How enterprises can get from siloed data to machine learning innovation
企業がサイロ化したデータから機械学習によるイノベーションを実現する方法
要約(英語):
Marvik, a machine learning consultancy, has said that AI can be unleashed only if leaders know how to leverage their data, define problems and iterate. “It makes sense to invest money and time to improve how we handle data inside companies,” said Paula Martinez, CEO and co-founder of Marvik
要約(日本語):
機械学習コンサルタントであるMarvikは、リーダーがデータを活用し、問題を定義し、反復する方法を知っている場合にのみ、AIを解き放つことができると述べています。MarvikのCEO兼共同設立者であるPaula Martinez氏は、次のように述べています。
本文:
Presented by Wizeline Any enterprise can unlock AI — but only if leaders know how to actually leverage their data, define problems and iterate.
Wizelineによって提示されたエンタープライズはAIのロックを解除できますが、リーダーが実際にデータを活用し、問題を定義し、反復する方法を知っている場合のみです。
In this VB On-Demand event, join industry experts as they dig into how enterprises can turn data into company-wide AI and machine learning solutions.
このVBオンデマンドイベントでは、企業がデータを全社的なAIおよび機械学習ソリューションに変える方法を掘り下げて、業界の専門家に参加します。
Companies are foundering in the quest to realize AI objectives, not to mention a return on their investment in AI, and it comes down to the right data and the right expertise, says Paula Martinez, CEO and co-founder of Marvik, a machine learning consultancy.
企業は、AIへの投資に対する利益は言うまでもなく、AIの目標を実現するための探求に基づいており、適切なデータと適切な専門知識に帰着します、と機械学習のMarvikのCEO兼共同設立者であるPaula Martinez氏は言います。コンサルティング。
First, there’s the expense and effort of uncovering good quality data from the mountain that’s always growing, and labeling it properly to actually put analytics and machine learning developments into production.
第一に、常に成長している山から良質の高品質データを明らかにし、それを適切にラベル付けして、実際に分析と機械学習の開発を生産するために適切にラベル付けする費用と努力があります。
And then, going from proof of concept to a production-ready solution with quality standards that can be launched at scale is another enormous obstacle — and a large part of that is finding a team with the right skills to carry out the task successfully.
そして、概念実証から、大規模に開始できる品質基準を備えた生産対応のソリューションに移行することは、別の大きな障害であり、その大部分は、タスクを正常に実行する適切なスキルを持つチームを見つけることです。
Finally, some companies face problems just in narrowing down a business problem.
最後に、一部の企業は、ビジネス上の問題を絞り込むだけで問題に直面しています。
“Launching a proof of concept with cloud services or other developers can be fast and easy to do,” Martinez says.
「クラウドサービスまたは他の開発者で概念実証を開始することは、迅速かつ簡単に行うことができます」とマルティネスは言います。
“But when the problems are complex and very specific to an organization or an industry, requiring very specific knowledge and experience, the solution must be fine-tuned for that particular case — and that takes a specialized skill set.” Getting to 95% percent accuracy might take days or weeks, but getting 99% accuracy can take months, as well as another degree of expertise and knowledge.
「しかし、問題が組織や業界に非常に具体的であり、非常に具体的な知識と経験を必要とする場合、その特定のケースに対して解決策を微調整する必要があり、それには専門的なスキルセットが必要です。」95％の精度を獲得するには数日または数週間かかる場合がありますが、99％の精度を得るには数か月かかり、別の程度の専門知識と知識がかかります。
Without that knowledge, collecting and organizing the right data is usually overlooked.
その知識がなければ、適切なデータを収集して整理することは通常見落とされています。
And without the necessary resources allocated to find and prepare this data for machine learning models, that information stays siloed.
また、機械学習モデルのためにこのデータを見つけて準備するために割り当てられた必要なリソースがなければ、情報は沈黙しています。
“Working with large organizations, we usually find ourselves working with information that is fragmented in different systems, in different business units of the company,” Martinez says.
「大規模な組織と協力して、私たちは通常、会社のさまざまなビジネスユニットで、さまざまなシステムで断片化されている情報を扱っています」とマルティネスは言います。
Today, many companies are making efforts to consolidate and leverage that data with data lakes and warehouses, but it’s a complex and time-consuming task to reorganize and implement any of these solutions, and figure out how to take advantage of this information.
今日、多くの企業は、データの湖や倉庫でそのデータを統合して活用する努力をしていますが、これらのソリューションのいずれかを再編成して実装し、この情報を活用する方法を把握するための複雑で時間のかかるタスクです。
“It makes sense to invest money and time to improve how we handle data inside companies,” she says.
「企業内でのデータの処理方法を改善するためにお金と時間を投資することは理にかなっています」と彼女は言います。
“We need to plan for that, and decide on a road map for a successful AI investment overall.” There’s no recipe for un-siloing and actually leveraging data — it’s a case-by-case situation.
「私たちはそれを計画し、全体的にAI投資を成功させるためにロードマップを決定する必要があります。」非シロのレシピはありません。実際にデータを活用することは、ケースバイケースの状況です。
But in terms of methodology, Martinez recommends that clients start any AI project with a minimum viable product (MVP), to determine if this is the path toward adding business value to the company.
しかし、方法論の観点から、Martinezは、クライアントが最小実行可能な製品（MVP）でAIプロジェクトを開始することを推奨して、これが会社にビジネス価値を追加する道であるかどうかを判断することを推奨しています。
From the definition and design of the solution, to the creation of an action plan, and later the implementation of the AI solutions needed requires planning for the right technology stack, too.
ソリューションの定義と設計から、アクションプランの作成、および後に必要なAIソリューションの実装には、適切なテクノロジースタックの計画も必要です。
That must take into account the nature of the data, and how the company envisions implementing the solution.
それは、データの性質と、会社がソリューションの実装をどのように想定しているかを考慮に入れなければなりません。
For example, will it run in the cloud, on edge devices, mobile or other applications?
たとえば、クラウド、エッジデバイス、モバイル、またはその他のアプリケーションで実行されますか？
Does it need to run in real time, or in intervals?
リアルタイムで実行する必要がありますか、それとも間隔で実行する必要がありますか？
There are so many variables to take into account when defining the technology stack, and so many technologies coming into the market.
テクノロジースタックを定義する際に考慮すべき非常に多くの変数があり、非常に多くのテクノロジーが市場に出てきます。
“An advantage we have is that we get to test new tools as they come to the market, and we can find out which ones work and which ones don’t,” she says.
「私たちが持っている利点は、新しいツールが市場に来るときに新しいツールをテストできることです。また、どのツールが機能し、どのツールが機能しないかを見つけることができます」と彼女は言います。
“We get access to so many organizations, and we get to see the pros and the cons of every cloud tool and technology.” Her biggest piece of advice when planning and while implementing is to not be afraid to experiment — which just means forging ahead even if you’re not certain of the results.
「私たちは非常に多くの組織にアクセスでき、すべてのクラウドツールとテクノロジーの長所と短所を見ることができます。」計画と実装中の彼女の最大のアドバイスは、実験を恐れないことです。これは、結果がわからなくても前進することを意味します。
AI is about to explode, so companies need to start combining technology with business understanding and data right now, to ensure they’re prepared to face a far more competitive future.
AIは爆発しようとしているため、企業は今すぐテクノロジーとビジネスの理解とデータの組み合わせを開始する必要があり、はるかに競争の激しい未来に直面する準備ができています。
“The good news, I think, is that external help is available to speed up the process,” she says.
「良いニュースは、プロセスをスピードアップするために外部ヘルプが利用可能であると思います」と彼女は言います。
“We often see companies not innovating because they’re afraid, or they feel it’s outside of their reach, even though they have the correct data.
「私たちはしばしば、彼らが恐れているので、企業が革新していないか、正しいデータを持っているにもかかわらず、彼らが手の届かないところにあると感じているからです。
元記事
https://venturebeat.com/ai/how-enterprises-can-get-from-siloed-data-to-machine-learning-innovation/
