企业在机器学习中容易犯的五个错误

作者: HERO 2019-11-01 14:19:02

 机器学习技术的发展已使人们能够从企业的各种结构化或非结构化内容中提取更多的信息和情报。

据行业人士分析,有两种力量正在推动机器学习技术和其他支持人工智能技术的使用激增:非结构化内容的惊人增长和使用机器人流程自动化(RPA)可以实现与内容相关的流程自动化。

Cognilytica说,在文档、图像、电子邮件、在线数据和视频之间,企业中高达90%的内容是以非结构化数据的形式出现的,并且以每年惊人的55%至65%的速度增长。

因此,调研机构Everest Group Research公司表示,智能的自动化技术正在使用机器学习,其中机器人流程自动化(RPA)与内容相关的流程相交并且互操作。机器学习技术的发展使得人们有能力从企业的各种结构化或非结构化内容中提取更多的信息和情报。

机器学习是指使机器能够以监督和无监督的方式“学习”从而提高准确性和性能的软件。在涉及捕获文档和使用机器人流程自动化(RPA)进行处理的过程中,机器学习和其他人工智能技术可以从数千种不同的文档中学习,例如处理发票或处理供应商订单。

尽管如此,Digital IQ技术和解决方案全球提供商ABBYY公司首席创新官Anthony Macciola表示,组织在使用机器学习解决方案时通常会犯五个常见错误:

数据点1:过于复杂的机器学习功能

为了训练最基本的非结构化内容用例,组织有可能使用需要大量数据的机器学习工具。使用经过验证的机器学习工具,这些工具包含高级算法,可以使用小数据集进行训练,并且可以在几个小时内完全投入生产,而不需要在一个样本集中使用数十万个文档来启动项目,这可能需要数周甚至数月的时间。

数据点2:过于依赖机器人流程自动化(RPA)

机器人流程自动化(RPA)通过连接到原有系统和外部数据源来提高效率而备受赞誉。它可以快速部署,其数字工作者易于配置,一旦就位,他们就可以像人类一样执行工作。机器人流程自动化(RPA)和机器学习技术之间较大的区别是机器人流程自动化(RPA)专注于重复的结构化工作,而机器学习旨在理解结构化和非结构化内容。机器人流程自动化(RPA)需要机器学习技术来为其数字工作者提供智能内容,从而为他们提供认知技能,以提取有用的信息并获得智能,从各种形式的内容中学习,获取文档的含义和意图以及增加决策能力。

数据点3:假设他们知道将机器学习技术应用于何处

企业启动自动化项目时,并不总是选择要启动的正确流程。这是因为许多公司在组织过程知识上被分隔开来。此外,高层管理人员不参与日常工作流程,也缺乏流程文档,因此越来越难以真正发现哪些流程已准备好进行自动化。在项目开始之前,将流程智能结合起来,将使企业全面了解在何处应用机器人流程自动化(RPA)和机器学习解决方案,以及它们对组织的预期价值和节省——所有这些都基于数据,而不是基于意见或偏见。

数据点4:错过高价值的业务案例

通常,企业将依靠常规知识并选择最常发生的任务,因为它看起来可以带来很好的效果。但是,这种临时的流程选择方法可能会忽略其他带来更好投资回报机会的商业机会。虽然从对组织的干扰或与最终用户的交互影响最小的区域开始是完全可以接受的,但是应该记住如何在整个组织内快速轻松地“登陆并扩展” 机器学习。

数据点5:认为可以一劳永逸

这项工作并不仅仅是因为企业已经训练了算法并部署了数字工作人员。通过监视和衡量自动化对上游和下游的影响来确保持续的协议遵从性,并防止瓶颈转移和可能对其他地方的流程产生负面影响。监控数字劳动力以及实施整个端到端流程与规划和执行同样重要。

大数据 机器学习 工具
上一篇:这一次,脑机接口可以实时读取人类脑中画面了? 下一篇:人工智能在2019年五大发展趋势
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

对象存储适合人工智能和机器学习的三个原因

如今,各种类型的企业都致力于采用人工智能和机器学习项目,但要发挥其真正的潜力,则需要克服重大的技术障碍。虽然计算基础设施通常是重点,但存储设施也同样重要。

Gary Ogasawara ·  21h前
机器学习:有监督和无监督之间有什么区别

机器学习是人工智能的一个子集,它通过示例和经验教会计算机执行任务,是研究和开发的热门领域。我们每天使用的许多应用程序都使用机器学习算法,包括AI助手,Web搜索和机器翻译。

AI国际站 ·  22h前
机器学习的七原罪

机器学习是一种伟大的工具,正在改变着我们的世界。 在许多伟大的应用中,机器(尤其是深度学习)已被证明优于传统方法。 从用于图像分类的Alex-Net到用于图像分割的U-Net,我们看到了计算机视觉和医学图像处理领域的巨大成功。 不过,我看到机器学习方法每天都在失败。 在许多这样的情况下,人们迷上了机器学习的七大罪过之一。

闻数起舞 ·  1天前
为ML模型注入灵魂:基于MVP的超简单部署方案

开发一个出色的机器学习模型是一件棘手的事,但即使开发完成也不意味着工作的结束。在部署之前,它仍然毫无用处,他人可以轻易访问。

读芯术 ·  1天前
可再生能源与机器学习“双重加持”,谷歌成功实现风力预测

从传统角度看,电力电场的发电能力普遍较弱,因为我们至今很难预测无形无相的风,会在新一天中表现出怎样的活动趋势。

佚名 ·  1天前
明确解释:机器学习与统计建模有何不同

这篇文章提出了一个非常重要的区别,我们应该将其理解为数据科学领域的活跃部分。 上面的维恩图最初是由SAS Institute发布的,但是它们的图显示统计和机器学习之间没有重叠,据我所知,这是一个疏忽。

闻数起舞 ·  1天前
不用任何数学方法,如何计算圆面积

借鉴统计学习和机器学习的核心原理,我们可以使用蒙特卡罗模拟和多项式/二次回归来创建基于计算的方法,以找到圆的面积公式。

机器之心 ·  2天前
2020年十大人工智能趋势

人工智能在工作场所中崛起以支持和维持数字化劳动力的趋势是2020年的明显趋势。人工智能,机器学习,神经网络或其他任何花哨的术语行业都应运而生,它被定义为复杂的计算机技术,被广泛用于理解和改善业务和客户体验。

闻数起舞 ·  2天前
Copyright©2005-2020 51CTO.COM 版权所有 未经许可 请勿转载