziende desiderano sempre più generare modelli che forniscano approfondimenti su ciò che potrebbe accadere alle loro attività in futuro e analisi prescrittive che guidino dipendenti e clienti a intraprendere azioni in grado di guidare i risultati aziendali. Il raggiungimento di questi obiettivi richiede un livello di sofisticazione statistica e scientifica dei dati che è ancora relativamente rara all'interno delle organizzazioni e che limita il numero di approfondimenti utili che un'azienda può produrre.

Il ruolo dell'apprendimento automatico automatizzato

L'analisi predittiva, che è la stessa delle forme più semplici di apprendimento automatico della statistica, ora può essere eseguita in gran parte su base automatizzata. Molte delle attività chiave richieste per l'apprendimento automatico, tra cui la preparazione dei dati, la "progettazione di funzioni" o la trasformazione delle variabili, la sperimentazione di diversi tipi di algoritmo, la creazione di codice di programma o API per la distribuzione dei modelli e persino la creazione di spiegazioni di quali fattori sono particolarmente importanti in un modello - può essere fatta dalle macchine.