尽管炒作AI已成为一种时尚

它将成为下一个改变游戏规则的技术，有望带来比移动或云技术更大的影响，但现实是，机器学习对于日常业务分析将是很长的时间，与任何海变一样，认知可能会以滴滴的形式潜入应用程序和过程，看起来可能是许多企业首次使用认知学习业务应用程序亲身体验的一年。

可能在供应商竞相将机器学习功能引入业务流程方面取得了一些进步，但是这场竞争才刚刚开始

真正的赢家是直线经理，他们将从支持AI的业务应用程序中受益，业务应对认知实施挑战认知技术的三个基石是机器学习，自然语言处理和语音识别，机器认知旨在模仿人类推理，以自动化基于判断的业务流程组件，目的是增加人类活动，使人们有更多时间专注于真正棘手的问题，例如在哪里举行假期聚会，实施认知系统的主要障碍是应对其固有的复杂性，这一事实反映在厂商出售的打包式机器学习系统的成本以及支持该系统所需的广泛基础结构中。几种开源替代方案已经浮出水面，为企业提供了一种快速，简单且廉价的方式，将脚趾浸入认知计算水中。

快速浏览一下流行的开源认知学习工具：

1、用于统计分析的R语言和环境具有高度可扩展性，除了图形功能外，还提供线性和非线性回归，传统统计测试，时间序列分析，分类，聚类和其他统计功能，Python 是一种受科学家欢迎的高级语言，其机器学习实现非常适合该语言的敏捷和迭代方法。

2、为快速创建可伸缩的机器学习应用程序提供了有用的环境。

3、处理引擎 通过数据科学家和推动者需要快速，可扩展的机器学习应用程序中使用。

4、台提供了实现机器通过一个向导界面，学习预测分析模型的端至端环境。

供应商就AI实践进行协作

炒作一项新技术与可能的从业者对该技术的理解程度之间似乎存在反比关系。为了消除围绕机器学习的一些问号并鼓励采用该技术，计划的目标是支持实践，教育公众关于AI的潜在收益和成本，以及“创建一个开放的讨论和参与平台”。

实践建议包括道德（公平和包容性），透明度，互操作性，隐私，可信赖性，可靠性以及人与支持AI的系统之间的协作，承诺通过出版物，开源软件，参加技术会议和研讨会以及与学术界同事的合作为研究界做出贡献。

审视机器学习的“人性化”

CPDA数据分析师花费了大部分时间来收集和清理数据，因此，机器学习系统的早期重点是“简化和加快”这些任务。不幸的是，现有的数据仓库工作流与机器学习系统的数据需求冲突。这导致数据科学家为单个项目创建了一次性的“及时”提取-转换-加载（ETL）工作流。

机器学习算法的并行性并未得到关注

因此诸如开源工具要求重新构建算法，以在集群服务器之间分配工作负载，尽管支持可扩展的数据处理并具有连接到一系列数据平台的能力，但仍存在这种情况，实施认知系统的另一个障碍是语音识别，图像分类和其他深度学习应用所需的高处理能力。

克服的障碍与硬件或软件无关

根本没有足够的数据科学家来满足需求，为了解决短缺问题，已经提出了“公民数据科学家”的概念，该概念可以通过提供图形化的“拖放”工具将任何业务分析师转换为数据专家。

复杂的分析能力掌握在管理者手中

云应用程序管理平台显示了通过仪表板界面进行数据管理的强大功能，该平台可让您在本地或私有，公共或混合云中置备数据库，应用程序和应用程序堆栈组件，异步配置允许同时配置多个IT系统，可以通过Web界面或使用命令行界面或API调用将节点添加到数据库和应用程序；添加节点后，数据库和应用程序将自动重新配置，数据分析人员特别需要注意的是，内置的复杂的日志记录，监视和分析工具可通过相同的直观界面进行访问，除了自动运行时间监控之外，还会自动收集应用程序日志，以方便进行内省和故障排除。