欢迎来到榆树环保在线

数据科学最终迁移到云端的5个原因网络

发布 / 2020年09月25日 01:09

来自 / 榆树环保在线

数据科学最终迁移到云端的5个原因

在充斥着数据的世界中,数据科学家为企业产生洞察力提供帮助,并进行预测,以实现更明智的业务决策。通常,这些数据科学家是统计分析和数学建模方面的专家,并且精通编程语言,例如R或Python。

但是,除少数大型企业外,大多数数据科学工作仍然在笔记本电脑或本地服务器上完成,导致流程低效,容易出错和延迟。在对于一些行业领先厂商如何将数据用于工作进行调查分析之后表明,笔记本电脑的数据科学将很快走上恐龙一样的消亡之路。这是由于其效率低下,不能很好地进行协作,也无法产生最佳效果弯曲手指和脚趾。

以下是数据科学家应该放弃笔记本电脑或本地服务器,并将其业务迁移到云端的五个充分的理由。

1.数据科学是一项团队运动

算法和机器学习模型构成了企业高级分析和机器学习难题的一部分。数据科学家、数据工程师、机器学习工程师、数据分析师和公民数据科学家都需要在这些元素上进行协作,以便为业务决策提供数据驱动的见解。

当数据科学家在他们的笔记本电脑上构建模型时,他们会将数据工程师创建的数据集下载到他们的机器上,以构建和训练机器学习模型。有时他们会使用本地服务器进行构建和培训,但通常采用的是笔记本电脑。由于笔记本电脑和本地服务器的处理计算能力和内存有限,数据科学家必须对数据集进行采样,以创建更小、更易于管理的数据集。虽然这些样本集可以帮助实现项目,但它们在数据科学生命周期的后期阶段会产生许多问题。

数据过时也成为一个问题。有了这些数据的本地副本,数据科学家们可能会根据不准确的全局快照来构建预测。而在核心的云计算使用更大、更具代表性的样本可以缓解这种担忧。

2.大数据胜过智能算法

最近,人们对人工智能和机器学习的兴趣激增,这是由于能够在大量结构化、非结构化和半结构化数据上快速处理和迭代(训练和调整机器学习模型)。几乎在所有情况下,机器学习都得益于在更大、更具代表性的样本集上进行训练。

企业可以通过将半结构化交互数据(站交互日志、事件数据)和非结构化数据(电子邮件文本、评论文本)与结构化交易数据(ERP、CRM、订单管理系统)相结合来解锁强大的用例。从机器学习中释放业务价值的关键是拥有结合事务和交互数据的大型数据集。随着规模的扩大,数据通常需要在云端或大型内部部署集群中进行处理。将笔记本电脑添加到混合部署中会在整个流程中造成瓶颈,并导致延迟。

3.数据科学需要灵活的基础设施

如今,数据科学家可以利用许多开源机器学习框架,如R、SciKit Learn、Spark MLlib、TensorFlow、MXnet和CNTK。但是,在笔记本电脑或本地服务器上管理这些框架的基础设施、配置和环境非常麻烦。管理基础设施的额外开销会占用核心处理数据科学活动的时间。

在软件即服务模式中,大部分开销都会消失。云计算的基于使用情况的定价模型对于机器学习工作负载很有效,而机器学习工作负载在本质上是突发的。云计算还使探索不同的机器学习框架变得更容易数据科学最终迁移到云端的5个原因网络湘潭有没有医院治疗白癜风
丁桂薏芽健脾凝胶能治腹泻吗
中卫看牛皮癣去哪个医院