沃卡惠1.如何成为一个IDO?
要成为一个IDO(insight-driven organization)，前提是要有数据以及操作和分析数据的工具;然后还要有一定经验的数据分析师或数据科学家;最后需要找到一种技术或者方法，在公司实施洞察力驱动的决策过程。
机器学习是能极大限度发挥数据优势的技术。机器学习流程是先运用数据训练预测模型，训练成功之后再处理与数据相关的问题。其中，人工神经网络是很有效的技术，它的设计构思来自现阶段我们对人脑工作方式的理解。考虑到我们现阶段拥有的巨大计算资源，它能通过大量数据训练产生让人难以置信的模型。
企业能用各种自助化软件和脚本完成不同的任务，来规避人为错误的情况。同样，你也完全能基于数据进行决策来规避当中的人为错误。
2.为什么企业在采用AI方面进展缓慢?
运用AI或机器学习来处理数据的企业仅是少数。美国人口普查局指出，截至2020年，只有不到10%的美国企业采用了机器学习。
采用机器学习的困难包括：
AI在取代人类之前还有大量工作没有完成。首先是很多企业缺少且请不起专业人员。数据科学家在这一领域备受推崇，但他们的雇佣成本也是极高的。
缺少可用数据、数据安全性以及耗时的机器学习算法实现。
企业很难创造一个环境，来让数据及其优势得到发挥。这种环境需要相应的工具、过程和策略。
3.机器学习的推广只有自动机器学习工具是不够的
自动机器学习平台虽然有着很光明的未来，但其覆盖面现阶段还相当有限，同时关于自动机器学习能否很快取代数据科学家的说法也有争论。
如果想要在公司成功部署自动机器学习，自助机器学习工具确实是至关重要的，但过程、方法和策略也必须重视。自助机器学习平台只是工具，大多数机器学习专家认为这是不够的。
4.分解机器学习过程
任何机器学习进程都从数据开始。我们普遍认为，数据准备是机器学习过程中最重要的环节，建模部分只是整个数据管道的一部分，同时通过自助机器学习工具得到简化。完整的工作流仍需要大量的工作来转换数据并将其提供给模型。数据准备和数据转换可谓工作中最耗时、最令人不愉快的部分。
另外，用于训练机器学习模型的业务数据也会定期更新。因此，它要求企业构建能够掌握复杂的工具和流程的复杂ETL管道，因此确保机器学习流程的连续和实时性也是一项具有挑战性的任务。
5.将机器学习与应用程序集成
假设现在我们已经构建了机器学习模型，然后需要将其部署。经典的部署方法将其视为应用层组件，如下图所示：
它的输入是数据，输出是我们得到的预测。通过集成这些应用程序的API来运用机器学习模型的输出。仅从开发者的角度来看，这一切似乎很容易，但在考虑流程时就不是那么回事了。在一个庞大的组织中，与业务应用程序的任何集成和维护都相当麻烦。即使公司精通技术，任何代码更改请求都必须通过多级部门的特定审查和测试流程。这会对灵活性产生负面影响，并增加整个工作流的复杂性。
如果在测试各种概念和想法方面有足够的灵活性，那么基于机器学习的决策就会容易得多，因此我们会更喜欢具有自助服务功能的产品。
6.自助机器学习/智能数据库?
正如我们上面看到的，数据是机器学习进程的核心，现有的机器学习工具获取数据并返回预测结果，而这些预测也是数据的形式。
现在问题来了：
为什么我们要把机器学习作为一个独立的应用程序，并在机器学习模型、应用程序和数据库之间实现复杂的集成呢?
为什么不让机器学习成为数据库的核心功能呢?
为什么不让机器学习模型通过标准的数据库语法(如SQL)可用呢?
让我们分析上述问题及其面临的挑战，来找到机器学习解决方案。
挑战#1：复杂的数据集成和ETL管道
维护机器学习模型和数据库之间的复杂数据集成和ETL管道，是机器学习流程面临的最大挑战之一。
SQL是极佳的数据操作工具，所以我们能通过将机器学习模型引入数据层来解决这个问题。换句话说，机器学习模型将在数据库中学习并返回预测。
挑战#2：机器学习模型与应用程序的集成
通过API将机器学习模型与业务应用程序集成是面临的另一个挑战。
业务应用程序和BI工具与数据库紧密耦合。因此，如果自助机器学习工具成为数据库的一部分，我们就能用标准SQL语法进行预测。接下来，机器学习模型和业务应用程序之间不再需要API集成，因为模型驻留在数据库中。
解决方案：在数据库中嵌入自助机器学习
在数据库中嵌入自助机器学习工具会带来很多好处，比如：
任何运用数据并了解SQL的人(数据分析师或数据科学家)都能利用机器学习的力量。
软件开发人员能更有效地将机器学习嵌入到业务工具和应用程序中。
数据和模型之间以及模型和业务应用程序之间不需要复杂的集成。
这样一来，上述相对复杂的集成图表变更如下：
它看起来更简单，也使机器学习过程更流畅高效。
7.如何实现自助式机器学习将模型作为虚拟数据库表
找到解决方案的下一步是来实施它。
为此，我们运用了一个叫做AI Tables的结构。它以虚拟表的形式将机器学习引入数据平台。它能像其他数据库表一样创建，然后向应用程序、BI工具和DB客户端开放。我们通过简单地查询数据来进行预测。
AI Tables最初由MindsDB开发，能作为开源或托管云服务运用。他们集成了传统的SQL和NoSQL数据库，如Kafka和Redis。
8.运用AI Tables
AI Tables的概念使我们能够在数据库中执行机器学习过程，这样机器学习过程的所有步骤(即数据准备、模型训练和预测)都能通过数据库进行。
训练AI Tables
首先，用户要根据自己的需求创建一个AI Table，它类似于一个机器学习模型，包含了与源表的列等价的特征;然后通过自助机器学习引擎自助完成剩余的建模任务。后文还将举例说明。
做预测
一旦创建了AI Table，它不需要任何进一步的部署就能用了。要进行预测，只需要在AI Table上运行一个标准SQL查询。
你能逐个或分批地进行预测。AI Tables能处理很多复杂的机器学习任务，如多元时间序列、检测异常等。
9.AI Tables工作示例
对于零售商来说，在适当的时间保证产品都有适当的库存是一项复杂的任务。当需求增长时，供给随之增加。基于这些数据和机器学习，我们能预测给定的产品在给定的日期应该有多少库存，来为零售商带来更多收益。
首先你需要跟踪以下信息，建立一张AI Table：
产品售出日期(date_of_sale)
产品售出店铺(shop)
具体售出产品(product_code)
产品售出数量(amount)
如下图所示：
（1）训练AI Tables
要创建和训练AI Tables，你首先要允许MindsDB访问数据。详细说明可参考MindsDB文档( MindsDB documentation)。
AI Tables就像机器学习模型，需要运用历史数据来训练它们。
下面运用一个简单的SQL命令，训练一个AITable：
让我们分析这个查询：
运用MindsDB中的CREATE PREDICTOR语句。
根据历史数据定义源数据库。
根据历史数据表(historical_table)训练AI Table，所选列(column_1和column_2)是用来进行预测的特征。
自助机器学习自动完成剩下的建模任务。
MindsDB会识别每一列的数据类型，对其进行归一化和编码，并构建和训练机器学习模型。
同时，你能看到每个预测的总体准确率和置信度，并估计哪些列(特征)对结果更重要。
在数据库中，我们经常需要处理涉及高基数的多元时间序列数据的任务。如果运用传统的方法，需要相当大的力气来创建这样的机器学习模型。我们需要对数据进行分组，并根据给定的时间、日期或时间戳数据字段对其进行排序。
例如，我们预测五金店卖出的锤子数量。那么，数据按商店和产品分组，并对每个不同的商店和产品组合作出预测。这就给我们带来了为每个组创建时间序列模型的问题。
这听起来工程浩大，但MindsDB提供了运用GROUP BY语句创建单个机器学习模型，来一次性训练多元时间序列数据的方法。让我们看看仅运用一个SQL命令是如何完成的：
创建的stock_forecaster预测器能预测某个特定商店未来将销售多少商品。数据按销售日期排序，并按商店分组。所以我们能为每个商店预测销售金额。
（2）批量预测
通过运用下面的查询将销售数据表与预测器连接起来，JOIN操作将预测的数量添加到记录中，因此我们能一次性获得很多记录的批量预测。
如想了解更多关于在BI工具中分析和可视化预测的知识，请查看这篇文章。
（3）实际运用
传统方法将机器学习模型视为独立的应用程序，需要维护到数据库的ETL管道和到业务应用程序的API集成。自助机器学习工具尽管使建模部分变得轻松而直接，但完整的机器学习工作流也仍然需要经验丰富的专家管理。其实数据库已经是数据准备的优选工具，因此将机器学习引入到数据库而非将数据引入机器学习中是更有意义的。由于自助机器学习工具驻留在数据库中，来自MindsDB的AI Tables构造能够为数据从业者提供自助自助机器学习并让机器学习工作流得以简化。
