需要数据来推动有效的人工智能解决方案

我们到处听到它。机器学习和其他类型的人工智能是在可预见的未来将推动竞争优势的引擎，但他们必须依靠数据来获取燃料。大量数据，但不仅仅是任何数据 - 他们需要高质量，干净，最新的数据，这些数据是准确采购和管理良好的。

公司面临的主要挑战之一就是获取这些数据，这有很多原因 - 从保持数据被困在组织中的孤岛到组织可能无法生成足够的数据或有办法收集数据这一事实它首先。他们需要的一些数据可能涉及客户情绪，制造实践或X射线图像。

最重要的是，即使组织拥有数据，在数据收集和获取回答业务问题所需的见解之间也会涉及很多步骤，例如“我们为什么要失去客户?”或“为什么有些我们制造的医疗器械是否有缺陷?“或者，预测一种结果，例如”X射线图像中的异常指示疾病吗?“

收集数据后，需要对其进行清理，验证和准备，以确保数据“良好”。这是数据工程师的工作，他们还必须确保正确设计，管理和维护数据管理。然后有数据科学家创建他们将通过AI系统测试的假设 - 并且基于这些假设开发算法来教授AI应用程序以寻找可以回答他们问题的模式。完成这项工作后，工作将不断重复，而且从未真正完成，因为人工智能程序必须不断学习和发展。

这个复杂的过程带来了另一个挑战。数据科学家供不应求，随着人工智能需求的增加以及从物联网设备和其他来源收集的数据，预计情况会越来越差。因此，即使他们愿意，公司也很难在公司内部积累所有这些专业知识。

数据的收集，准备和维护以及AI算法的持续开发所涉及的所有挑战已经将相对较新的业务推向了最前沿：数据即服务，其涉及外包这些活动中涉及的各种功能。我们都听说过很多关于数据即服务的问题，而且随着任何新技术的发展，都会出现很多混乱和新术语。为了简化技术服务，下面我将数据交付服务分解为两个关键产品：模型即服务和洞察即服务 - 每个都有不同的情况和时间可能更适用。

模型即服务：数据和算法属于您

在模型即服务中，您将收集自己的数据，但转向提供商进行准备并开发算法。如果您拥有非常定制或专有的信息，这种方法尤其有用。想象一下，例如，如果一家公司试图找出其客户离开的可能性，电信提供商正试图确定向客户交叉销售其产品的最佳方式，或者是一名医生试图确定患者是否可能住院后重新入院或服用处方药。这些问题的答案 - 或对这些结果的预测 - 只能准确地基于您公司特定的数据。

在这种方法中，您不仅拥有数据，还拥有算法。在筛选数据，清理，准备，监控和维护数据以及开发算法或数据模型以解决您的问题所涉及的所有正在进行的工作之间的所有繁重工作都是为您完成的。你收到的见解是你的。您可以根据您的数据，客户，公司和特定情况获得竞争优势，而无需数据科学部门。

购买洞察力：洞察力即服务

另一种方法是洞察即服务，在这种服务中，您只需获得所需的特定知识，而不是其他任何东西。您不必提供数据(尽管您可以根据需要补充一些常规数据)，并且您不拥有它或任何开发的算法。你只是获得了特别的洞察力。

如果您正在寻找对不基于您的特定数据集的通用问题的洞察力，这是有意义的。例如，假设一家对冲基金正试图确定圣诞节期间的销售额是否上涨。例如，他们可以求助于一个可以使用卫星图像和深度学习来计算购物中汽车数量的洞察即服务公司。在这种情况下，您将获得问题的答案，但其他公司也可以获得这种见解。

好消息是，尽管在收集和维护数据，开发算法以及数据科学家短缺方面存在挑战，您仍然可以依靠AI来获取您正在寻找的数据洞察力。无论您是需要通过模型即服务洞察您的特定数据，还是通过转向洞察即服务来解决数据集之外的更多通用问题，结果是数据成为推动您业务发展的动力向前。