Innholdsfortegnelse:
Læring av maskiner har vært en av de største fremskrittene i databehandlingshistorien, og nå antas den å være i stand til å påta seg viktige roller innen big data og analytics. Big data-analyse er en enorm utfordring fra perspektivet til virksomheter. For eksempel kan aktiviteter som å gi mening om enorme mengder varierte dataformater, forberedelse av data for analyse og filtrering av overflødige data, bruke mange ressurser. Å ansette dataforskere og spesialister er et dyrt forslag og ikke innenfor ethvert selskaps midler. Eksperter mener at maskinlæring er i stand til å automatisere mange oppgaver relatert til analyse - både rutinemessige og komplekse. Automatisering av maskinlæring kan frigjøre mange ressurser som kan brukes i mer komplekse og innovative jobber. Det ser ut til at maskinlæring har gått i den retningen. (For å lære mer om bruk av maskinlæring, se The Promises and Fallfalls of Machine Learning.)
Automatisering i sammenheng med informasjonsteknologi
I forbindelse med IT er automatisering kobling av forskjellige systemer og programvare slik at de kan utføre bestemte jobber uten menneskelig innblanding. I IT-bransjen kan automatiserte systemer utføre både enkle og komplekse jobber. Et eksempel på en enkel jobb kan være å integrere et skjema med en PDF og sende dokumentet til riktig mottaker, mens det å tilby en sikkerhetskopi på stedet kan være et eksempel på en kompleks jobb.
For å gjøre jobben sin, må et automatisert system programmeres eller gis eksplisitte instruksjoner. Hver gang et automatisert system kreves for å endre omfanget av jobbene sine, må programmet eller instruksjonssettet oppdateres av et menneske. Selv om automatiserte systemer er effektive på jobbene sine, kan det oppstå feil på grunn av forskjellige årsaker. Når det oppstår feil, må grunnårsaken identifiseres og korrigeres. For å gjøre jobben sin er automatiserte systemer helt avhengige av mennesker. Jo mer kompleks jobben er, desto høyere er sannsynligheten for feil og problemer.
