數據科學民主化：數據科學家過去往往要準備幾個月的東西，數據嗅覺明銳的業務用戶只要幾天的時間就可以整合在一起。

那些想履行諾言，將機器學習用于數據分析的公司正在求助一個看似愛莫能助的老朋友。它們正在用人工智能對商業智能系統（主要是分析過去績效的領域）進行改進，使其報告功能具備預測的功能。

Symphony Post Acute Network就是這樣一個組織。該醫療公司在伊利諾斯州、印第安納州和威斯康星州的28家醫療機構中擁有5000張床位，它希望每年都能利用人工智能和機器學習改善護理，以惠及8萬從膝蓋手術或透析治療中康復的患者。例如，如果人工智能深挖患者的病歷根源可能會發現患者因跌到而危及生命的風險特別高，因此需要額外的預防措施。

如果這些有可能是個人數據點或細微數據模式的指標得以發現的話，它們就是機器學習的理想用例。但是建模并非易事。

Symphony的數據科學兼分析主管Nathan Patrick Taylor說：“人們連珠炮似地問我關于預測的問題。即使我把所有的時間都用來建模，我也分身乏術。”

因此公司聘請了兩名數據科學家。Taylor說：“而且他們身價不菲，但是我們并沒有因為他們的加入而得償所愿，這真是費力又燒錢。”

所以兩年前，Symphony開始另辟蹊徑，去找那些已經擁有機器學習模型并萬事俱備的供應商。現在，該公司用采用了數據倉庫中已收集的數據，用供應商DataRobot的基于云計算的人工智能引擎來發送數據，結果則以每隔三小時的頻率反饋回公司的Microsoft PowerBI儀表板。Taylor說：“我立即就明白了，我的首席信息官也明白了，我們驚訝極了。這看起來很神奇。”

今天，240名醫生和護士在PowerBI儀表板中獲得了預測和建議，他們可以通過平板電腦和智能手機查看這些儀表板。因此，例如，容易摔倒的患者會自動標有樓梯圖標。很可能再次入院的患者則標有救護車圖標。

將人工智能注入商業智能

Taylor說，云主機租用，再入院率對Symphony來說非同小可。醫院和保險公司會考察再入院率，每次再入院都會花掉公司13，500美元。他說：“這不是一筆小錢”

為了確定DataRobot的預測是否有用，Symphony最初只將DataRobot的反饋推廣到一部分設施，并進行了為期6個月的研究，以了解再入院率是否有差異。他說：“如果你能做到1%的變動，那你干得真漂亮。”

Taylor說，比率確實得到了改善——從21%下降到18.8%.他說：“這是一個顯著的進步，這贏得了我們的首席執行官的支持。”

如今，該公司開始用同樣的方式來考察與保險公司簽署的合同。他說：“如果我們不能很好地為服務計費，就會錯過很多利潤。”

初始安裝大約需要20個小時的時間，包括連接數據饋送和建立學習模型。現在，如果有人想要新類型的預測，一個全新的學習模型大約需要六到八個小時的時間才能建立起來，他說，在三個工作日的不同時段完成。

此外，他說現有模型可以隨時得到再訓練。例如，法規可能會發生改變，或者醫務人員可能會開始使用新程序。另外，一個模型可能會隨著時間而發生改變。Taylor每隔兩個月就重新訓練模型，或者每當有重大的政策轉變時就這么做。如果發生重大變化，那么學習模式可能只需要在新政策生效后提供的數據上進行培訓。

他說，管理系統不再需要訓練有素的數據科學家，但它確實需要具有統計基礎知識的人員。 Symphony還使用R代碼來架設模型。

DataRobot開箱即支持Python.據DataRobot的產品營銷總監Colin Priest稱，使用其它語言的客戶還可以使用任何能理解Rest API的語言（包括Java，C#，SAS，JavaScript和Visual Basic）來調用DataRobot Rest API.

人工智能的下一步是自助式服務

Forrester Research的副總裁兼首席分析師Boris Evelson說：“人工智能已經民主化。直到不久前，它還需要一名數據科學家來編寫代碼，現在，有了這些商業智能系統，我點擊幾個數據點就能選擇我要預測的變量，比如客戶的購買傾向，而且這些預測模型會自動生成。”

他說，過去需要數據科學專家數月才能完成的東西，現在理解數據并使用Excel的人幾天就可以整合在一起。

他說：“營銷人員正在利用這一點來預測客戶行為并據此采取行動，業務管理者正在使用它來考察和預測風險，供應鏈人員正在利用它來查看和優化物流。”

Forrester最近對全球決策者的調查稱，改進數據、分析或洞察平臺在人工智能技術的用例中位列三甲。所有主要的商業智能供應商（包括IBM，甲骨文和微軟）都致力于此。