Innehållsförteckning:
Maskininlärning har varit en av de största framstegen i datorhistoria, och nu tros den kunna ta betydande roller inom big data och analytics. Big data-analys är en enorm utmaning ur företagens perspektiv. Exempelvis kan aktiviteter som att känna till enorma volymer av olika dataformat, dataförberedelser för analys och filtrera redundant data konsumera mycket resurser. Att anställa datavetare och specialister är ett dyrt förslag och inte inom varje företags medel. Experter tror att maskininlärning kan automatisera många uppgifter relaterade till analys - både rutinmässiga och komplexa. Automatisering av maskininlärning kan frigöra en hel del resurser som kan användas i mer komplexa och innovativa jobb. Det verkar som att maskininlärning har gått i den riktningen. (För att lära dig mer om användningen av maskininlärning, se The Promises and Fallfalls of Machine Learning.)
Automation i samband med informationsteknologi
I samband med IT är automatisering koppling av olika system och programvara så att de kan utföra specifika jobb utan någon mänsklig intervention. Inom IT-branschen kan automatiserade system utföra både enkla och komplexa jobb. Ett exempel på ett enkelt jobb kan vara att integrera ett formulär med en PDF och skicka dokumentet till rätt mottagare, medan tillhandahållande av en säkerhetskopia på plats kan vara ett exempel på ett komplext jobb.
För att göra sitt jobb måste ett automatiserat system programmeras eller ges tydliga instruktioner. Varje gång ett automatiserat system krävs för att ändra omfattningen av sina jobb, måste programmet eller instruktionsuppsättningen uppdateras av en människa. Medan automatiserade system är effektiva på sina jobb kan fel uppstå av olika skäl. När fel uppstår måste grundorsaken identifieras och korrigeras. Uppenbarligen är automatiserade system helt beroende av människor för att göra sina jobb. Ju mer komplexa jobbet är, desto högre är sannolikheten för fel och problem.
