Press "Enter" to skip to content

Tag: data analytics

超越噱头:探索生成人工智能在各行业中的实际应用

介绍 当今世界上,”生成式人工智能”这个词引起了广泛讨论。包括麦肯锡、毕马威、Gartner和彭博在内的顶级科技和管理公司不断进行研究,以评估这项新技术的力量并预测其未来。所有这些研究都表明,生成式人工智能在企业中的日益影响力使其成为当今职场的必备技能。调查还显示,到2032年,GenAI市场预计将达到1.3万亿美元,每个人都希望成为其中一员。本文讨论了生成式人工智能在各个行业中的应用、增长和影响,以及如何参与全球变革。 什么是生成式人工智能以及它有多大? 生成式人工智能不再只是一个流行词。这种新技术,AI能够通过练习创造新内容并进行学习,已经席卷全球。GenAI工具基本上是能够根据它们接受的培训数据生成内容的大型学习模型(LLMs)。它们从训练数据中学习模式和结构,并产生遵循类似模式的输出。这些模型可以创建图像、视频、音乐、语音、文本、软件代码、产品设计等。由于目前可用的大量培训数据,这项技术的可能性是无限的。 过去几个月,该领域不断扩展,每天都在发现生成式人工智能的新应用和用例。在企业层面上,GenAI的整合已经带来了更快的产出、更好的生产力和经济增长。因此,越来越多的公司现在使用生成式人工智能来节省时间和金钱。 生成式人工智能的企业应用包括自动化、人员或机器的增强,以及业务和IT流程的自主执行。麦肯锡的报告显示,全球企业正在通过部署生成式人工智能工具来最大程度地提高生产力并将风险降至最低。公司现在投入更多资源进行生成式人工智能培训和辅导、用例选择、员工技能提升和风险控制。未来,组织将需要他们的员工精通生成式人工智能,以保持工作相关性。 生成式人工智能的商业层面 目前,GenAI市场包括模型训练基础设施、LLM推理设备、数字广告、专业软件和服务、个性化助手以及加速编码的副驾驶。尽管开发生成式人工智能工具和软件的公司是该领域的最大受益者,但这些产品的应用正在帮助各个行业获得好处。 那么,生成式人工智能有多大?根据彭博智能的一份报告,2022年GenAI市场的估值为400亿美元,而且显然随着时间的推移而增长。报告预测,由于未来十年内复合年增长率为42%,生成式人工智能市场到2032年将达到1.3万亿美元。 2023年:生成式人工智能在企业中迎来突破性一年 自2020年以来,生成式人工智能一直是Gartner人工智能炒作周期的一部分。然而,2023年是它在企业中的突破之年。尽管这项技术相对较新,但已经发展成为几乎每个行业的一个不可或缺的组成部分。 根据麦肯锡的一份全球报告,33%的领先公司已经在使用生成式人工智能,而另外25%的公司正在进行人工智能整合。报告还指出,22%的高级管理层高管使用AI工具进行工作。 随着技术的不断发展,该技术的新用途和应用进一步扩展。各个行业中所有层级的工作岗位正在自动化,最大限度地减少人为干预,并节省人工工作时间以完成更重要的任务。因此,企业正在寻找具备AI技能的人才,给他们带来竞争优势。 此外,根据麦肯锡的调查,40%的公司计划增加他们对人工智能的投资,因为随着技术的进步。这表明,虽然慢慢地,但肯定地,所有的工作都将涉及某种程度的以AI为动力的功能,我们所有人都需要为此做好准备。 企业领导对生成式人工智能的思考 全球各地的企业领导都对生成式人工智能的可能性感到兴奋,并坚信它真正是一场改变游戏规则的力量。Oracle Analytics Cloud的高级首席数据科学家Vikas Agrawal博士确认,生成式人工智能具有颠覆企业解决方案的潜力,特别是在与文本和用户界面相关的领域。谈到提升员工技能,他说:“随着人工智能工具的发展,数据科学家需要掌握增强和改进这些工具的技能,而不仅仅是运用它们。” 就此类似,Dataiku的前首席人工智能战略师Jepson Taylor表示,人工智能初创公司的成功取决于招募正确的人才。作为纽约大学人工智能硕士班的联席主办者,他预见到未来人工智能系统将能够自主编写和优化代码,为应用程序带来更高效和强大的功能。 在与Analytics Vidhya的一次采访中,Beans.ai应用人工智能主管Sandeep Singh将印度和美国的人工智能生态系统进行了比较。他表示:“印度的人工智能生态系统独特地处于快速采纳和产品化的位置,不同于湾区以研究为主的人工智能领域。” 回顾印度的行业领袖,Fractal…

Leave a Comment

揭示生成式人工智能在数据叙事和分析中的影响

简介 在数据分析的广阔领域中,改变规则的最重要发展之一就是生成人工智能(GAI)。现在,人工智能不再仅仅根据历史数据进行处理和预测,而是创造出全新的东西,彻底改变了数据叙事和分析过程。在最近的一次会议中,我有机会探索这一技术创新的基本原理、架构和潜在影响。以下是我们讨论的内容的简洁总结。 学习目标: 了解生成人工智能的基本原理。 学习使用生成人工智能进行不同的数据叙事技术。 认识在数据分析中生成人工智能的伦理实施。 理解生成人工智能 生成人工智能代表了人工智能的一个子领域,专注于创造新颖的内容。传统人工智能依靠历史数据进行训练并进行推理或预测。相比之下,生成人工智能通过合成新内容来实现,涉及视觉、音频和文本创作。这个领域有几种不同的架构,包括生成对抗网络(GANs)、变分自编码器(VAEs)和自回归模型或变换器。 生成对抗网络使用两个神经网络,生成器和判别器,它们一起训练。通过生成接近真实数据同时区分真实数据和生成数据的数据,这个对抗过程使两个网络都得以改进。变分自编码器稍有不同,但目标是相同的。 如今最常见的人工智能模型是基于变换器的自回归模型,比如ChatGPT。这些模型根据先前元素创建数据序列,并且可以预测下一个序列元素。了解这些模型能够帮助我们更有效地利用人工智能。 数据叙事:将生成人工智能与分析相结合 数据分析的影响力在于数据叙事。虽然最初阶段着重于定义、收集、清洗和分析数据,但关键在于展示阶段。在这里,我们必须有效地传达研究结果。制作叙事、准备视觉材料和检查逻辑在数据叙事中起着至关重要的作用。使用生成人工智能可以显著影响这个过程的前两个步骤。 这就是叙事进入场景的地方。数据展示中的叙事涉及与利益相关者的联系,理解他们的需求,并呈现分析结果以促进决策。然而,这个阶段在分析课程中往往被低估,尽管在传达数据的影响方面至关重要。 案例研究:生成人工智能推动业务效率叙事 这个案例研究展示了生成人工智能,特别是GPT-4,如何帮助分析师确定他们演示的目的和角色清晰度。通过向ChatGPT提出特定问题,如“如何在没有裁员的情况下专注于战略性降低运营成本?”,人工智能的建议可以帮助指导和完善叙事和演示策略。 需要明确的是,生成人工智能并不完全创建内容,而是作为一个头脑风暴的合作伙伴,提供方向和想法,允许分析师调整他们的策略。以下是生成人工智能如何帮助推动业务效率的数据分析和叙事。 使用GPT-4进行高级数据分析 GPT-4的高级功能打开了许多可能性。根据我的经验,我选择使用ChatGPT,因为它值得信赖且精确。虽然还有其他可替代的人工智能模型,如LlaMA,但每个模型都有其独特的优势。我发现ChatGPT是一个很好的选择,但其他模型可能同样适合不同的需求。 使用人工智能和原型速度评估超支 在处理超支问题时,人工智能能够极快地进行分析原型设计。虽然Python或SQL也能完成同样的任务,但人工智能可以显著加速过程,实现快速的原型开发。然而,需要强调的是,鉴于我们对结果准确性的责任,所有输出都需要经过仔细的验证和审查。 使用ChatGPT分析回报率和制定战略削减 确定投资回报率(ROI)需要特定的计算方法。我教导ChatGPT进行不同支出领域的ROI计算。它揭示了一个有趣的格局。虽然某些行业出现了大量超支,但它们也提供了可观的投资回报率,表明尽管超支,效益很高。这需要战略性评估,以确定潜在削减的领域。 生成AI和可视化数据表示 生成的AI可视化,如图表和图形,在促进快速探索性数据分析中起着重要作用。它们为深入的战略思考提供了一个起点。然而,评估所选择的可视化表示是否与精确的数据解释需求一致是至关重要的。 在利用AI时考虑隐私和道德问题…

Leave a Comment

如何在没有经验的情况下成为一名数据分析师?

介绍 你知道吗?初级数据分析师每年可以赚取高达49,092美元的薪水。在当今数据驱动的世界中,数据分析的职业涵盖各个行业,为进入这个快速增长的领域提供了众多途径。数据是每个组织的主要决策工具。分析是战略规划的重要组成部分。本文旨在回答新手们常问的一个问题 – 如何在没有经验的情况下成为一名数据分析师! 没有经验能成为数据分析师吗? 当然可以!你可以通过获取必要的资格来追求数据分析师的角色,即使没有经验。以下几个因素使得数据岗位市场对初学者开放: 缺乏数据专业知识:对数据专业人员的需求超过了目前的供应,为新人进入该领域创造了机会。 强调可转移技能:数据分析重视可以从其他领域应用的技能,使个人能够利用现有的能力。 市场快速增长:数据市场经历了指数级增长,增加了跨行业需要熟练专业人员的需求。 企业依赖数据驱动的策略,招聘数据专家成为首要任务。通过投入精力、追求成长,并获取适当的培训资源,个人可以获得在这个充满活力的领域中取得成功所需的专业知识。 如何在没有经验的情况下成为数据分析师? 以下是您无经验地获得数据分析师工作的步骤指南: 1. 获得相关技能 并非必须成为数据分析师才需要拥有相关学科的学位;然而,在统计学、数学或计算机科学方面拥有学位可能会有所帮助。您可以参加面对面的培训课程,观看视频教程,或者参加在线课程来增加您的数据专业知识。学习Python库,如Matplotlib和Seaborn,以及数据可视化应用程序,如Tableau、Power BI等。投入时间了解编程语言的语法、数据类型和相关的包。 2. 掌握数据工具 通过实际的数据项目,您可以获得实践经验,并学习如何在实际环境中使用数据。您可以参与现有项目,或者利用一些免费提供的公共数据集建立自己的项目。尝试使用Excel进行数据处理,使用SQL进行数据库查询,以及使用SAS或SPSS等统计软件。 有用的资源 – 10个带有源代码的最佳数据分析项目 SQL入门指南 免费在线学习MS Excel…

Leave a Comment