Pag-aautomat: ang hinaharap ng data sa agham at pag-aaral ng makina?

Ang pag-aaral ng makina ay isa sa mga pinakamalaking pagsulong sa kasaysayan ng pag-compute, at ngayon pinaniniwalaan na may kakayahang kumuha ng mga makabuluhang tungkulin sa larangan ng malaking data at analytics. Ang malaking pagsusuri ng data ay isang malaking hamon mula sa pananaw ng mga negosyo. Halimbawa, ang mga aktibidad tulad ng paggawa ng kahulugan ng malaking dami ng iba't ibang mga format ng data, paghahanda ng data para sa analytics at pag-filter ng kalabisan ng data ay maaaring kumonsumo ng maraming mga mapagkukunan. Ang pag-upa ng mga siyentipiko at espesyalista ng data ay isang mamahaling panukala at hindi sa loob ng bawat paraan ng kumpanya. Naniniwala ang mga eksperto na ang pag-aaral ng makina ay may kakayahang i-automate ang maraming mga gawain na may kaugnayan sa analytics - parehong gawain at kumplikado. Ang pag-aaral ng machine ng automating ay maaaring makapagpalaya ng maraming mapagkukunan na maaaring magamit sa mas kumplikado at makabagong mga trabaho. Tila na ang pag-aaral ng makina ay pupunta sa direksyon na iyon. (Upang malaman ang higit pa tungkol sa paggamit ng pag-aaral ng makina, tingnan ang The Promises at Pitfalls ng Machine Learning.)

Pag-aautomat sa Konteksto ng Teknolohiya ng Impormasyon

Sa konteksto ng IT, ang automation ay ang pag-uugnay ng magkakaibang mga sistema at software upang magawa nilang magawa ang mga tukoy na trabaho nang walang interbensyon ng tao. Sa industriya ng IT, ang mga awtomatikong sistema ay maaaring magsagawa ng parehong simple at kumplikadong mga trabaho. Ang isang halimbawa ng isang simpleng trabaho ay maaaring pagsasama ng isang form sa isang PDF at pagpapadala ng dokumento sa tamang tatanggap, habang ang pagkakaloob ng isang offsite backup ay maaaring maging halimbawa ng isang kumplikadong trabaho.

Upang gawin ang trabaho nito, ang isang awtomatikong sistema ay kailangang ma-program o bibigyan ng tahasang mga tagubilin. Sa bawat oras na ang isang awtomatikong sistema ay kinakailangan upang baguhin ang saklaw ng mga trabaho nito, ang programa o ang hanay ng mga tagubilin ay kailangang ma-update ng isang tao. Habang ang mga awtomatikong sistema ay mahusay sa kanilang mga trabaho, ang mga pagkakamali ay maaaring mangyari dahil sa iba't ibang mga kadahilanan. Kapag naganap ang mga pagkakamali, ang ugat na sanhi ay kailangang makilala at maiwasto. Malinaw, upang gawin ang kanilang mga trabaho, ang mga awtomatikong sistema ay ganap na umaasa sa mga tao. Ang mas kumplikado sa likas na katangian ng trabaho, mas mataas ang posibilidad ng mga pagkakamali at mga isyu.