Преглед садржаја:
Машинско учење је било једно од највећих достигнућа у историји рачунарства, а верује се да сада може да преузме значајне улоге у области великих података и аналитике. Анализа великих података је огроман изазов из перспективе предузећа. На пример, активности попут смисла огромне количине различитих формата података, припрема података за аналитику и филтрирање сувишних података могу да троше пуно ресурса. Запошљавање научника и специјалиста за податке скупа је понуда, а не у оквиру сваке компаније. Стручњаци верују да је машинско учење способно да аутоматизује многе задатке повезане са аналитиком - и рутинском и сложеном. Аутоматско машинско учење може ослободити пуно ресурса који се могу користити у сложенијим и иновативнијим пословима. Чини се да машинско учење иде у том правцу. (Да бисте сазнали више о употреби машинског учења, погледајте Обећања и замке машинског учења.)
Аутоматизација у контексту информационих технологија
У контексту ИТ-а, аутоматизација је повезивање различитих система и софтвера, тако да су они у стању да раде одређене послове без икакве људске интервенције. У ИТ индустрији, аутоматизовани системи могу обављати и једноставне и сложене послове. Примјер једноставног посла може бити интегрирање обрасца с ПДФ-ом и слање документа исправном примаоцу, а пружање сигурносне копије ван мјеста може бити примјер сложеног посла.
Да би обавио свој посао, аутоматизовани систем мора бити програмиран или дати експлицитна упутства. Сваки пут када је од аутоматизованог система потребно да промени опсег својих послова, човек мора да ажурира програм или сет упутстава. Иако су аутоматизовани системи ефикасни на својим пословима, грешке се могу појавити због различитих разлога. Када се појаве грешке, потребно је идентификовати и отклонити основни узрок. Очигледно је да аутоматизовани системи да би радили свој посао потпуно зависе од људи. Што је сложенија природа посла, већа је вероватноћа грешака и проблема.
