Workday has mapped out 38 “future of work” use cases that leverage artificial intelligence (AI) and machine learning (ML) technologies. Bob Evans reviews the use cases.
Search Results: machine learning (819)
Machine learning comes with many benefits for cybersecurity, but cutting-edge bad actors are looking to exploit ML for their own gain. Chris Hughest explains how to fight “adversarial ML.”
In Ep. 73, Aaron Back explains how discussions and new product announcements at Celosphere 2022 highlighted the concept of digital twins and the power of artificial intelligence and machine learning.
No one likes challenges. Especially those coming from data housing environments, data access and data controls. What if one single tool can authorize access to files on an object store, like Amazon S3 through attribute-based access control (ABAC)?
Enter OkeraEnsemble: a combination of our world-class SQL data protection with direct file access, using a unified vendor-agnostic policy management system.
But wait, there’s more! Click below to learn and understand:
The Need For File Access Control
Introducing OkeraEnsemble
How OkeraEnsemble Can Help Your Organization
Okera sees industry challenges and delivers users with a best-in-class collaborative solution that offers control, simplicity, centralization and visibility. Register to download this whitepaper now.
Written by Alex Tokarev, Senior Director of Product at Okera.
Alex Tokarev has over 25 years of experience in developing and delivering high-scale big data analytics, operational intelligence, machine learning, and decision optimization solutions in the U.S. and international markets. Before joining Okera, Alex served as the Senior Director of Product Management at Clarabridge (acquired by Qualtrics), an industry-recognized AI-powered Customer Experience Management SaaS platform. Before that Alex was the Head of Product Management at Zoomdata (acquired by Logi Analytics), a business intelligence software company, specializing in Big Data and Real-time Streaming Analytics.
In Episode 27, Pablo Moreno talks about how the merging of these two entities combines the computational power of Altair with the accessible machine learning capabilities of RapidMiner.
In this Cybersecurity Minute, Aaron looks at Oracle Cloud’s new security features and the use of machine learning in cloud data threat assessment.
There is much value in machine learning and AI models—more specifically, how you use it and applying training data to it.
In this Enterprise AI Minute, Aaron explores the breakthrough in the development of machine learning models to predict an earthquake.
In this Enterprise AI Minute, Aaron discusses examples of how AI and machine learning can be used to help combat food waste.
Cybersecurity must evolve to meet unknown threats. Here’s how artificial intelligence and machine learning will transform cybersecurity.
In this Industry Cloud Battleground Week moment, Google Cloud reports how its AI and machine learning tools enable GE Appliances engineers to improve customer experiences.
SingleStore has set out to provide intelligent ecosystems to businesses with real-time analytics, AI, and machine learning.
According to Amazon CFO Brian Olsavsky, AWS is moving into the market for Industry Clouds with a specific focus on machine learning.
According to Hillery Hunter, VP & CTO at IBM, cloud is the primary vehicle for adopting artificial intelligence and machine learning
Hillery Hunter, VP & CTO of IBM, shares that the core of digital transformation is machine learning and artificial intelligence.
James Kelloway of National Grid ESO describes how they use machine learning and Oracle databases to predict and lower carbon footprints.
Explore the benefits of embracing Machine Learning and Artificial Intelligence to gain a competitive edge over other businesses.
Pinecone Systems is demonstrating the performance advantages of a vector database, powered by machine learning, such as IT threat detection.
Hay mucho material en internet sobre ‘las mejores 50 preguntas para entrevistar a un data scientist’ y similares. Le aseguro que cualquier candidato aspirante a data scientist ha leído y aprendido todas esas mismas preguntas y respuestas que probablemente usted le hará y espera, respectivamente.Tras observar y trabajar con muchos de estos profesionales de los datos -tanto entrevistados y contratados, como profesionales internos formados en disciplinas de datos- algunas conclusiones he obtenido. Al fin y al cabo, soy data scientist y aprendo con la observación y contrastación de datos y evidencias -como no podía ser menos-.Despues de haber entrevistado a muchos aspirantes a data scientist, asi así como haber entrenado a mas de 300 personas en ciencia de datos, me gustaría compartir mi experiencia en el proceso de contratacion, y algunas consideraciones adicionales.Cómo entrevistar a un data scientistLa mejor estrategia de entrevista a un candidato a data scientist es enfocarse en su habilidad de resolver problemas; no tanto en sus conocimientos técnicos, ni tampoco en su formación (que por supuesto tambien son necesarios). No digo con esto omitir preguntas técnicas – conceptos estadísticos, algoritmos y modelos, programación, etc.-, sino enfóquese en entender cómo razona el candidato para resolver problemas.Le aseguro que en la vida real el 90% de los problemas que tendrá que resolver como data scientist serán problemas aparentemente irresolubles.“Según estudios psicológicos, la resolución de escenarios absurdos mejora la creatividad y el análisis de patrones”No tenga inconveniente en platear al candidato escenarios absurdos e irreales, y preste atención a como razona el candidato su propuesta de resolver el problema. Quizá aporta una solución también absurda (prepárese para ello), pero si aporta una solución es mucho mas que no aportar nada.Una técnica que ha sido muy eficiente en mi experiencia es preparar una prueba al candidato, ver como la resuelve y pedirle que explique sus conclusiones. Es decir, en vez de realizar una ‘entrevista’ como tal, preparar una prueba con un set de datos, y solicitar al candidato que resuelva un objetivo en un tiempo requerido, y que explique sus conclusiones y resultados.Por ejemplo, si el candidato va a trabajar en un departamento de operaciones de cadena de suministro, se puede disponer de un set de datos en internet (hay cientos o miles disponibles) y pedirle que haga un modelo predictivo del tiempo de entrega de las mercancías, y que explique los resultados obtenidos. Deje que use el lenguaje de programación o el framework o las herramientas de su preferencia. Lo importante es que resuelva el problema, no enfocarse en las herramientas que usa para ello.¿Pero qué es y qué hace un data scientist?Un data scientist es un profesional capaz de resolver problemas operativos con datos; bien sea interpretando el pasado, diagnosticando las causas de eventos, o bien estimado el evento mas probable en el futuro. Además, un data scientist debe saber interpretar los resultados obtenidos de sus investigaciones, y lo que es más importante: debe ser capaz de explicar dichos resultados a cualquier audiencia -técnica o no-Exacto; un data scientist es un individuo versado tanto en conocimientos técnicos (estadística aplicada, programación, ingeniería de datos, inteligencia de negocios, etc.), como en habilidades blandas (comunicación, interpretación, pensamiento crítico, etc.). Y quizá, lo más importante y más escaso: debe conocer y entender el área operativa o de negocio donde va a desempeñar sus funciones. De no ser así, debe tener la habilidad de aprender rápidamente como opera la actividad donde desempeñará sus funciones de data scientist.Considere que no es lo mismo un data scientist que opera en recursos humanos, como otro que trabaja en marketing, o finanzas, o servicio técnico, u operaciones internas, o ingeniería, o farmacéutica, o producción industrial. Los datos son datos (estamos de acuerdo), pero el entorno es determinante por muchos matices que es necesario conocer.Fuente: businessoverbroadway.comLe aseguro que un buen data scientist no descansa hasta encontrar una solución ‘aparentemente imposible’ a problemas ‘aparentemente imposibles’. En la vida real, esto es más habitual de lo uno se imagina.Consideraciones de la organizaciónEs fundamental tener muy claro el objetivo de por qué necesitamos contratar un data scientist. Es decir, definir muy bien el alcance de nuestro problema de recursos humanos. Así mismo, es tanto o más importante, conocer el estado de la organización en el ciclo de madurez de la ciencia de datos.Menciono esto porque no siempre esta tan claro. He conocido gerentes que solo quieren contratar data scientists para dar una ‘imagen de modernidad digital y progreso’ frente a otros gerentes o departamentos, pero sin saber que trabajo se encomendara al futuro candidato. Conseguirá agotar al recurso humano y se ira a otro lugar tan pronto le sea posible.Por otro lado, hay organizaciones que están convencidas que están listas para aplicar Machine Learning o Inteligencia Artificial, pero realizan la mayoría de su reportería de manera manual (copiar-pegar) en hojas de calculo o en diapositivas; o lo que es peor, no tienen un sistema de bases de datos debidamente arquitectado u organizado.Para concluirAntes de contratar a un data scientist, evalúe seriamente reeducar a su personal existente y dotarlo de conocimientos técnicos relativos a ciencia de datos. Su personal existente ya conoce bien su cultura empresarial, los problemas mas habituales y saben bien lo que funciona y lo que no funciona en su organización. Esto es algo que puede llevar años a un data scientist.A lo largo de mis últimos 5 o 6 años de carrera profesional como data scientist, he tenido la ocasión de entrevistar laboralmente (o participar en entrevistas laborales de otros departamentos) a un buen número de candidatos a científico de datos; tanto individuos muy noveles (juniors) como experimentados (seniors).Además de esto, he tenido la gran dicha de entrenar a más de 500 compañeros de trabajo en ciencia de datos y analítica avanzada en los últimos 2 años. Profesionales de distintas áreas como finanzas, operaciones, marketing, contabilidad, recursos humanos, servicio al cliente, etcétera. P. J. MorenoSr Data Scientist
As a senior executive or CIO, how can you assure yourself that the artificial intelligence or machine learning-derived recommendations are reasonable and flow logically from the project work that has been performed?While you want to be supportive and encouraging of your team’s work, you don’t want to be misled inadvertently, and you want to confirm that the data science team hasn’t misled itself.