為什么很多公司仍在努力構(gòu)建從采集數(shù)據(jù)到獲得洞察力的平穩(wěn)運(yùn)行的管道?他們希望投資和采用機(jī)器學(xué)習(xí)算法來分析數(shù)據(jù)，并做出商業(yè)預(yù)測。
但是，不可避免的是，他們應(yīng)該意識到算法并不是魔法：如果采用的是垃圾數(shù)據(jù)，得出的就不會是一流的見解。因此，他們雇傭了一些數(shù)據(jù)科學(xué)家，但通常他們90%的時(shí)間都花在數(shù)據(jù)清潔上，只剩下10%的時(shí)間來完成分析工作。
這個(gè)過程的缺點(diǎn)還在于企業(yè)喜歡采用終端算法的機(jī)器學(xué)習(xí)。Tamr公司的聯(lián)合創(chuàng)始人兼首席執(zhí)行官Andy Palmer表示，他們應(yīng)該在數(shù)據(jù)早期清潔階段盡可能地應(yīng)用機(jī)器學(xué)習(xí)，而不是依靠工作人員來處理龐大的數(shù)據(jù)集。該公司幫助組織使用機(jī)器學(xué)習(xí)突破他們的數(shù)據(jù)孤島。
許多公司在大數(shù)據(jù)收集系統(tǒng)上花費(fèi)了大量資金。他們強(qiáng)調(diào)的是數(shù)據(jù)數(shù)量而非質(zhì)量，這是顯而易見的。
Palmer說：“任何在大公司工作的人都可以告訴你，他們從大多數(shù)內(nèi)部系統(tǒng)獲得的數(shù)據(jù)很簡單，簡單明了。”
Tamr公司聯(lián)合創(chuàng)始人兼首席技術(shù)官Andy Palmer和SiliconSLE Media公司移動直播工作室CUBE的主持人Michael Stonebraker與Dave Vellante和Paul Gillin在會上進(jìn)行了探討，他們最近參加了在馬薩諸塞州劍橋舉行的麻省理工學(xué)院CDOIQ研討會。他們探討了大數(shù)據(jù)采用機(jī)器學(xué)習(xí)技術(shù)，以及為什么Tamr認(rèn)為初創(chuàng)公司會比傳統(tǒng)公司提供更好、更具可擴(kuò)展性的大數(shù)據(jù)解決方案的原因。
大數(shù)據(jù)的清理和組織
Palmer和Stonebraker多年來一直關(guān)注大數(shù)據(jù)技術(shù)。早在2007年，他們就預(yù)測ApacheHadoop大數(shù)據(jù)框架不會帶來很多人所期望的結(jié)果。
Palmer說，“有人說大數(shù)據(jù)將是一場災(zāi)難，這有些太激進(jìn)了。”
他表示，這并不是說大數(shù)據(jù)集不好，顯然大數(shù)據(jù)是訓(xùn)練分析模型和人工智能的必要工具。有些人認(rèn)為，只要數(shù)據(jù)量夠大，其余的分析或人工智能方面就會到位，但這讓很多公司都感到失望。
企業(yè)現(xiàn)在意識到數(shù)據(jù)質(zhì)量不可忽視。他們還知道，數(shù)據(jù)科學(xué)家不應(yīng)該花費(fèi)80%到90%或更多的時(shí)間清理數(shù)據(jù)，必須采用一種更好、更快的人工智能方法用于分析數(shù)據(jù)。
Palmer表示，其答案是將機(jī)器學(xué)習(xí)視為一種非常實(shí)用的工具，用于執(zhí)行這些龐大而無趣的任務(wù)。許多供應(yīng)商使用機(jī)器學(xué)習(xí)來使預(yù)測、推薦引擎等軟件的營銷更具吸引力。Tamr公司將其用于最不具吸引力的事情：在任何人分析、預(yù)測、營銷或銷售任何東西之前清理和組織大數(shù)據(jù)。
機(jī)器學(xué)習(xí)可以大規(guī)模處理數(shù)據(jù)
如今，并不缺乏針對數(shù)據(jù)沼澤問題的建議解決方案。許多科技公司正在推出或更新其原始產(chǎn)品。然而，Stonebraker指出，這些系統(tǒng)中通常使用的主要技術(shù)存在關(guān)鍵缺陷。這些傳統(tǒng)技術(shù)包括ETL(提取、轉(zhuǎn)換、加載)系統(tǒng)和主數(shù)據(jù)管理系統(tǒng)。但其缺點(diǎn)是不能擴(kuò)展。
ETL基于這樣一個(gè)前提：明智的企業(yè)會為用戶想要的所有數(shù)據(jù)源提供全局?jǐn)?shù)據(jù)模型。然后讓每個(gè)業(yè)務(wù)部門查看他們獲得了哪些數(shù)據(jù)，如何在全局?jǐn)?shù)據(jù)模型中獲取數(shù)據(jù)，將其加載到數(shù)據(jù)倉庫中等等。Stonebraker表示，人工密集型流程往往無法擴(kuò)展。他們通常會在數(shù)據(jù)倉庫中集成10或20個(gè)數(shù)據(jù)源。
那么這些數(shù)據(jù)足夠嗎?以現(xiàn)實(shí)世界中的一家公司為例。TAMR公司的客戶豐田汽車歐洲(TME)公司在各國都有經(jīng)銷商。如果有人在西班牙買了一輛豐田汽車，然后將其開到法國，那么其在法國的經(jīng)銷商對此一無所知。
總的來說，豐田汽車歐洲(TME)公司擁有250個(gè)獨(dú)立的客戶數(shù)據(jù)庫，擁有使用50種語言的4000萬條記錄。該公司正在將它們集成到單個(gè)客戶數(shù)據(jù)庫中，以解決此客戶的服務(wù)問題。機(jī)器學(xué)習(xí)提供了一種合理的方法來實(shí)現(xiàn)這一目標(biāo)。Stonebraker說，“我從未見過能夠處理這種規(guī)模的ETL系統(tǒng)。”
Stonebraker解釋說，主數(shù)據(jù)管理(MDM)無法擴(kuò)展的原因主要是因?yàn)樗腔谝?guī)則的。通用電氣公司是Tamr公司的另一家客戶，希望對其交易支出進(jìn)行分析，該公司在去年有2000萬筆交易支出，希望將所有這些分類為基于規(guī)則的層次結(jié)構(gòu)。
“所以通用電氣公司制定了500條規(guī)則，只采用了18條規(guī)則就將2000萬筆交易中的200萬筆進(jìn)行了分類，但其余的400多條規(guī)則并不會像那18條規(guī)則那樣更快地進(jìn)行分類。”
他指出，這是收益遞減規(guī)律。他說，“企業(yè)將不得不寫出大量無法理解的規(guī)則，如果不使用機(jī)器學(xué)習(xí)技術(shù)，那么將會不堪重負(fù)。”
