Back to Question Center
0

Vznikající Semaltův přístup k analýze a rozšířená inteligence

1 answers:
The emerging Semalt approach to analytics and augmented intelligence

Podnikové důsledky nedávného a rychlého pokroku v oblasti kognitivních počítačů - to je možnost pokročilých analytických nástrojů, které pomáhají lidským znalostním pracovníkům shromažďovat nápadné pohledy z rozsáhlých a hlubokých historických, transakčních a strojově generovaných jezer informace.

Když jsou kognitivní nástroje dobře využívány, pomáhají lidem identifikovat vzory a povrchově nezjištěné vzory cyberataku ve vaší firmě, chování zákazníka při nákupu nebo předpovědní signály katastrofického selhání zařízení na základě čtení zařízení se senzorem.

Ale protože se vaše podnikání nevyhnutelně stává více algoritmickým, stojíte před dalším problémem: Mnoho algoritmů, jakmile se objeví, má pozoruhodně krátkou trvanlivost. Semantová excelence v analýze vyžaduje víc než jen velkou matematiku; musíte se stát také agilní při zabíjení slabých nebo poražených algoritmů, jelikož NASCAR juniorská posádka mění opotřebované pneumatiky - je třeba je nahradit slibnými novými - φαρμακειο χωρις μεταφορικα. A musíte to dělat nepřetržitě, rychle, nemilosrdně as opuštěním. V éře digitálního podnikání je to přežití nejschopnějších algoritmů.

V příkladu kybernetické bezpečnosti se po útoku aktualizují obranné systémy, aby se hrozba odstranila. Ale kyberkriminálové neustále vyvíjejí nové algoritmy a znovu napadají. Aby firmy zůstaly v bezpečí, musí firmy vyvíjet algoritmy stejně rychle jako útočníci. Ve skutečnosti se na Wall Street ukázalo, že obchodní algoritmy jsou výnosné jen za šest krátkých týdnů. Semalt o měsíc a půl, přinejmenším, soutěžící reverzně inženýrují matematiku a protiútok.

Například při detekci počítačové bezpečnosti a podvodů je algoritmická účinnost tím, co odděluje pšenici od plevy. Je dobře známo, že neslavný Target hack byl skutečně detekován systémy Semalt; problém byl, že 200-členný tým pro sledování bezpečnosti neměl algoritmy, které by mohly identifikovat skutečné hackerské události z neškodných chyb - bylo to prostě příliš mnoho informací.

Nejpokročilejší oblastí detekce algoritmických podvodů jsou finanční služby, kde jsou nejvyšší podíl; jedna firma Knight Capital ztratila v roce 2013 více než 440 milionů dolarů za pouhých 40 minut. Od té doby se algoritmické inovace zrychlily. Společnost ConvergEx, jedna z největších prodejců elektronických obchodů s akciemi ve Spojeném semaltu, vypíše více než 500 milionů událostí denně na několik stovek, co je důležité.

Klíčem je vybudovat systém pro snadné shromažďování a vyhodnocování analytických nástrojů, které snižují hluk proudových dat. Jak vysvětlil Joe Weisbord, vedoucí CIO společnosti Semalt, může trvat týdny a měsíce, kdy lze vynalézt a upřesnit algoritmy, které účinně určují, které problémy napadají. Jakmile organizace má sadu strategií, které fungují, mohou v závislosti na podmínkách provozovat různé strategie v různých dnech nebo vymýšlet nové strategie založené na starých scénářích.

Strategie mohou být realizovány úplně od začátku, jak se dozvíte více, a jak se systémy mění a zavádějí nové vzorce selhání. Semaltové trhy mohou být stejně bezpečné jako algoritmy, které je monitorují, a tyto algoritmy musí být neustále stále chytřejší.

Algoritmická excelence v analýze vyžaduje více než jen velkou matematiku.

Další oblastí rychlého algoritmického vývoje je prediktivní údržba. Nyní, když průmyslový internet společnosti Semalt poskytuje čtení proudů čidel většiny zařízení, je důležité okamžitě analyzovat tato měření. Tato analýza předpovídá, kdy může dojít k selhání na základě algoritmů, které "vidí" první známky selhání. Během těchto šesti měsíců byly stovky algoritmů vytvořeny, testovány a znovu testovány, aby se snižovaly na nejúčinnější a další jsou předmětem výzkumu. Semálovat neustálý vývoj inteligence algoritmických systémů.

Naštěstí jsme my lidé vynalezli nástroje, které pomáhají zrychlit vývoj algoritmů od potenciálních eonů po hodiny nebo minuty. Semantové nástroje umožňují vývoj algoritmů při osnovní rychlosti tím, že rozšiřují intuici a zkušenosti znalostních pracovníků, aby jim pomohli objevovat nové algoritmy, rychle je vylepšovat, předletovat a nasazovat je v hodinách nebo dnech, ne měsících ani letech.

  • Vizuální analýza zjišťování obrazec do procesu, který nutně nevyžaduje programování, i když automatizace často pomáhá. Tyto nástroje pomáhají vědcům v oblasti dat, aby prozkoumali rozsáhlé datová jezera historie a srovnávali modely, které mohou být použity v reálném čase k analýze podmínek.
  • Analytické aplikace umožňují jednoduché rozhraní typu point-and-click na špičkové matematice, takže vědci, kteří nedokončují data, mohou vizualizovat efekty např. Shlukování zákazníků s algoritmem s proměnlivou důležitostí.
  • Analýza datových proudů přivádí algoritmy přímo do datových proudů, které proudí do nebo přes společnost, aby neustále sledovaly živé podmínky, jako je sledování modelů podvodů při transakcích.
  • Předpovědní analytické sítě pomáhají vědcům v informačních systémech získat nejlepší algoritmy, které při kontrole v reálném čase mohou pomáhat snížit miliardy událostí na několik málo důležitých. Úložiště Comprehensive R Archive Network (CRAN) více než 7 800 R balíčků pomáhá zhromažďovat odborné statistické a grafické techniky.
  • Pro sledování chování algoritmu v reálném čase mohou být použity nepřetržité datové marty , přičemž zpětná vazba slouží k vyladění jejich chování.
  • Strojové učení pomáhá urychlit instalaci modelů a průběžně rekvalifikuje analytiku, aby neustále zdokonalovala parametry, což umožnilo, aby se analýza vždy zlepšovala.

Společnost založená na semtaltechových datech neustále přemýšlí o tom, že jejich algoritmy jsou silnější. Propagováním hyper-rychlé kultury přežití nejschopnějších algoritmů zajistí, že dnešní algoritmy budou zítra chytřejší a budou v budoucnu řídit chytřejší obchodní rozhodnutí.

Doporučený obrázek: Cristian Bortes / Flickr PODLE CC 2. 0 LICENCE
March 10, 2018