• 机器学习
    AtScale筹集了5000万美元,将机器学习引入云数据管理 据外媒报道,AtScale今日宣布结束5000万美元的融资,将更多机器学习纳入其数据管理服务。该公司帮助企业从内部部署和云服务器中提取数据,以打破孤岛,池数据集和连接商业智能工具。 AtScale还帮助公司从数据仓库和在线分析处理(OLAP)系统访问数据,从AWS Snowflake,Google BigQuery和Microsoft Azure SQL Data等服务中提取数据。 “我们都知道,人们希望迁移到云端,但是对全球2000有一些实际的抑制因素,这意味着他们建立了所有的数据管理和架构”,首席执行官克里斯林奇说道。“这是我们在市场上的真正机会。我们可以将大数据工作负载带到云端,因为我们消除了阻碍。” 这笔资金将用于为AtScale产品带来新的人工智能功能,目标是协助企业进行数据驱动的决策。为了实现这一目标,AtScale将在波士顿,蒙特利尔和保加利亚发展工程业务,该公司将在秋季开设办事处。 “因为我们坐在结构中并查看每个查询,我们利用机器学习来根据我们看到的查询预测性地提供数据,”林奇说。“我们使用机器学习的另一种方式是自动配置,以便我们可以根据许多属性为查询配置系统。我们的想法是,我们基本上可以根据请求的性质自动启动正确的节点。” 这笔5000万美元的融资由摩根士丹利领导,参与者还有Storm Ventures,富国银行和大西洋大桥。林奇说,这笔资金还将用于发展公司的销售和营销部门。 AtScale的客户包括Allstate,Kraft-Heinz,JPMorgan Chase和TD Bank 。 该公司成立于2013年8月,总部位于加利福尼亚州圣马特奥市。它目前有85名员工。     以上为AI翻译,内容仅供参考。 原文链接:AtScale raises $50 million to bring machine learning to cloud data management
    机器学习
    2018年12月13日
  • 机器学习
    人员分析:构建数据驱动的人力资源功能 成功的人力资源领导者如何利用分析来优化员工队伍并创造真正的商业价值?Assurant数据分析信息管理高级总监Perla Sierra告诉我们更多信息。 当您投资,推动采用或尝试优化People Analytics的业务成果时,您的团队面临的三大挑战是什么? 在开始真正的分析之旅之前,必须评估数据的质量,必须同意一致的指标,并且必须实施隐私保护措施。虽然数据通常永远不会完美,但我们必须努力获得尽可能高的数据完整性,并且当存在数据缺口时,分析从业者必须了解数据机会并在任何分析练习中将其考虑在内。 尽管有关人员的数据已经存在很长时间,但人们将分析从预感和感觉转变为更有条理的方法已成为最大的挑战之一。将数据驱动的决策方法应用于人们面临的挑战是,使用公平竞争环境比较员工和绩效非常重要,这很难做到。要做到这一点,我们必须始终调整上下文。调整上下文涉及考虑数据中可能不存在的因素,或者它是否可能不明显。 例如,在比较相似或相同工作的绩效时,应考虑数据之外的其他因素,例如环境因素(即工作条件,经理等)。 在人员分析空间内制定数据驱动的决策可能会加剧紧张局势,因为人们更喜欢人类对算法判断的判断。事实是数据驱动的决策如果竞争场是均匀的,当然如果数据是准确的,那么就会消除偏见。基于数据做出决策无疑将提高组织的分析成熟度,并有助于在决策制定过程中采用更加公正的方法,同时加强组织的文化。数据的可用性提供了新的创新和新的见解。 对于想要成功构建,扩展和优化人员分析功能的人力资源领导者,您最重要的2-3个最实用技巧是什么?他们应该优先考虑什么? 高质量数据,数据安全性和数据隐私的可用性应该是实施人员分析功能的最前沿。如果没有这三个关键要素,那么成功构建和扩展成功的人员分析功能将更加困难。有时并非所有数据都是完美或准确的。在这种情况下,组织应考虑采用分阶段方法,该方法可以利用准确或至少足够好的数据来启动分析过程,而不是等待所有数据准确。 不幸的是,分阶段的方法需要更长的时间,并且在增量成本方面可能会花费更多,但是,如果您只是选择在没有整个数据范围之前选择不继续前进,那么您应该考虑可能遗漏的无形机会成本。这是一个你必须对不舒服感到舒服的情况,并通过“足够好”的数据推进。我会考虑创建数据委员会和数据管理员的最佳实践,这可以推动数据标准化和质量并推动数据治理。 在组织的人员分析成熟度之旅中,2-3个关键里程碑是什么? 让我们从头脑开始。最终目标是让企业将人员分析嵌入业务决策中。我们怎样才能最好地完成这项工作?该数据必须是可靠,安全,维护,一致的,但是,它并不一定是完美的。人力资源合作伙伴必须确定影响业务的人员问题,这些问题可以在流程早期确定,甚至可以完全消除。在人力资源合作伙伴和商业合作伙伴必须协同工作寻找机会获取洞察力并在适当的时间向适当的受众提供可操作的见解,并最终在可能的情况下提供规范性和预测性分析。人力资源团队必须与业务领导者,一线经理,客户,供应商和其他人合作,以识别机会,传播意识,形成深层合作伙伴关系,并提高组织成熟度。 人力资源如何增加自身的分析成熟度同时增加业务的一些例子是提供以下内容:监控员工保留,培训,内部流动性,技能集评估,将招聘评估与绩效指标相关联,确定未来资源需要。 在人力资源组织中构建数据驱动型文化时,您采用了哪种方法? 在构建数据驱动型文化时,我遇到的最有效的技术是与不同的内部业务,部门,分析从业者甚至外部资源建立业务合作伙伴关系。每个人带来的人和体验的多样性在创造性解决问题和创新方面提供了最多的帮助。每个人都通过不同的视角看待机会,这种整合创造了强大的协作模式,使组织受益。通过采用多元化的文化和整合思维伙伴,可以提供建设性的论据,敢于不同意,并准备改变主意,你真正将组织推向最高水平,不仅仅是合作,买入和接受,而是你整个组织的分析成熟度越来越高。开放是真正伟大事物的开始。随着合作和沟通的继续, 2020年及以后,您亲自跟踪的人员分析和劳动力绩效空间的2-3大趋势是什么? 就像消费者一样,员工也希望为他们量身定制解决方案,而不是一刀切的方法。 机器学习技术使组织能够为从人才获取到内部移动,学习,团队建设和其他领域的所有领域的员工量身定制个性化体验,从而提高员工敬业度。机器学习不仅可以用于个性化体验,还可以提供最佳的团队整合,以及基于通过性格测试,社交网络,调查或其他方式获得的数据获得最佳积极成果的内部移动机会,从而创建一个爆炸性的人力资源转型,员工敬业度和减少营业额。当然,这些想法也可以针对承包商,这也将为投资带来巨大回报。 员工和承包商希望提供给客户的相同个性化体验,这不应该让我们感到惊讶,因为客户,员工和承包商都是人。我希望看到更加注重将员工敬业度与生产力水平和业务成果联系起来。   以上为AI翻译,内容仅供参考。 原文链接:人员分析:构建数据驱动的人力资源功能
    机器学习
    2018年11月22日
  • 机器学习
    CV Compiler——简历修复机器人,让您更具竞争力 文/John Biggs 机器学习现在无处不在,包括招聘。CV Compiler是一款Andrew Stetsenko和Alexandra Dosii的新产品,它使用机器学习来分析和修复您的简历,让您有机会发挥更大的价值。 CV Compiler的创始人是营销和人力资源专家,他们在使招聘变得更加智能方面拥有15年的经验。Stetsenko创立了Relocate.me和GlossaryTech,而Dosii在许多营销公司工作,然后决定使用CV Compiler。 该应用程序基本上检查您的简历,并告诉您要修复的内容和提交位置。到目前为止,CV Compiler已经能完全自行处理,他们正在研究新的和改进的机器学习算法,同时维护CV Compiler。 “有很多在线简历分析工具,但这些服务过于通用,这意味着它们可以被多个专业人士使用,结果很差。收到反馈后,用户经常被迫购买一些额外的服务,”Stetsenko说。“相比之下,CV Compiler专为技术专业人士设计。相对于行业中的最佳实践,在线评论技术会扫描来自编程世界的关键字以及它们在简历中的使用方式。” 该产品诞生于Stetsenko在GlossaryTech的工作,这是一个Chrome扩展,可帮助用户理解技术术语。他在该产品中使用了大量的自然语言处理和关键字分类,并将其中的一部分转移到了他的CV服务中。 “由于简历,我们发现许多求职申请在没有面试的情况下被拒绝。显然,10秒足以让招聘人员消除许多候选人”,他说。 该服务现已上线,团队希望信息语料库能够随着时间的推移而增长和改进。在那之前,为什么不让机器学习机器人告诉你在找工作时你做错了什么?也就是说,在它完全替换你之前。   以上为AI翻译,内容仅供参考。 原文链接: CV Compiler is a robot that fixes your resume to make you more competitive
    机器学习
    2018年11月22日
  • 机器学习
    德勤:42%的高管认为人工智能将在2年内变得“至关重要” 文/KYLE WIGGERS 企业正在加大对人工智能(AI)技术的投资。这是德勤在《企业报告》(Enterprise report)中对1100多家美国公司的IT和高管进行的调查中得出的最大结论。 德勤技术、媒体和电信中心的执行董事杰夫·劳克斯博士说:“企业对人工智能提高业绩和竞争力的潜力感到兴奋,这是有充分理由的。”但要实现这一潜力,企业必须承担风险,解决人才短缺问题,并做好执行工作。尽管人工智能的优势是显著的,但仓促行事可能会让公司陷入无路可逃的境地——应用人员无法扩大规模,或者项目没有商业利益。 采用增长 该报告将人工智能的采用分为四类:机器学习,即统计模型开发能力和随着时间的推移自主提高性能的能力;深度学习是一种涉及神经网络的机器学习方式;自然语言处理,从文本中解析意义的能力;计算机视觉,从视觉元素中提取意图的技术。 调查显示,自然语言处理在增长方面超过了所有其他类别,62%的公司称已经采用了自然语言处理(高于一年前的53%)。机器学习以58%(同比增长5%)位居第二,计算机视觉和深度学习紧随其后,分别以57%和50%的使用率紧随其后(较2017年增长16%)。 德勤认为,投资的增加与增长有关。约37%的高管表示,他们的公司已经拨出500万美元或更多用于“认知”技术,比如深度学习和机器学习,包括带有人工智能的企业软件。55%的人说他们已经发射了6个或更多的试飞员(去年这个比例是35%),58%的人说他们已经完成了6个或更多的试飞员(上升了32%)。 这种热情——加上高管们“追赶竞争对手”的强烈愿望——正推动ai即服务解决方案的全球年增长率达到48.2%。(德勤(Deloitte)将全球认知技术市场的规模定为191亿美元。)它有一些紧迫性;42%的受访高管认为,在未来两年内,采用人工智能将具有“至关重要的战略意义”,有些人已经开始看到成效。 超过80%的人说他们的人工智能投资带来了经济回报,特别是在技术、专业服务、媒体和娱乐/电信行业。德勤(Deloitte)以Netflix为例:这家流媒体巨头发现,如果客户搜索一部电影90秒,他们就会放弃。但通过使用人工智能来改善搜索结果,谷歌能够节省约10亿美元的潜在损失。 其他成本节省可能来自裁员。大多数受访者(63%)预计人工智能将使目前由人类工作人员监管的任务自动化。也就是说,78%的人认为认知技术能让人们做出更好的决定,72%的人和78%的人认为认知技术能提高工作满意度,并“为新的工作方式提供动力”。 这些发现与以前的报告一致。 世界经济论坛(World Economic Forum)、普华永道(PricewaterhouseCoopers)和高德纳(Gartner)预测,到2025年,人工智能可能会裁员多达7500万人。 此外,麦肯锡全球研究所(McKinsey Global Institute)今年预测,需要“低数字技能”的工作比例可能从目前的40%降至2030年的30%,因为需要更高技能的工作比例可能从40%升至50%。 麦肯锡分析师称,这些和其他劳动力市场的变化将导致未来10年国内生产总值(GDP)增长1.2%,并有助于在未来12年获得额外的20- 25%的净经济效益(相当于全球13万亿美元)。 人工智能的担忧 尽管人工智能的应用速度在加快,投资回报也令人印象深刻,但在回应调查时,高管们对人工智能表达了保留意见。 超过20%的人将“网络安全漏洞”列为一个关键问题,43%的人将“基于人工智能/认知建议做出错误的战略决策”列为前三名。与此同时,约39%的人将人工智能在关键任务或生死关头的失败列为他们的担忧之一。 人工智能的法律、监管和道德问题仍然是企业界的绊脚石。十分之一的受访者表示,他们对与人工智能系统相关的法律和监管风险感到高度焦虑,三分之一的高管提到了道德风险——尤其是人工智能制造或传播虚假信息的能力。 德勤表示,这些担忧在一定程度上是由于某些系统固有的不透明性。 “人工智能采用者面临的一个挑战是,机器学习的复杂性越来越高,深度学习神经网络也越来越受欢迎,这种神经网络的行为就像黑匣子一样,常常产生高度精确的结果,却没有解释这些结果是如何计算出来的,”报告作者写道。 认知技术人才——或者说是缺乏——也是一个问题。约30%的高管表示,在他们各自的组织中,人工智能是一个主要问题,超过20%的高管集体表示,他们发现人工智能软件开发人员、数据科学家、用户体验设计师、变更管理专家、项目经理、商业领袖和主题专家都存在不足。 最需要的人才是人工智能研究人员发明新的算法和系统。 该报告的作者写道:“雇佣和培训高能力人工智能专家的需求持续存在。”“拥有这种对人工智能/认知技术的承诺的公司,很可能在很长一段时间内都将面临技能缺口。” 尽管人们对人工智能有着明显的热情,但高管们对所涉及的挑战却持现实态度。约56%的受访者表示,认知技术将在三年内改变他们的公司,低于去年76%的比例。 尽管如此,高管们对人工智能工具的总体反应“相当乐观”。 报告作者写道:“我们相信,高管们已经认识到,使用认知技术来推动业务领域的变革是很复杂的,同时他们也不希望实现这一目标。”“尽管它们面临挑战,但我们调查的许多公司在将人工智能整合到运营和客户关系中并取得早期成功,并获得了经济效益。”他们对自己迄今取得的成功充满热情,对这些技术在不久的将来改造公司的潜力充满热情。   原文链接:Deloitte: 42% of executives believe AI will be of ‘critical importance’ within 2 years
    机器学习
    2018年10月22日
  • 机器学习
    Facebook Workplace增加了算法提要,安全检查和增强聊天功能 文/Ingrid Lunden, Josh Constine Workplace是面向30,000多个付费客户量身定制的Facebook企业版本。如今,为了与Slack和微软的团队竞争,它正在通过一系列新功能提升服务质量。 Workplace的负责人Julien Codorniou在接受采访时告诉我,这一新增活动在一个名为Flow的独立会议上宣布 ,这是Facebook首次为一种特定产品打造的活动,今后可能会越来越多。他将Workplace描述为“ Facebook的第一家SaaS创业公司”。他告诉我们,对于现有客户,Flow的目标是展示新功能,加深员工与Workplace的互动,增加黏性。对于企业软件合作伙伴来说,Facebook整合的目的是建立一个围绕工作场所的生态系统,以便它能适应任何业务。 在对Workplace的“聊天”功能进行大幅升级后,用户现在可以一对一或分组聊天、通话和视频对话,也可以以WhatsApp或Messenger的方式进行。通过添加回复,请勿打扰和固定功能,Facebook还可以更轻松地浏览您频道中的大量邮件——这是Facebook首次为Workplace引入算法排序。Facebook还通过Workchat将主安全检查功能从主应用程序带到Workplace,作为一种工具可由管理员控制,以检查关键事件期间员工的状态。 Workplace自成立以来的两年内已经获得了3万家企业作为客户(包括一些大型企业,如世界上最大的雇主沃尔玛);如今,它还加入了几家著名的大型企业:GSK、Astra Zeneca、Chevron、Kantar、Telefonica、Securitas、Clarins UK、Jumia和GRAB。 但Facebook从未透露过它在Workplace上有多少用户(用企业的话说,就是“席位”)。相比之下,Slack目前在7万个组织中拥有800万用户,而Facebook一年里还没有更新3万用户。 (图:Facebook Workplace multi-company chat) Facebook今天推出的一系列功能,无论是广度还是目标,都值得关注。在功能方面,有些帮助让Workplace更接近Facebook的核心体验,但最终它们的目标都是让Workplace更适合企业已经使用IT的方式。 正在整合的聊天功能基于Workplace中已经存在的最小聊天功能,并且基本上创建了类似于WhatsApp或Messenger的东西,它位于与Workplace相同的安全框架内。这是Facebook向统一通信迈出的第一步——这是企业IT的一个特定分支,曾经以PBX和其他昂贵的物理设备为中心,但最近随着IP和基于云的系统的声音的增加而变得更加虚拟化用于任何互联网连接。 Workplace已经为多达50家公司提供可以在平台上进行多组织对话功能,现在如果这些组中的某些成员希望通过语音或视频呼叫将对话转移到更直接的渠道,可以直接从应用程序内部执行此操作,而无需打开单独的消息传递客户端(可能或可能不在IT的控制之下)。最多50人可以加入Workplace中的视频通话。 这三个功能可以帮助您更好地组织对话——请勿打扰、回复和固定重要项目,特别欢迎那些在Workplace上拥有特别“嘈杂”频道的人。 Codorniou说,回复将“像在WhatsApp”一样工作——您可以在其中选择一条消息并回复它,它将在稍后的Feed中显示其微线程。 但它们可能是最值得注意的,因为它们将是Facebook首次向Workplace引入“算法”排序。对于那些已经使用普通Facebook,Twitter或其他社交媒体服务的人来说,算法排序是众所周知的,因为它会根据帖子的顺序,向你展示哪些被认为更重要,哪些是最新的。 在“钉”的情况下,Facebook允许IT管理员和用户有效地参与算法排序:管理员可以将“重要”帖子钉到Feed的顶部,这将影响用户看到的内容,并首先做出响应。“如果CEO发布一条信息,这可能比发布实习生的信息更重要,”他说。 同时,,“请勿打扰”会让用户设置不会收到消息的时间,但当您再次“返回”Workplace时,Facebook会决定决定你浏览的内容的优先级。 (图:Facebook’s VP of Workplace Julien Codorniou) Codorniou指出,Facebook使用机器学习和AI“确保如果你两周不使用Workplace,也能在新闻Feed上获得相关的信息。”它用于排序的信号你的同事,以及你最活跃的团队。“这是默认的算法,”他补充说,这是Workplace用户提出的要求。“人们不再相信按时间顺序排列的Feed了。”他说,“重要的是要保证与沟通团队的联系。” 安全检查也符合这一概念。在这里,Facebook将把IT managers/Workplace管理员放到驾驶座上,“让他们掌握这项功能的关键”,Codorniou说,而常规的Facebook使用和分发功能则由Facebook本身控制。 Frederic带着一名潜水员在这里进行安全检查,但正如Codorniou向我描述的那样,主要的想法是,当特定地点经历紧急情况时,它允许公司“跟踪和了解谁是安全的,谁不是”。他说,公司可以使用一些应用程序来进行安全检查,有时他们可能会使用SMS,但这些应用程序往往需要更多的手工操作,而且很难快速执行。Facebook没有透露他们的应用程序在沃尔玛和星巴克这样的组织中的渗透程度如何,但这可能成为帮助Workplace更广泛分布的一个杠杆。 “员工是公司的第一大资产,这有助于确保您的安全,”他补充说。“人们不想玩Candy Crush,但像Live这样的东西(去年Workplace推出的游戏)和安全检查是相关的。它们有助于将公司变成社区。” (当然,社区是Facebook最近的一大主题。) 所有这些更新都发生在许多人都在关注Facebook在用户隐私和个人数据方面的做法的时候。 几个月前,剑桥分析公司(Cambridge Analytica)丑闻特别强调了这个问题,尤其是第三方如何能够获取用户信息; 最近两周前Facebook遭到批评,当时有人发现其中一个功能中的漏洞将用户信息暴露给恶意黑客。这些问题都与Facebook的核心消费者应用程序有关,但我不禁想知道它对公司的企业业务产生了什么样的影响——考虑到工作场所网络中的安全级别通常会更高,因为它们是连接到公司信息。 “我们当然有一些问题,但我们没有理由相信Workplace受到了影响,”Codorniou说。他指出,曾经有一个功能是使用用户的Facebook ID登录Workplace,但是这段时间这一功能被禁用了。“我们一直在调查,但大多数客户都是单点登录,”他指出,那些公司使用Okta,One Login和Ping等服务将员工连接并登录到他们的Workplace空间。 Facebook的规模为企业带来了巨大的优势。办公堆栈的消费化意味着Facebook可以轻松移植其熟悉的功能。它足够大,可以在公司内部广泛使用dogfood。而且它已经与许多世界顶级品牌建立了广告关系。但作为一个科技巨头,伴随着相关的丑闻和不断的批评。Facebook将不得不说服商界领袖他们的社交问题不会使他们的形象蒙上阴影。   以上为AI翻译,观点仅供参考。 原文链接: Facebook Workplace adds algorithmic feed, Safety Check and enhanced chat
    机器学习
    2018年10月10日
  • 机器学习
    Workday People Analytics:利用人工智能、机器学习和增强分析的优势 文/Pete Schlampp 有人说,数据是新石油。但是几乎在所有公司,其生成的数据远远超过他们能够分析利用的数据。而在很长一段时间里,Workday的目标都是帮助公司从数据中汲取有价值的见解。从内置报告和分析开始,随着Workday Prism Analytics和Workday Data-as-a-Service的推出,随着数据量、速度和种类的增长,Workday扩大了产品范围,帮助客户充分利用他们的数据。 Workday Prism Analytics致力于开放性和将非Workday的数据引入系统,是您的财务和人力资源团队的数据中心。今年夏初,Workday通过收购增强分析的市场领导者Stories.bi,在分析之旅中又向前迈进了一步。 今天,我们很高兴地宣布Workday People Analytics,是一个全新的应用程序,它将向高管、组织领导人和人力资源业务合作伙伴提供关于他们的员工队伍中最关键的趋势视图,以及了解趋势的最可能的驱动因素。它将利用强大的人工智能(AI)、机器学习和增强分析技术,提供动态创建的关键指标,并伴有解释性叙述——我们称之为故事。   How We Got Here 首先需要一些背景。注意让Workday People Analytics与我们现有的产品一起工作。由于Power of One,Workday有一个数据模型,因此我们的应用程序能够非常轻松地处理有关人员的数据。对于Workday人力资本管理(HCM)的客户来说,Workday People Analytic将利用这些数据进行开箱即用。即使对于那些不使用Workday HCM的客户,他们也可以通过Workday Prism Analytics从任何HCM系统中引入外部数据,因此这些见解仍将可用。   That’s Great, Now What? 其次,我们必须以更好的方式将有价值的信息交给高管。因此,Workday利用了增强分析将许多应用于企业问题的AI功能集合在一起,包括: 自动模式检测功能,可以查找人类可能看不到的重要变化 图形处理以查找大量数据集之间的连接 机器学习预测最重要的问题供您查看 用自然语言来解释一个简单的故事中发生的事情 Workday的人工智能将搜索数百万种可能的数据场景,并确定优先级,以故事形式自动向高管推送个性化见解。故事为正在发生的事情提供了一种自然的语言解释。洞察力可以是积极的,也可以是消极的——它们只是你应该知道的事情。它们会自动地对你的数据进行更深入的挖掘,并告诉你为什么会这样。这为领导者提供了在做业务决策时所需要的基本信息。   See What Matters Most Workday People Analytics是我们第一个使用增强分析的地方。它将为管理人员,组织领导者和人力资源业务合作伙伴提供可操作的指导,将动态创建的故事与静态内容相结合,涵盖组织构成、多样性、招聘、保留和人员流失以及人才和绩效等方面。 您将看到最重要的事情,以便您可以在最短的时间内做出最佳决策。这将使得组织的行动,创新和学习速度更快。 Workday People Analytics不是自动生成针对特定问题的预测,而是提供一种叙述,以指导管理人员在一个广泛的领域中找到聚焦点——无论是具体的团队、位置、客户还是产品线。它使用机器学习来预测和展示真正重要的东西。换句话说,Workday People Analytics会告诉您需要了解的内容。 例如,一位人事主管可能会收到一条消息,表明新员工流动总体上有所增加,他们不仅应该关注伦敦的销售组织,还要考虑薪酬以及特定的招聘经理。该应用程序可帮助领导者专注于影响其业务的最重要问题,并回答以下高价值问题: 招聘过程中的瓶颈是什么? 该组织多样性的五大趋势是什么?我们作为一个社区如何发展? 整个组织可以从哪些卓越的领域中学习? 我们在哪里看到异常高的磨损?它背后的驱动力是什么? 因此,信息负载减少了1000倍——你会发现什么是最重要的,这样你就能在最短时间内做出最佳决策。组织行动、创新、学习更快,形成良性循环。   Future’s So Bright… Workday People Analytics只是一个开始,我们很高兴能够进入数据的新时代,超越自助服务,进入人工智能能够有效预测的世界。未来,我们将在所有Workday的产品中应用增强分析。Workday People Analytics将于明年秋季提供给早期用户,通常在2019日历年末提供。单独销售给Workday HCM客户,它将作为Workday Prism Analytics的一部分提供。我们确信好戏还在后面。   以上为AI翻译,观点仅供参考。 原文链接:Announcing Workday People Analytics: Leveraging the Strength of AI, Machine Learning, and Augmented Analytics
    机器学习
    2018年10月06日
  • 机器学习
    你知道吗?机器学习与 人工智能:它们有何不同? 特伦斯米尔斯  AI.io和Moonshot的首席执行官Terence Mills是AI的先驱和数字技术专家。在LinkedIn上与他联系关于人工智能或移动设备 人工智能和机器已经成为日常生活的一部分,但这并不意味着我们很好地理解它们。你知道机器学习(ML)和人工智能(AI)之间的区别吗? 如果您希望在您的业务中使用其中一种,那么了解哪一项重点关注非常重要。ML和AI是相关的,但它们不相同,并且它们不一定适合于相同的任务。您可以通过了解何时选择ML或AI来将您的业务提升到新的水平。 本指南将向您介绍您需要了解的有关AI和ML的所有信息,以及它们为何与众不同。继续阅读,了解这种现代科技如何帮助您和您的企业。 机器学习与 人工智能:基础知识 以下是这些不同概念的两个简单,基本的定义。 AI意味着机器可以以“智能”的方式执行任务。这些机器不仅仅被编程为执行单个重复动作 - 它们可以通过适应不同情况做更多事情。 机器学习在技术上是人工智能的一个分支,但它比整体概念更具体。机器学习的基础是我们可以构建机器来处理数据并自己学习,而不需要我们不断的监督。 让我们仔细看看这两个概念的真正含义以及它们是如何发展的。 在一开始的时候 毋庸置疑,AI和机器学习相对较新。几十年,几百年甚至几千年前,这些概念可以追溯到某些富有想象力的个体。但直到最近,这些梦想才成为现实。 人工智能的概念在最早的计算机上得到了巩固。当然,这些第一台计算机并没有自己做出任何决定。然而,它们是能够记住信息并进行计算的“逻辑机器”。创建这些机器的人知道他们正在努力制造一台类似大脑的机器。 然而,从那时起技术变得更加先进,因此我们制造类似大脑的机器的能力也有所提高。在过去的几十年里,我们也更好地理解了自己的大脑是如何运作的。 我们越了解这些事情,人工智能的变化就越多。我们的计算机现在可以进行极其复杂的计算,但是现在的开发并没有真正关注那些。相反,人们正在寻求创造能够以类似于人类的方式做出决策并使用这些决策来完成任务的机器。 AI的类型 人工智能有两个主要的子类别。第一个应用AI。这是最常见的AI形式。它包括从智能股票交易系统到自动驾驶的所有内容。 广义AI不太常见,因为它更难创建。理想情况下,广义AI能够处理各种不同的任务,就像人类一样。尽管这些AI并不常见,但许多研究人员已经在广义AI领域取得了进步。 最重要的是,这一小节是导致机器学习发展的原因。 机器学习的成长 由于AI领域的某些突破,机器学习得以发展。 第一个突破涉及认识到教授计算机如何学习比教他们如何执行每项可能的任务并为他们提供完成这些任务所需的信息更有效。 第二个重大突破是互联网的发明。这导致了以前从未见过的巨大的信息存储潜力。现在,机器可以查看由于存储限制而无法访问的大量数据。实际上,创建的数据量太多,人类无法处理。 这两个突破清楚地表明,不是教机器做事,更好的目标是设计它们为自己“思考”,然后允许他们访问在线可用的大量数据,以便他们可以学习。 神经网络的作用 神经网络的出现对于教导计算机像人类一样思考的过程变得至关重要。神经网络允许计算机更紧密地模仿人类的大脑,同时仍然更快,更准确,更少偏见。 神经网络是一种计算机系统,它可以像我们自己的大脑一样对信息进行分类。例如,神经网络可以查看图片,识别图片中的元素,并根据它们显示的内容对图片进行分类。 这些网络使用他们有权访问的数据进行确定。数据不允许它们完全准确,但他们可以根据最有可能做出的决定做出决定。 最重要的是,这些系统涉及“学习”的反馈循环。机器可以查明其决策是否正确,然后改变其方法,以便下次做得更好。 机器学习能做什么? 这些系统的可能性似乎无穷无尽。 ML已经允许计算机查看文本并确定内容是正面还是负面。他们可以弄清楚一首歌是否更有可能让人伤心而不是快乐。其中一些机器甚至可以制作自己的作品,主题基于他们听过的作品。 机器学习的一个主要应用是与人沟通。人工智能领域称为自然语言处理,大量使用机器学习。有一天,这将使公司能够提供与人类客户支持一样有用的自动化客户服务。 机器学习与 人工智能:哪个适合你? AI和ML都可以拥有有价值的业务应用程序。确定哪一个最适合您的公司取决于您的需求。 这些系统有很多很好的应用可供选择,但ML最近得到了更多的宣传,因此许多公司都专注于这种解决方案的来源。但是,AI对于许多不需要持续学习的简单应用程序也很有用。 以上由AI翻译完成! 原论文连接:https://www.forbes.com/sites/forbestechcouncil/2018/07/11/machine-learning-vs-artificial-intelligence-how-are-they-different/#177f00033521
    机器学习
    2018年07月16日
  • 机器学习
    在时间序列预测方面,传统的统计方法往往优于机器学习方法 文/ Paul Cuckoo 今天,如果没有基于机器学习(ML)的解决方案,坐在分析环境中的会议上讨论解决问题的方法是不可能的。这是有道理的;从SVM、CART回归树到神经网络套件(BNN、RNN、LSTM)的ML技术提供了优越的预测能力。当将这种预测能力转换为时间序列预测时,自然会认为这些ML算法应该是首选。好吧,也许不是。雅典国立技术大学的3位预测专家最近发表的一篇论文可能会给出相反的建议; 就时间序列预测而言,ARIMA或ETS等传统统计技术实际上可能提供更好的预测性能。 研究小组利用来自已知数据源M3竞赛数据的1045个时间序列数据子集,测量了8种传统统计技术和8种先进的ML技术的预测性能。他们研究的主要结果,以及艾哈迈德等人早期的研究,如下图所示,其中sMAPE%用作误差指标(越低越好): 统计和ML方法的性能之间有明显的区别。然而,作者进一步考虑了这些方法的计算复杂度。通常,许多统计方法都可以在标准笔记本上几秒钟内运行。相比之下,一些神经网络需要在快速gpu上训练数小时。考虑到这一点,计算复杂度的扩展显示如以下图表: 正如现在所预期的,有一整套统计技术(Holt-Winters, SES等),它们在计算上都非常简单,并且性能良好。作者继续写道: “学术的ML预测文献存在的一个问题是,大多数已发表的研究提供了预测,并声称其准确性令人满意,而没有将它们与简单的统计方法甚至朴素的基准进行比较。这样做提高了ML方法提供准确预测的期望,但没有任何实证证据证明这是事实。” 他们的工作清楚地强调了ML方法更好这一错误假设。这也不需要考虑ML方法减少的可解释性和不确定性管理。正如一位同事最近所言,复杂性不一定是创新。 在OMD EMEA的市场情报部门,我们每天处理各种数据类型和结构,尤其是时间序列数据。尽管ML算法将继续成为我们在所有数据结构上提供的高级分析的基础,但本文的工作表明,传统的统计和计量经济学建模技术仍有很多可提供的,成本非常低。 (以上是我的个人观点,并不一定反映OMD EMEA或任何Omnicom公司的观点) 以上内容由HR Tech China AI翻译,仅供参考
    机器学习
    2018年07月16日
  • 机器学习
    降低AI在企业市场的应用门槛,天云大数据获得1亿人民币新一轮融资 来源| 新芽NewSeed(www.NewSeed.cn) 文|quinn   6月13日消息,天云大数据产品发布暨渠道招募会在京举行,会上创始人雷涛宣布已于18年上半年完成了1亿人民币新一轮融资,本轮融资由由曦域资本、华映资本领投。   天云大数据成立于2010年8月,是国内唯一能够同时提供分布式计算平台产品和AI平台基础设施的科技厂商。 雷涛表示,伴随着云计算和开源软件技术的成熟应用,随着大数据时代的到来,IT(Information Technology)开始向DT(Data Technology)转型,生态面临重新洗牌,这种高大上的“黄金搭档”即将走下神坛。 DT时代的市场逻辑要求直接处理海量数据,因此需要通过更高阶的工具来为企业赋能,(Algorithm)、B(Bigdata)、C(Cloud)即成为了DT时代的技术选择。     随着数字化程度提高,传统规则经验方法已经无法满足更复杂的数字化世界的要求,在大数据时代,难以量化与处理的复杂的高维结构需要更高维的算法来描述,机器学习使人类得以在难以精确描述规则的边界去完成任务。因此IT向DT的转型,意味着从规则流程驱动向数据驱动的转变,重塑生产流程,将复杂业务做重新表达,将传统流程予以改造,用规模化的AI应用提高生产效率、节省时间。     天云与生态中partner合作可分为四种体系: 一是技术转卖,合作伙伴在价值转移过程中获得附加价值; 二是帮助合作伙伴服务转型,由面向Java、DB流程型开发的服务团队,转型成DT时代的Machine Learning数据驱动团队; 三是面向已经进入数据科学的团队,天云提供支持容器化部署docker的微服务Micro service,将数据科学的模型生产过程沉淀、打包成标准可扩展形态的产品,帮助合作伙伴扩大规模; 四是面向拥有数据和场景的合作伙伴,提供数据变现的资本合作。     据腾讯研究院预测,到2020年,市场对AI应用的需求将增长300%,旺盛的需求,偏少的人才供给,导致AI人才成本高昂。只有通过升级大规模生产工具,才有望满足需求。   天云大数据针对这一问题,推出了规模化AI工具, 通过构建支持Auto Machine Learning特性的PaaS化AI平台MaximAI,尝试为客户做AI赋能,减少对数据科学家的依赖,让企业获取机器智能像读书一样简单。   目前MaximAI已经迭代到3.0版本,实现了算法的自动化优化,即Auto Machine Learning。也就是说,客户在选择算法时能更加简单,像基于Android开放应用一样,基于天云的PaaS化AI平台去构建机器学习模型。同时,还可以实现notebook环境下的容器化部署,根据任务类型自动确定算法,特征工程自动化,自动衍生或合成特征,模型超参优化智能化。   经过几次平台迭代,天云平台已能实现模型的智能化生产,真正实现Auto Machine Learning。通过一系列的自动化方法,成功减少了对数据科学家的依赖,降低了AI在企业市场的应用门槛。     据了解,MaximAI 可以广泛应用于金融领域,在大型银行、保险、互联网金融均有成功落地,部署于某大型银行,高风险客户正确识别率高达78%,客户申请欺诈识别率提升20%以上。除金融领域外,在医疗、能源、艺术品交易所也得到了成功验证。  
    机器学习
    2018年06月13日
  • 机器学习
    作为人力资源专业人士,有关机器学习101:您需要知道什么? 文| Rob Scott     在新兴的数字化工作环境中,人力资源发挥着重要作用。人力资源专业人士必须充分了解和掌握机器学习发展的动态,以便有效指导和管理这一过程,Rob Scott写道。   从强调直觉,对新思维,创新和创造力的贡献能力这一积极角度,而非控制他人的负面内涵,我坚决主张“知识就是力量”这句格言。   在当今敏捷的工作环境中,尽管继续教育和学习是绝对必要的,至少可以说,学习与你的教育框架或工作经验完全不同的东西(例如机器学习)是令人生畏的。   对于许多人力资源专业人士来说,新兴的数字化工作环境,正在聚焦于他们的数字和技术技能/意识空白。难以纠正的是大多数人力资源专业人士出身的教育之间存在的根本区别,比如基于社会科学的教育与信息支持技术,以及基于STEM的数据科学工作。   在接下来的几年中,诸如RPA,机器人,机器人和机器学习(AI)等先进技术的涌入,将继续改变我们的工作方式,改变我们应对业务挑战的方式,以及改变我们分析和制定决策的方式。   加上认识到技术不会在短期内取代人类,而是增加我们的工作,人力资源专业人士必须提高他们的技能,才能在数字和人工智能领域有效运作。   “对于许多人力资源专业人士来说,新兴的数字化工作环境正在使他们的数字和技术技能/意识空白问题倍受关注。”     有些人可能通过聘用数据科学家和架构师来解决这个问题,而不是提升现有员工的人力资源功能。这种方法没有任何问题,然而受过STEM教育的资源都集中在人力资源领导者,例如人力资源分析报告,他们在教育或欣赏方面几乎没有共同点,可能会造成短期和长期问题。   正如今天的人力资源专业人士学习“促进非财务管理人员的财务”一样,促进共同理解,洞察力,参与有意义的金融类讨论和决策制定的能力,对于人力资源专业人员同样重要的是:在关于学习基于STEM的主题上,抛开任何担忧和误解。   对数据模型,机器学习方式,问题类型,风险和机会有正确的洞察力和理解力,可以提升他们作为人力资源领导者的地位,并使您能够充分利用受过STEM教育的员工。   作为一名具有社会科学背景的人员,我决定将其付诸考试,并登记参加免费的Google'机器学习(ML)速成班'。   这是一个14小时在线自学课程,其中包括一些技术性的编程。以下是我的主要观察和学习内容:   事后看来,这并不像我想的那么困难,因为我最初完全没有预估到我的能力 - 但是我坚持了。我没有选择完全理解和记住所有数学或完成编程任务。但是,我花了大量的时间来了解公式和程序的目标。随着课程的进展,我发现自己认识了一些数学术语,并开始理解为什么方程很重要。   “当前的人力资源专业人士应紧急寻求基础培训机会,以建立他们的见解”     我对学习数学有先入为主的抵触情绪,归因于对学习成绩的不满。老生也有可能学习新的技巧。   我发现ML概念很容易理解,课程设计的方式(视频,支持笔记,练习,测试等)支持成人教育实践。我有信心进行有关机器学习的概念性讨论,制定分析结果,数据类型和来源的重要性,验证,培训和测试。   然而,我真正学到的是,没有类似AI这样的东西......这都是聪明的数学,但也有很多原因,例如基于各种数学假设以及个人感知的偏见,机器学习算法可能是有误的。了解基本的风险因素使我能够提出正确的问题。   人力资源专业人士和数据科学家,彼此需要利用数字化成果,才能取得成功。对我来说,显而易见的是,据数据科学家的技能特征,不适合提出正确的人力资源类型问题。   正如人力资源专业人士需要学习机器,学习基础知识一样,数据科学家需要学习人力资源的基础知识,以促进有意义的讨论,决策和有益的结果。 以上内容由HRTech AI编译完成,仅供参考  
    机器学习
    2018年06月12日
  • 123