数据科学机器做分析人类做的分析

人工智能 2020-02-11 10:53:44

博思艾伦(Booz Allen)一直在推动数据科学、开发工具和出版行业指南,以推进分析。在内部,博思艾伦也有一个数据科学的Pinterest。我们的目标是:推进数据科学,让它在后台发生。

然而,在数据科学和分析出现之前,它还处于早期阶段。博思艾伦(Booz Allen)数据科学与分析业务主管乔什·沙利文(Josh Sullivan)将分析比作20世纪50年代的计算。

一位分析主管表示,那些负责大数据洞见的人需要掌控自己的命运,这意味着对预算、技术弹性和安全负责。

阅读更多

我和Sullivan以及战略创新组的副总裁Angela Zutavern一起讨论了有关数据科学的问题。以下是我们聊天的亮点:

人才。博思艾伦有一个500人的团队致力于数据科学项目,其中50人是“国家宝藏”,沙利文说。这些顶尖的数据科学家已经在许多行业的多个项目中工作过,他们具备提出转变业务所需的正确问题所需的所有特质。

“这些人对失败充满好奇,而且毫不留情,”沙利文说。“他们一直在努力,不管问题有多严重,他们都认为自己能做出贡献。”例如,一个团队可能失败340次才找到有意义的模式。你不会轻易失望的。

机器/人类链接。Sullivan并不擅长分析技术,而分析技术是数据科学的灵丹妙药。没有一种机器能包治百病。人类必须找到模式,提出正确的问题,并在数据中建立联系。“机器做分析,”沙利文解释说。“人类所做的分析。”计算机擅长处理细节和研究过去,但真正的数据科学需要想象力和认知能力。

沙利文说:“我可以利用10种工具、美国人口普查数据和农业数据,确定被床单勒死的人跟踪奶酪的消耗量。”“人类知道这毫无意义。你无法将人类的推理商品化。”

另一种说法是,机器被用作“数据看门人”来清理数据和处理数字,但这只是整个过程的一小部分。

越来越多的人才。沙利文说,博思艾伦基本上选择了发展自己的数据科学人才基地。“一开始,我们只是把脑袋扔在棍子上,”沙利文说。问题:博斯需要拥有软技能、行业知识和流程的人才。

底线:数据科学是一项团队运动,您需要一个多样化的团队来探索多个角度。

“我们将积极招聘,但我们希望发展自己的业务,这样我们就知道自己能得到什么,”沙利文说。“这对我们的人民也有好处。”博思艾伦(Booz Allen)的数据科学项目包括不同行业的轮岗,这样员工在参与项目时可以全面发展。与IBM和其他公司一样,博思艾伦也参与了大学数据科学课程的设计。博思艾伦还抽出时间将数据科学应用于大型社会项目。在社会项目中轮岗的工人使他们精神振奋,鼓励他们有更大的想法。

数据科学闪耀的行业。沙利文说,医疗保健和所有由“量化自我”运动抛出的数据将是有前途的。可穿戴设备是等式的一部分,但来自分类医疗设备的数据也同样重要,甚至更重要。交通是数据科学的另一个有前途的领域。博思艾伦也有一个大型的体育活动。

沙利文说,他的公司已经开发出一种预测模型,可以预测大联盟投手的下一次投球,准确率高达95%。预测是基于历史数据,投手的历史,天气,比赛情况和其他变量。欺诈和机器对机器应用程序是另一个关键类别。警告:预测模型在分析不可预测的人类时并不完美。“人类的行为是很难预测的,”沙利文解释道。“例如,在《欺诈》中,很难分析一个千方百计击败你、避免被发现的人。”

运筹学的终点和数据科学的起点。沙利文的运输案例围绕着路线规划和网络等传统运筹学领域。

Sullivan说,数据科学和运筹学(OR)是互补的。或者是关于模拟的。数据科学就是把正确的部分放在正确的地方。OR团队将数据科学带入现实世界,”Sullivan说。“我们有一个庞大的团队,将它与我们的数据科学实践结合在一起。”

投资回报。Sullivan说,第一年很难显示数据科学能力的ROI。公司应该把第一个数据科学年看作是一项自发的工作,在这里你可以发现未知的未知,整理数据并标记它,这样它就可以随后与业务结果相关联。沙利文说:“一开始是小的胜利。Zutavern的另一个关键点是:没有一家公司拥有完美的数据本体和分类,所以你不应该为了追求完美而推迟分析工作。每家公司都有数据缺口,信息可能很混乱。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时候联系我们修改或删除,多谢