自動化：是數據科學與機器學習的未來嗎？

機器學習是系統改變自己的編程的能力。但是當一個系統能夠做到這一點，人類仍然需要嗎？

機器學習一直是計算歷史上最大的進步之一，現在被認為能夠在大數據和分析領域發揮重要作用。從企業的角度來看，大數據分析是一個巨大的挑戰。例如，諸如了解大量不同數據格式，分析數據準備和過濾冗餘數據等活動可能會消耗大量資源。招聘數據科學家和專家是一個昂貴的命題，而不是每個公司的手段。專家認為，機器學習能夠自動化許多與分析相關的任務 - 無論是常規的還是複雜的。自動機器學習可以釋放可用於更複雜和創新的工作的大量資源。機器學習似乎一直朝這個方向前進。（要了解有關機器學習的更多信息，請參閱機器學習的承諾和陷阱。）

信息技術背景下的自動化

在IT方面，自動化是不同系統和軟體的連接，使他們能夠在沒有任何人為干預的情況下進行特定的工作。在IT行業，自動化系統可以執行簡單和複雜的工作。一個簡單的工作的例子可能是將表單與PDF集成，並將文檔發送到正確的收件人，而提供非現場備份則可能是複雜作業的一個例子。

要做好自己的工作，需要對自動化系統進行編程或給出明確的指示。每次需要自動化系統來修改其作業範圍時，程序或指令集都需要由人來更新。雖然自動化系統在其工作中有效率，但由於各種原因可能會導致錯誤。發生錯誤時，需要識別和更正根本原因。顯然，要做自己的工作，自動化系統完全依賴於人類。工作性質越複雜，錯誤和問題的概率越高。

通常，將常規和可重複的作業分配給自動化系統。IT行業自動化的一個常見例子是自動化基於Web的用戶界面的測試。將測試用例輸入到自動化腳本中，並相應地測試用戶界面。（更多關於機器學習的實際應用，請參閱下一代欺詐檢測中的機器學習和Hadoop。）

贊成自動化的論點是，它執行常規和可重複的任務，釋放員工做更複雜和創造性的任務。然而，也有人認為，自動化已經排除了以前由人類執行的許多工作或角色。現在，隨著機器學習進入各個行業，自動化可以增加一個新的維度。

自動化機器學習的未來？

機器學習的本質是系統不斷地從數據中學習並在沒有人類干預的情況下進化的能力。機器學習能夠像人腦一樣表現出來。例如，推薦引擎在電子商務網站可以評估用戶的獨特喜好和口味，並提供產品和最適合用戶的選擇服務的建議。鑒於這種能力，機器學習被認為是自動化與大數據和分析相關的複雜任務的理想選擇。已經克服了傳統自動化系統的主要局限性，無法經常地進行人為干預。有多個案例研究表明，機器學習能夠完成複雜的數據分析任務，

如已經指出的那樣，大數據分析是企業的一個具有挑戰性的命題，它可以部分地委託給機器學習系統。從業務的角度來看，這可以帶來諸多好處，如釋放數據科學資源，以獲得更多的創意和關鍵任務，更高的工作量，更少的時間完成任務和成本效益。

案例分析

在2015年，麻省理工學院研究人員開始研究一種數據科學工具，該工具能夠使用稱為深度特徵綜合演算法的技術，從龐大的原始數據量中創建預測數據模型。科學家聲稱的演算法可以結合機器學習的最佳特徵。據科學家介紹，他們已經對三種不同的數據集進行了測試，並將測試範圍擴大到更多的數據集。研究人員James Max Kanter和Kalyan Veeramachaneni在一篇文章中指出，將在國際數據科學和分析大會上發表演講，「使用自動調整過程，我們優化整個路徑而無需人為參與，

讓我們來看一下任務的複雜程度：演算法有一個被稱為自動調整能力的能力，藉助它可以從原始數據（如年齡或性別）中獲取或提取洞察力或價值，之後可以創建預測數據模型。該演算法使用複雜的數學函數和稱為高斯Copula的概率論。因此，很容易理解演算法能夠處理的複雜程度。這項技術也贏得了比賽的冠軍。

機器學習可以替換許多工作

正在全世界討論，機器學習可能取代許多工作，因為它以人腦的效率執行任務。事實上，機器學習將取代數據科學家有一些擔憂，似乎有這樣的擔憂的基礎。

對於沒有數據分析技能的普通用戶，在不同程度上仍然需要日常生活中的分析，使用能夠分析巨大數據量並提供分析功能的計算機是不可行的。但自然語言處理（NLP）技術可以通過教授計算機接受和處理人類的自然語言來克服這個限制。這樣，普通用戶不需要複雜的分析功能或技能。

IBM認為可以通過其產品沃森自然語言分析平台來最小化或消除對數據科學家的需求。根據沃森分析和商業智能副總裁Marc Atschuller的說法，「通過像沃森這樣的認知系統，你只是提出你的問題 - 或者如果你沒有問題，你只要上傳你的數據，沃森就可以看看並推斷你可能想知道什麼。「

結論

自動化是機器學習的下一個合乎邏輯的步驟，我們已經在日常生活中遇到了影響 - 電子商務網站，Facebook的朋友建議，LinkedIn網路建議和Airbnb搜索排名。考慮到所給出的例子，毫無疑問可以歸結於自動機器學習系統產生的輸出質量。對於所有的品質和好處，機器學習造成巨大失業的想法似乎有點過度反應。機器在我們生活的許多地方已經取代了人類幾十年，然而，人類已經發展並適應了在行業中的相關性。根據觀點，機器學習對於其所有的破壞性而言，只不過是人們將會適應的另一波浪。