Перспективы развития в будущем
И всё будет только лучше по мере того, как data science-специалисты будут открывать перед руководством перспективы, о которых те раньше даже не думали. «Значительные улучшения в когнитивном машинном обучении – уже на горизонте. Среди них – технологии open source и гибкие алгоритмы, которые полностью используют потоковые данные в реальном времени (их содержание, контекст и семантическое значение)», – объясняет в своей книге Кирк Борн, старший data science-специалист в консалтинговой компании Booz Allen.
«Способность использовать понимание ситуации на 360 градусов позволит действовать правильно, в правильное время, в правильном месте и в правильном контексте. А это имеет большое значение для когнитивной аналитики. Ещё один способ применить когнитивную аналитику – принимая во внимание данные и контекст для определённого объекта (или, например, аудитории), алгоритм определяет правильный вопрос, который нужно задавать своим данным (и это может быть не тот вопрос, который вы привыкли задавать своим данным)».
Борн добавляет, что новые технологии позволят организациям любого размера и бюджета извлечь выгоду из данных. При этом платформы и инструменты будут становится дешевле и доступнее. Борн пишет: «Мы ожидаем, что появятся продвинутые алгоритмы, которые помогут извлекать пользу из нововведений в области квантового машинного обучения, обработки и хранения данных in-memory (в оперативной памяти) и машинного обучения на специализированных устройствах (например, на графическом процессоре, мини-ПК Raspberry Pi или на мобильном «суперкомпьютере» следующего поколения).
«В таких устройствах всего с одной функцией мы ожидаем увидеть развитие встроенных алгоритмов машинного обучения (особенно, глубинного машинного обучения). Они будут выполнять оперативную трансформацию данных в инсайты на этапе сбора информации. Таких устройств будет множество, они будут связаны через интернет вещей (IoT), в том числе индустриальный интернет вещей (IIoT)».
