AI、大数据、和数据科学的十大类算法

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介:

AI正在改变我们的职业、我们的工作方式和我们的企业文化。AI让我们得以专注于那些真正关键的技术,让人力资源得以充分发挥他们的长处。但在工作场景中应用AI确实会让事情变得复杂,因为有各种不同层级的算法可以用于实现AI,每一类的使用和影响都有差别。为了更好地平衡人力资本和AI资本,本文作者介绍了用于实现AI、大数据、和数据科学的十大类算法,以及它们分别擅长的任务。

算法正在取代我们的工作吗?是...是的...但算法是个好东西。

算法是一系列包含能够帮助人解决问题、完成目标任务的规则的步骤。用正确的方式把这些步骤和规则组织起来,能够自动化算法建立人工智能(AI)。AI能够帮助我们做大量的分析性工作,让我们把时间集中于更有价值的事情。

AI正在改变我们的职业、我们的工作方式和我们的企业文化。AI让我们得以专注于那些真正关键的技术,让人力资源得以充分发挥他们的长处。但在工作场景中应用AI确实会让事情变得复杂,因为有各种不同层级的算法可以用于实现AI,每一类的使用和影响都有差别。为了更好地平衡人力资本和AI资本,本文介绍了用于实现AI、大数据、和数据科学的十大类算法。

1. Crunchers

这些算法使用比较少的重复步骤和较为简单的规则处理(crunch)复杂问题。我们给这些算法提供数据,它们就能得出一个答案。如果我们不喜欢这个答案,可以给算法提供更多的数据,让算法调整答案。Cruncher类算法擅长客户分类、预估项目持续时间、分析调查数据等任务。

2. Guides

这些算法为我们怎样根据成功的历史操作得出最好的策略、步骤或工作流提供指南(guides)。指南类算法擅长协调大量需要理解并执行如风险管理、战略改变、复杂项目管理等事情的动态部件。

3. Advisors

这些算法基于历史规律为我们提供预测、排名、成功的可能性等,对我们提出最佳选择的建议(advise)。建议类(advisors)算法擅长提出决策、规划和风险缓解方面的建议。

4. Predictors

这些算法使用解释历史行为和历史事件的小型可重复性决定和判断来对未来的人类行为和事件作出预测。预测类(predictors)算法擅长商业规划、市场预测、品牌管理、健康诊断,以及预测消费者行为、品牌吸引力、欺诈行为、营销机会、气候事件以及疾病爆发等。

5. Tacticians

这些算法在战术上(tactically)预先考虑短期行为并作出相应的反应。它们通过应用短期战术规则(short-term tactical rules)的组合以及从相关人员中学来的信息做到这一点。战术类(tacticians)算法擅长平衡供应链、系统性能、人力工作负荷和生产线。

6. Strategists

这些算法从策略上(strategically)预测行为并作相应的计划。策略类(strategists)算法根据过去的数据发掘洞察和创新机会。它们通过应用短期规则和长期规则的组合、从相关人员中学来的信息以及这些人在不同的环境中的反应来做到这一点。策略类(strategists)算法擅长预测市场需求、客户流失、工作效率以及员工流失。

7. Lifters

这些算法能够代替我们自动完成重复性的任务,让我们能够专注于更有价值的工作。lifters类算法擅长分析和识别规则、欺诈行为、风险、改进、转型、机会和创新等中重复的模式和差距。

8. Partners

这些算法具有我们的领域中的许多专业知识,能让我们更高效、更专注。合作伙伴类(partners)算法擅长为我们提出建议、提供训练,让我们密切了解市场变化,并调整每日、每季度以及每年的目标。Partners理解我们的行为模式,知道我们何时应该吃午饭,气温达到几度时需要开空调等等。

9. Okays

这些算法在多个领域具有专业知识,能够代替我们的团队完成全部分析工作。算法完成分析后,团队中的每个人分别根据自己的专业技能审核分析结果,然后通过(okay)结果。Okays类算法擅长从各个角度深入分析物体构建大型图像,可用于业务规划、战略改变、文化转型等。

10. Supervisors

这些算法对我们的工作具有关键作用。它们能够管理工作者及其业务,使企业保持生产效率和财力的强健。监督类(supervisors)算法能够协调人力一起其他算法,帮助我们实现长期的战略发展目标。

AI是我们在全球商业舞台上生存的关键。仅以人类资本参与竞争是不够的,我们不仅需要AI来代替我们自动化工作,让我们的创新力有更大的发挥,而且需要AI 来改变我们的行为、习惯以及工作风格,以使我们保持竞争力。为了保持我们的竞争优势,我们必须理解AI如何工作,同时AI也必须理解我们如何工作。而为了理解我们如何工作,AI必须理解情绪智能(Emotional Intelligence)。


本文作者:佚名

来源:51CTO

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
2月前
|
机器学习/深度学习 算法 搜索推荐
从理论到实践,Python算法复杂度分析一站式教程,助你轻松驾驭大数据挑战!
【10月更文挑战第4天】在大数据时代,算法效率至关重要。本文从理论入手,介绍时间复杂度和空间复杂度两个核心概念,并通过冒泡排序和快速排序的Python实现详细分析其复杂度。冒泡排序的时间复杂度为O(n^2),空间复杂度为O(1);快速排序平均时间复杂度为O(n log n),空间复杂度为O(log n)。文章还介绍了算法选择、分而治之及空间换时间等优化策略,帮助你在大数据挑战中游刃有余。
66 4
|
2月前
|
存储 分布式计算 算法
大数据-106 Spark Graph X 计算学习 案例:1图的基本计算、2连通图算法、3寻找相同的用户
大数据-106 Spark Graph X 计算学习 案例:1图的基本计算、2连通图算法、3寻找相同的用户
68 0
|
8天前
|
机器学习/深度学习 人工智能 运维
智能化运维:AI与大数据在IT运维中的应用探索####
本文旨在探讨人工智能(AI)与大数据分析技术如何革新传统IT运维模式,提升运维效率与服务质量。通过具体案例分析,揭示AI算法在故障预测、异常检测及自动化修复等方面的实际应用成效,同时阐述大数据如何助力实现精准运维管理,降低运营成本,提升用户体验。文章还将简要讨论实施智能化运维面临的挑战与未来发展趋势,为IT管理者提供决策参考。 ####
|
1月前
|
存储 人工智能 分布式计算
大数据& AI 产品月刊【2024年10月】
大数据& AI 产品技术月刊【2024年10月】,涵盖本月技术速递、产品和功能发布、市场和客户应用实践等内容,帮助您快速了解阿里云大数据& AI 方面最新动态。
|
6天前
|
人工智能 分布式计算 DataWorks
大数据& AI 产品月刊【2024年11月】
大数据& AI 产品技术月刊【2024年11月】,涵盖本月技术速递、产品和功能发布、市场和客户应用实践等内容,帮助您快速了解阿里云大数据& AI 方面最新动态。
|
1月前
|
缓存 算法 大数据
大数据查询优化算法
【10月更文挑战第26天】
57 1
|
2月前
|
机器学习/深度学习 人工智能 运维
智能运维:大数据与AI的融合之道###
【10月更文挑战第20天】 运维领域正经历一场静悄悄的变革,大数据与人工智能的深度融合正重塑着传统的运维模式。本文探讨了智能运维如何借助大数据分析和机器学习算法,实现从被动响应到主动预防的转变,提升系统稳定性和效率的同时,降低了运维成本。通过实例解析,揭示智能运维在现代IT架构中的核心价值,为读者提供一份关于未来运维趋势的深刻洞察。 ###
100 10
|
1月前
|
机器学习/深度学习 数据采集 算法
大数据中缺失值处理使用算法处理
【10月更文挑战第21天】
44 3
|
1月前
|
分布式计算 Java 开发工具
阿里云MaxCompute-XGBoost on Spark 极限梯度提升算法的分布式训练与模型持久化oss的实现与代码浅析
本文介绍了XGBoost在MaxCompute+OSS架构下模型持久化遇到的问题及其解决方案。首先简要介绍了XGBoost的特点和应用场景,随后详细描述了客户在将XGBoost on Spark任务从HDFS迁移到OSS时遇到的异常情况。通过分析异常堆栈和源代码,发现使用的`nativeBooster.saveModel`方法不支持OSS路径,而使用`write.overwrite().save`方法则能成功保存模型。最后提供了完整的Scala代码示例、Maven配置和提交命令,帮助用户顺利迁移模型存储路径。
|
2月前
|
存储 算法 Java
Set接口及其主要实现类(如HashSet、TreeSet)如何通过特定数据结构和算法确保元素唯一性
Java Set因其“无重复”特性在集合框架中独树一帜。本文解析了Set接口及其主要实现类(如HashSet、TreeSet)如何通过特定数据结构和算法确保元素唯一性,并提供了最佳实践建议,包括选择合适的Set实现类和正确实现自定义对象的hashCode()与equals()方法。
40 4