详细解读ML的真正力量是什么？
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2021-04-12
自动化机器学习（ML）是一种自动进行特征生成和模型开发的技术
情况与此类似ML的真正功能不是取代数据科学家，而是消除工作中的繁琐工作-为他们提供终模型，而不是终模型，而基线模型可以通过人工操作来改善，为其数据科学平台发布了一个新的ML扩展，并且正是出于这一目标而设计的-功能和模型的自动化，作为一组构建块提供给数据科学团队，他们可以使用进行调整和优化，或者完全分解成可重用的模块，这个组件如何扩展的一个很好的例子数据科学平台，并使用标准的API和扩展点，该平台提供了内置。
ML生成工作流的示例
解决怀疑论者，一些杰出的数据科学家已经对ML的价值表示怀疑，这种怀疑有多种来源-ML真的可以代替工匠数据科学家吗？如果不适当考虑所用统计方法的适用性，是否会天真地使用ML？ML是否将建模转变为缺乏赢得客户信任所需的透明度的“黑匣子”？这些对我来说似乎都是合理的担忧，能够很好地响应蛮力自动化的大型AI（例如图像识别）与需要大量人员的日常分析（例如，研究住院再入院的原因）之间存在很大的差异，“材料”，例如业务理解，寻找数据，精心构建表达真实世界现象的功能，评估非法偏见等。
ML在预测模型的开发中显然扮演着重要角色
我为什么要猜测数量的树木？哪种功率变换可为我提供线性模型中的功能？有没有一种方法可以将这些分类值转换为连续值，还是应该使用单编码？为什么我不得不担心自己整理地址栏？正如我们使用机器学习来代替死信之类的任务（例如删除垃圾邮件）一样，我们也可以使用ML来减少数据科学的繁琐工作，为此ML产生的功能和模型必须对数据科学家和工程师完全透明，ML创建的分析工件不能是不透明的代码块或专有转换，他们需要开放以供团队审查和修改，确实如果的确如此ML可以成为协作的工具-非专家可以检验假设并提出数据科学家可以用来启动项目的基本模型。
与使用机器人来答复电子邮件一样
我们离使用机器人来代替数据科学家还很远，随着ML技术的迅速发展和成熟，我的猜测是，它们将越来越多地用作数据科学家工作的起点，而不是替代方案，它们将成为建议的模型，而不是自动化模型，行业正在以的速度变化，由于我们在能源和公用事业领域为众多客户提供了帮助，即“公用事业的未来”，适应市场变化，数字化转型，电力，天然气和水的未来以及如何改善客户体验等，重点之一是减少社会的碳足迹并转向可再生能源以保持当前的能源和水储备有多重要。
节能一直是当前的热门话题
通过这一联盟致力于改变消费者的行为，以优化其公用事业的消费，从而使世界走向更美好的未来，但是改变消费者的行为非常具有挑战性，因为水和能源是非常基本的需求，消费者通常还需要实时的客户支持和立即解决问题的能力，通常围绕计费问题。
更高的客户参与度是改变行为的关键
公用事业发现，客户参与度越高，改变其行为就越容易，与客户互动的公司可以主动与客户互动，并就如何优化公用事业消耗的方案进行教育，与供应商合作时，只要供应商为其服务提供某种程度的个性化设置，消费者就可以更加参与其中，例如那些根据消耗量提供不同日夜费率的公司，以及对能源消耗的账单变化有一定了解的公司，往往会拥有更快乐，更投入的客户，为了提高消费者的参与度，公用事业公司正在利用人工智能和机器学习等技术进行创新，以更好地理解数据，向客户提供问题的实时视图，使用经过培训的聊天机器人来帮助客户解决常见问题，创建移动应用程序以提高客户参与度等等。
技术机会和影响可以描述如下：
可以通过加强参与度来激励消费者更加忠实于其提供者
但公用事业公司还需要了解其他一些因素，以使顾客满意，其中两个因素包括了解客户为何在英国更换供应商以及如何减少客户流失，公用事业还需要解决网络痛点，使用技术解决和预防基础设施问题，公用事业行业正经历着的变化，而变化的速度似乎只会不断增加，零碳法规遵从性的增长力量（要求增加支出），加上竞争加剧（意味着利润减少），需要一个不同的，数字化的敏捷企业，公用事业公司需要降低过渡成本，同时通过差异化的客户体验来提高市场份额，那些在数字化转型上花费的人会成功，而那些明智地花费在数字化转型上的人会成功，以了解我们如何帮助您进行数字化转型，以满足行业不断变化的需求。
在能源和公用事业领域与客户紧密合作
情况与此类似ML的真正功能不是取代数据科学家，而是消除工作中的繁琐工作-为他们提供终模型，而不是终模型，而基线模型可以通过人工操作来改善，为其数据科学平台发布了一个新的ML扩展，并且正是出于这一目标而设计的-功能和模型的自动化，作为一组构建块提供给数据科学团队，他们可以使用进行调整和优化，或者完全分解成可重用的模块，这个组件如何扩展的一个很好的例子数据科学平台，并使用标准的API和扩展点，该平台提供了内置。
ML生成工作流的示例
解决怀疑论者，一些杰出的数据科学家已经对ML的价值表示怀疑，这种怀疑有多种来源-ML真的可以代替工匠数据科学家吗？如果不适当考虑所用统计方法的适用性，是否会天真地使用ML？ML是否将建模转变为缺乏赢得客户信任所需的透明度的“黑匣子”？这些对我来说似乎都是合理的担忧，能够很好地响应蛮力自动化的大型AI（例如图像识别）与需要大量人员的日常分析（例如，研究住院再入院的原因）之间存在很大的差异，“材料”，例如业务理解，寻找数据，精心构建表达真实世界现象的功能，评估非法偏见等。
ML在预测模型的开发中显然扮演着重要角色
我为什么要猜测数量的树木？哪种功率变换可为我提供线性模型中的功能？有没有一种方法可以将这些分类值转换为连续值，还是应该使用单编码？为什么我不得不担心自己整理地址栏？正如我们使用机器学习来代替死信之类的任务（例如删除垃圾邮件）一样，我们也可以使用ML来减少数据科学的繁琐工作，为此ML产生的功能和模型必须对数据科学家和工程师完全透明，ML创建的分析工件不能是不透明的代码块或专有转换，他们需要开放以供团队审查和修改，确实如果的确如此ML可以成为协作的工具-非专家可以检验假设并提出数据科学家可以用来启动项目的基本模型。
与使用机器人来答复电子邮件一样
我们离使用机器人来代替数据科学家还很远，随着ML技术的迅速发展和成熟，我的猜测是，它们将越来越多地用作数据科学家工作的起点，而不是替代方案，它们将成为建议的模型，而不是自动化模型，行业正在以的速度变化，由于我们在能源和公用事业领域为众多客户提供了帮助，即“公用事业的未来”，适应市场变化，数字化转型，电力，天然气和水的未来以及如何改善客户体验等，重点之一是减少社会的碳足迹并转向可再生能源以保持当前的能源和水储备有多重要。
节能一直是当前的热门话题
通过这一联盟致力于改变消费者的行为，以优化其公用事业的消费，从而使世界走向更美好的未来，但是改变消费者的行为非常具有挑战性，因为水和能源是非常基本的需求，消费者通常还需要实时的客户支持和立即解决问题的能力，通常围绕计费问题。
更高的客户参与度是改变行为的关键
公用事业发现，客户参与度越高，改变其行为就越容易，与客户互动的公司可以主动与客户互动，并就如何优化公用事业消耗的方案进行教育，与供应商合作时，只要供应商为其服务提供某种程度的个性化设置，消费者就可以更加参与其中，例如那些根据消耗量提供不同日夜费率的公司，以及对能源消耗的账单变化有一定了解的公司，往往会拥有更快乐，更投入的客户，为了提高消费者的参与度，公用事业公司正在利用人工智能和机器学习等技术进行创新，以更好地理解数据，向客户提供问题的实时视图，使用经过培训的聊天机器人来帮助客户解决常见问题，创建移动应用程序以提高客户参与度等等。
技术机会和影响可以描述如下：
首先提供数据管理层，这使公用事业和自来水公司可以全面了解所有数据源，可以通过数据管理解决的一些用例包括客户的360度视图和客户资产的实时视图，以了解资产的运行状况，第二个关键功能是可视层，用于创建交互式仪表板以共享和跟踪数据，并建立应用商店以查看多个KPI，例如能源和水的使用量，客户参与度（NPS分数）或记录的质量问题，第三层是推荐系统和异常检测形式的数据科学层，可帮助诸如预测性维护和资产管理，客户流失和交叉销售/追加销售模型以增加销售，预测模型以预测能耗等应用程序。预测网络中断，需要一个流和事件管理层，以基于创建的数据科学模型实时向客户发送通知，或从IoT传感器捕获数据以快速预测网络中断，查找泄漏并实时采取预防措施。
可以通过加强参与度来激励消费者更加忠实于其提供者
但公用事业公司还需要了解其他一些因素，以使顾客满意，其中两个因素包括了解客户为何在英国更换供应商以及如何减少客户流失，公用事业还需要解决网络痛点，使用技术解决和预防基础设施问题，公用事业行业正经历着的变化，而变化的速度似乎只会不断增加，零碳法规遵从性的增长力量（要求增加支出），加上竞争加剧（意味着利润减少），需要一个不同的，数字化的敏捷企业，公用事业公司需要降低过渡成本，同时通过差异化的客户体验来提高市场份额，那些在数字化转型上花费的人会成功，而那些明智地花费在数字化转型上的人会成功，以了解我们如何帮助您进行数字化转型，以满足行业不断变化的需求。
在能源和公用事业领域与客户紧密合作
您可以从网站上访问一些客户案例，它们正在为客户提供解决方案，从而成为能源即服务提供商并通过电动交通，分布式发电和存储以及需求管理推动其业务向前发展，另外请访问我们的行业页面以查看我们为公用事业行业提供的收益，功能和一些解决方案。
商业联合会数据分析专业委员会
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
