डेटा से एनालिटिक्स से एआई तक: वर्णनात्मक से पूर्वानुमानित एनालिटिक्स तक

पिछले सप्ताह यूरोप में कई दिलचस्प घटनाएं हुईं, जिनमें शामिल हैं बिग डेटा स्पेन मैड्रिड में और जाओ बर्लिन में। दोनों में प्रमुख उद्योग जगत की हस्तियों और संगठनों की उपस्थिति थी, अच्छी तरह से उपस्थित थे (1000 प्रतिभागियों की सीमा में देने या लेने वाले), सुव्यवस्थित और दूरदर्शी थे।

और दोनों ने बहुत वास्तविक तरीके से रोजमर्रा के तकनीकी और व्यावसायिक लोगों के जीवन में एआई के आगमन पर प्रकाश डाला, जो घटनाओं के कार्यक्रम और एआई से संबंधित विषयों में आकर्षित रुचि को दर्शाता है।

हालाँकि, अधिकांश लोगों के लिए, AI मायावी और/या गलत समझा गया है। एआई वास्तव में क्या है, हम वहां तक ​​कैसे पहुंच सकते हैं और व्यावहारिक दृष्टि से यह किसके लिए अच्छा है?

अब तक, एनालिटिक्स व्यापक हो गया है और कई संगठनों में इसे अच्छी तरह से समझा और सफलतापूर्वक उपयोग किया जाता है। तो शायद ये अच्छा होगा संगठनों के लिए अपनी एआई यात्रा शुरू करने के लिए शुरुआती बिंदुवीज़ा में एनालिटिक्स और ए/बी टेस्टिंग के निदेशक रामकुमार रविचंद्रन के अनुसार।

डेटा से एनालिटिक्स से एआई तक

एनालिटिक्स में विकास की एक शृंखला है, जो वर्णनात्मक से लेकर निदानात्मक, पूर्वानुमानित और निर्देशात्मक तक पहुंचती है। गार्टनर का वर्गीकरण. कई संगठन अभी भी वर्णनात्मक चरण में हैं, कमोबेश पारंपरिक बीआई दृष्टिकोण का उपयोग कर रहे हैं: अपने सभी डेटा को एक साथ प्राप्त करें और जो कुछ हुआ है उस पर त्वरित विचार प्राप्त करने के लिए विज़ुअलाइज़ेशन का उपयोग करें।

डायग्नोस्टिक एनालिटिक्स यह पता लगाने के बारे में है कि कोई घटना क्यों घटित हुई, और ड्रिल-डाउन, डेटा खोज, डेटा माइनिंग और सहसंबंध जैसी तकनीकों का उपयोग करती है। अधिकांश एनालिटिक्स फ्रेमवर्क अपनी पेशकशों में ऐसी सुविधाओं को शामिल कर रहे हैं।

लेकिन जहां चीजें वास्तव में दिलचस्प हो जाती हैं, वह तब होती है जब पूर्वानुमानित विश्लेषण का उपयोग करके यह अनुमान लगाने की कोशिश की जाती है कि क्या होगा। आमतौर पर यह पूर्वानुमानित मशीन लर्निंग (एमएल) मॉडल को प्रशिक्षित करने के लिए मौजूदा डेटा का उपयोग करके किया जाता है। और यही कारण है कि रविचंद्रन के अनुसार, एनालिटिक्स उस विकास का हिस्सा है जो एआई की ओर ले जाता है।

क्या मशीन लर्निंग का उपयोग करके भविष्यवाणियां करने में सक्षम होना एआई का गठन करता है, और क्या इसके लिए एनालिटिक्स का होना एक पूर्व शर्त है, यहां पूछे जाने वाले महत्वपूर्ण प्रश्न हैं।

एआई समाधान एनालिटिक्स से बहुत पहले विकसित और उपयोग किए गए हैं। विशेषज्ञ प्रणालियां यह एक ऐसा उदाहरण है जिसका उपयोग चिकित्सा और कृषि जैसे क्षेत्रों में उन संगठनों द्वारा वर्षों से सफलता के विभिन्न स्तरों के साथ किया जा रहा है जो आवश्यक रूप से विश्लेषण-जागरूक नहीं थे।

इसलिए एआई विशेषज्ञों के लिए, यह विचार कि एआई के लिए एनालिटिक्स एक शर्त है, पहली बार में अजीब लग सकता है। लेकिन किसी को संदर्भ में अंतर पर विचार करना होगा: पारंपरिक एआई में, ज्ञान का आधार रहा है आम तौर पर विशेषज्ञ ज्ञान की मांग करके इसे इकट्ठा और क्यूरेट किया जाता है और इसे इसके एकल संस्करण के रूप में माना जाता है सच।

आधुनिक संगठनों में, एक है विश्वसनीयता की अलग-अलग डिग्री वाले डेटा स्रोतों की प्रचुरता, ये स्रोत एक-दूसरे का खंडन कर सकते हैं, और आकार और अंतर्ग्रहण दर भी एक अलग स्तर पर हैं.

इसलिए एनालिटिक्स व्यवसाय से जुड़े लोगों के लिए, एक नुस्खा जो एनालिटिक्स से एआई तक जाता है, स्वाभाविक और व्यावहारिक लगता है प्रगति, और डेटा सफ़ाई, विश्वसनीयता, स्थान और एकीकरण से संबंधित चिंताएँ वास्तव में पूर्वापेक्षाएँ हैं।

मशीन लर्निंग चुनौतियाँ

इस सवाल से निपटने से पहले कि क्या मशीन लर्निंग एआई का गठन करती है, आइए एक मिनट का समय लें और विचार करें कि एमएल को सही करने के लिए क्या करना होगा। डेटा वैज्ञानिकों की मायावीता और उनके कौशल की विविधता और कमी पर अक्सर चर्चा होती है विषय, और एमएल परियोजनाओं में शामिल सभी लोगों को स्पष्ट रूप से परिभाषित मूल्य प्रस्ताव के आसपास संरेखित करना सही नहीं है मामूली।

जैसा कि कोई भी अनुभवी इंजीनियर जानता है, सही चीज़ का निर्माण मौलिक है, किसी चीज़ का सही निर्माण करने से भी अधिक।

मशीन लर्निंग कैनवास (एमएलसी) लुई डोरार्ड द्वारा प्रस्तुत एक उपकरण है papis.io यह सुनिश्चित करने के लिए कि एमएल परियोजनाओं पर काम करने वाली टीमों को परियोजना की स्पष्ट साझा समझ है कि इसे क्या हासिल करना है और यह इसके बारे में कैसे आगे बढ़ेगी। इसे प्रसिद्ध बिजनेस मॉडल कैनवास के आधार पर तैयार किया गया है, और इसमें मिशन स्टेटमेंट से लेकर डेटा स्रोतों और सुविधाओं तक के पहलुओं को शामिल किया गया है। एमएलसी का उद्देश्य कार्यान्वयन से पहले टीमों को सही एल्गोरिदम/बुनियादी ढांचे/एमएल समाधान चुनने में मदद करना है, साथ ही परियोजना प्रबंधन का मार्गदर्शन करना है।

लेकिन भले ही एमएलसी जैसे उपकरण क्रॉस-फंक्शनल टीमों को संरेखित और समन्वय करने में मदद कर सकते हैं, लेकिन वे एमएल परियोजनाओं के आसपास के मुद्दों की विस्तृत श्रृंखला को हल नहीं कर सकते हैं। प्रस्तावों और तकनीकी ढेर एमएल को स्वचालित करने के लिए उद्योग के दिग्गजों द्वारा आगे रखा गया है, लेकिन उनकी अत्याधुनिक स्थिति के बावजूद पाइपलाइनों के लिए विभिन्न प्रौद्योगिकियों में उच्च स्तर के कौशल की आवश्यकता होती है, और उनके लिए संपर्क करना गूढ़ रहता है अधिकांश।

जैसा कि Google में उच्च जटिलता की एमएल परियोजनाओं पर काम करने वाले लोगों ने नोट किया है, एमएल परियोजनाओं को डीबग करना, क्रमिक रूप से संशोधित करना और मुश्किल है। सत्यापित करें, एल्गोरिथम पारदर्शिता चुनौतीपूर्ण है, घटकों को अलग करना कठिन है, स्वचालित एकीकरण असामान्य जोखिम पेश करता है, और एक के रूप में परिणाम तकनीकी ऋण अधिक आसानी से जमा होता है.

इस समय, इन मुद्दों का कोई ज्ञात समाधान नहीं है, लेकिन उन्हें इंगित करना सही दिशा में एक कदम है। हम इस पोस्ट के अगले भाग में उनमें से कुछ को संबोधित करने के प्रयासों के साथ-साथ एमएल, डेटा, मेटाडेटा और डीप लर्निंग और एआई में नवीनतम प्रगति के बीच संबंध पर प्रश्न का पता लगाएंगे।

लेखक को कार्यक्रमों के आयोजकों द्वारा GOTO और यात्रा व्यय और बिग डेटा स्पेन के लिए प्रवेश की अनुमति दी गई है। पाको नाथन, नतालिनो बुसा और लुई डोरार्ड द्वारा बिग डेटा स्पेन में दी गई वार्ता के लिए स्लाइड डेक भी आयोजकों द्वारा प्रदान किए गए हैं। रविचंद्रन द्वारा व्यक्त किए गए विचार व्यक्तिगत हैं और जरूरी नहीं कि वे उनके नियोक्ता के विचारों को प्रतिबिंबित करते हों।