Bạn muốn kết nối với Eric Daimler? Liên hệ với anh ấy trên Linkedin!

Về Conexus: conexus được thành lập để giải quyết một trong những vấn đề lớn nhất đang gây ra cho phần lớn các doanh nghiệp ngày nay - nạn tràn dữ liệu. Mọi doanh nghiệp hiện nay là một doanh nghiệp dựa trên dữ liệu nhưng họ có rất ít phương tiện để quản lý dữ liệu một cách hiệu quả với thời gian và chi phí tối thiểu.

Giải pháp Conexus sử dụng phép toán mới được phát triển tại MIT để tạo ra các thuật toán mới thiết lập mối quan hệ giữa các bộ dữ liệu lớn, khác nhau, dẫn đến tích hợp dữ liệu liền mạch và khả năng tương tác, được thực hiện trong một khoảng thời gian ngắn với chi phí chỉ bằng cách thủ công rườm rà ngày nay các dự án tích hợp có thể mất nhiều năm và lãng phí hàng tỷ đô la.

Các câu hỏi và chủ đề chính từ Tập này:

(00: 54) Giới thiệu về Eric Daimler

(04: 47) Giới thiệu về Conexus

(06: 16) Conexus đã tham gia vào những loại trường hợp sử dụng nào?

(10: 14) Hệ thống AI là gì?

(14: 13) Các thành phần của hệ thống AI là gì

(18: 57) Ngành và khách hàng tập trung tại Conexus là gì

(21: 11) Bạn đã trải qua những thách thức nào khi đi thị trường?

(23: 30) Bạn đã thấy những xu hướng thị trường nào trong AI?

(27: 09) Hồ dữ liệu là gì?

(30: 12) Bước đầu tiên tốt nhất để các công ty sử dụng dữ liệu hiện có của họ là gì?

(33: 42) AI sẽ ảnh hưởng đến lực lượng lao động như thế nào?

Bảng điểm:

 - [Phát thanh viên] Bạn đang nghe IoT cho Mạng tất cả các phương tiện.

- [Ryan] Xin chào tất cả mọi người và chào mừng đến với một tập khác của podcast IoT cho tất cả trên IoT cho mạng tất cả phương tiện. Tôi là người dẫn chương trình của bạn, Ryan Chacon, một trong những người đồng sáng tạo ra IoT cho tất cả. Bây giờ, trước khi chúng ta bắt đầu tập này, xin đừng quên đăng ký trên nền tảng podcast yêu thích của bạn hoặc tham gia bản tin của chúng tôi tại iotforall.com/newsletter để xem tất cả các tập mới nhất ngay khi chúng ra mắt. Nhưng trước khi chúng tôi bắt đầu, doanh nghiệp của bạn có lãng phí hàng giờ để tìm kiếm các tài sản như thiết bị hoặc phương tiện và trả tiền cho nhân viên toàn thời gian chỉ để nhập dữ liệu vị trí và trạng thái theo cách thủ công? Bạn có thể nhận cập nhật trạng thái vị trí theo thời gian thực cho các tài sản trong nhà và ngoài trời với chi phí thấp nhất có thể với các giải pháp IoT end-to-end của Leverege. Để tìm hiểu thêm, hãy truy cập iotchangeseverything.com, đó là iotchangeseverything.com. Vì vậy, không cần quảng cáo thêm, hãy thưởng thức tập này của IoT cho tất cả podcast. Chào mừng Eric đến với IoT cho tất cả các chương trình. Tuần của bạn thế nào cho đến nay?

- [Eric] Mọi chuyện tốt đẹp, cảm ơn. Thật tốt khi được ở đây.

- [Ryan] Ừ, thật tuyệt khi có anh. Vì vậy, hãy bắt đầu điều này bằng cách yêu cầu bạn giới thiệu nhanh về bản thân với khán giả của chúng tôi, bất kỳ thông tin cơ bản nào, bất kỳ điều gì thú vị về loại lịch sử trong quá khứ của bạn trong không gian phù hợp với khán giả?

- [Eric] Chắc chắn rồi, tôi đoán tôi thường được biết đến với tư cách là người có thẩm quyền về AI vào năm cuối của chính quyền Obama. Tôi đã làm việc với Nhóm Cố vấn Khoa học mà tôi rất vui khi biết rằng giờ đây tôi đã được nâng lên một vị trí cấp nội các dưới chính quyền Biden. Đó là một nơi thú vị để đến lúc đó, và tôi chắc chắn rằng đó là một nơi thú vị để ở bây giờ. Tôi may mắn đã dành toàn bộ sự nghiệp của mình, hơn 20 năm với nhiều năng lực khác nhau xoay quanh AI là nhà đầu tư mạo hiểm trên Đường Sand Hill trong một thời gian. Tôi đã thành lập một số công ty. Và ngoài công việc ở Washington, tôi bắt đầu là một nhà nghiên cứu tại Đại học Washington, Seattle, tại Đại học Stanford, sau đó tại Đại học Carnegie Mellon, nơi tôi đang là giảng viên sau khi lấy bằng Tiến sĩ khoa học máy tính. Vì vậy, tôi đã nhìn nhận điều này từ nhiều góc độ khác nhau trong nhiều năm, và đó là góc nhìn mà tôi mang lại.

- [Ryan] Thật tuyệt vời, đó là một điều rất thú vị. Chúng tôi không có quá nhiều người có mối liên hệ với chính phủ, chẳng hạn như kinh nghiệm trong chính phủ, như bạn. Bạn có thể cho tôi biết thêm một chút về điều đó, mục tiêu của vai trò đó là gì và mục đích chung của vị trí đó là gì?

- [Eric] Chắc chắn rồi, Nhóm Cố vấn Khoa học là một bộ phận của Văn phòng Điều hành của Tổng thống liền kề với cánh phía tây, nơi thực sự là, bạn biết đấy, câu chuyện của Hollywood, tòa nhà rất lớn bên cạnh có Hội đồng An ninh Quốc gia , Hội đồng Chính sách Nội địa, đó là Văn phòng của Đệ nhất phu nhân, Văn phòng của Phó Tổng thống, Hội đồng Cố vấn Kinh tế, và sau đó là Văn phòng Quản lý Nhân sự có thể bao gồm lớn nhất về diện tích. Tất cả đều nằm trong vòng an ninh. Nó cũng có Nhóm Cố vấn Khoa học. Họ bắt đầu dưới thời Nixon để cung cấp lời khuyên khoa học về mọi thứ, từ không gian đến nước, các vấn đề trong khoa học đời sống và sau đó là ảnh hưởng ngày càng tăng xung quanh công nghệ thông tin. Vì vậy, một giám đốc công nghệ là một vai trò mới được thiết lập dưới thời chính quyền Obama và sau đó là một nhà khoa học dữ liệu trưởng với vai trò mới bắt đầu dưới thời chính quyền Obama. Tôi chỉ rất vui vì trong khoảng thời gian của mình là người có thẩm quyền về AI, các cơ quan có thẩm quyền về bảo mật máy tính và của tôi là về AI, tự động hóa và phần mềm và phần cứng, vì vậy nó đã chạm vào robot. Công việc cụ thể là nói một cách khiêm tốn thay mặt tổng thống để điều phối điều hành. Vì vậy, đây thực sự là một vấn đề lưỡng đảng. Đó rõ ràng là một vai trò phi đảng phái, nơi mọi người đều muốn số tiền thuế của chúng tôi được chi tiêu một cách hiệu quả và tất cả hàng triệu người làm việc trên khắp chính phủ Hoa Kỳ phối hợp thực hiện các sáng kiến ​​của họ trong nghiên cứu và triển khai. Vì vậy, tất nhiên, từ bộ nhà nước đến quốc phòng, đến các dịch vụ y tế và thần kinh con người và giao thông, họ nghĩ thế nào về AI? Họ nghĩ thế nào về người máy? Họ nghĩ như thế nào về việc thu thập dữ liệu của họ và việc sử dụng nó? Chúng ta cần nghiên cứu thêm ở đâu, ở đâu có lỗ hổng bảo mật, v.v. Vì vậy, tổng thống có quan điểm và nhiệm vụ của chúng tôi là truyền đạt điều đó.

- [Ryan] Điều đó nghe có vẻ hoàn toàn hấp dẫn và có lẽ là một môi trường rất thú vị để tham gia. Điều đó rất tuyệt. Vì vậy, hãy cho tôi biết thêm một chút về Connexus, công ty của bạn bây giờ. Hãy cho chúng tôi biết rõ ràng tất cả những gì bạn làm, trọng tâm ở đó, và sau đó, tôi cũng muốn nghe một chút về nền tảng về việc thành lập công ty, loại câu chuyện đằng sau nó và vấn đề hoặc cơ hội bạn nhìn thấy trên thị trường rõ ràng là đảm bảo công ty được bắt đầu.

- [Eric] Chắc chắn rồi, Connexus là một trong những câu chuyện hiếm hoi mà bạn sẽ nghe trong năm nay. Và đó là bởi vì khám phá thực sự nằm trong toán học để nói rằng, khi nghe MIT nói, Viện Công nghệ Massachusetts, viện sẽ nói rằng đây là lần đầu tiên xuất hiện từ khoa toán của họ. Đó, đúng, đó là một tuyên bố. Vì vậy, mặc dù tôi đã dành thời gian là một nhà khoa học máy tính và mặc dù tôi đã dành thời gian cho AI, nhưng điều này là ngược dòng so với điều đó. Nó thậm chí còn cơ bản hơn từ đó. Có một điểm nghẽn xung quanh việc tận dụng hoàn toàn AI và đó là trong việc thu thập và tích hợp dữ liệu. Dữ liệu có cấu trúc, dữ liệu phi cấu trúc, chỉ tất cả các loại dữ liệu. Và điều này được sinh ra từ nhu cầu đó.

- [Ryan] Ồ, được rồi, gotcha, rất tuyệt. Vì vậy, hãy nói thêm một chút với chúng tôi về vai trò của tất cả các bạn trên thị trường, các trường hợp sử dụng, bất cứ thứ gì tương tự mang lại cho chúng ta một số ví dụ thực tế về các giải pháp mà bạn đã tham gia phát triển và cách công nghệ của bạn và hình thức chào bán của bạn đóng một vai trò nào đó trên thị trường.

- [Eric] Ở mức độ trừu tượng, bạn có thể nghĩ rằng một công ty có bảng cân đối kế toán vô hạn, đó là một giấc mơ và những người rất thông minh đến từ bất kỳ nơi nào cũng có thể tạo ra một cơ sở hạ tầng CNTT tối ưu. Đây có thể là những gì một số người nghe có thể tưởng tượng hoặc họ đi để làm gì, khách hàng của họ có thể nghĩ họ đi vì điều gì. Và đó không phải là cách thực tế diễn ra. Bởi vì thực tế là các công ty đang tìm cách triển khai những gì cần thiết cho hoạt động kinh doanh của họ vào bất kỳ thời điểm cụ thể nào. Không ai thực sự có thể nhìn thấy nhiều năm. Họ không biết công ty của họ sẽ phát triển như thế nào. Vì vậy, trong một trường hợp cụ thể, chúng tôi đã làm việc với một công ty chia sẻ chuyến đi lớn. Công ty chia sẻ chuyến đi này có bảng cân đối kế toán vô hạn hiệu quả và một số người cực kỳ thông minh. Tuy nhiên, họ hoàn toàn không có một cơ sở hạ tầng CNTT lý tưởng. Cơ sở hạ tầng CNTT đó trong trường hợp cụ thể của họ đã lớn lên một khu vực pháp lý theo thẩm quyền. Bất kỳ ai khác có thể nghĩ về điều này theo từng bộ phận hoặc theo nhu cầu của khách hàng, điều này là theo thành phố. Vì vậy, công ty chia sẻ chuyến đi cụ thể này sẽ xem xét thành phố Los Angeles và muốn nói rằng, tôi muốn làm một trường hợp kinh doanh về tỷ lệ so với mức độ hài lòng của người viết, hoặc thời tiết so với sự hài lòng của người lái xe, bất kỳ loại phân tích kinh doanh nào mà thuật toán AI của một người có thể sinh ra. Nhưng để họ làm được điều đó, họ có thể làm được thành phố Los Angeles và sau đó họ sẽ phải thực hiện một phép so sánh thống kê với thành phố San Diego. Họ không thể làm được toàn bộ bang California, chưa nói đến toàn bộ Bắc Mỹ hay toàn thế giới. Điều này làm ảnh hưởng đến các quyết định kinh doanh của họ. Nó cũng làm chậm các quyết định kinh doanh của họ. Vì vậy, họ đã triển khai giải pháp của chúng tôi trông thực sự khắp thế giới, làm thế nào để giải quyết vấn đề này? Làm cách nào để chúng tôi tích hợp hàng trăm cơ sở dữ liệu này thành một để đưa ra các quyết định kinh doanh tốt hơn, nhanh hơn, chính xác hơn và bạn biết đấy, thực sự đại diện cho khả năng đáp ứng mà chúng tôi tìm kiếm. Và câu trả lời là họ phải tìm kiếm cơ bản hơn là giải pháp khoa học máy tính. Vì vậy, một số thính giả của bạn có thể quen thuộc với RDF và OWL, đó là những giải pháp vào đầu những năm 2000 để cố gắng đối phó với tình trạng hàng ngày mà chúng ta thường đọc trên báo chí, sự tăng gấp đôi dữ liệu sau mỗi khoảng thời gian ngắn rất đáng kinh ngạc. của thời gian. Điều đó tiếp tục nhưng đó là một thất bại vì nó thực sự không mở rộng. Nó chỉ không theo kịp với kích thước của cơ sở dữ liệu ngày nay. Vì vậy, điều này sẽ được lật khắp thế giới. Họ đã tìm thấy chúng tôi và nhờ họ cho biết, chúng tôi là giải pháp duy nhất có sẵn để họ tích hợp toàn bộ dữ liệu của họ vì chúng tôi may mắn được công nhận là người đi đầu trong lĩnh vực phần mềm doanh nghiệp tận dụng khám phá đặc biệt này trong toán học.

- [Ryan] Tuyệt vời, đúng vậy, ý tôi là, trường hợp sử dụng cùng với câu chuyện về việc ra khỏi MIT với tư cách là công ty đầu tiên từ lĩnh vực toán học là hoàn toàn hấp dẫn. Tôi không nghĩ rằng trừ khi tôi nói chuyện với bạn hôm nay, tôi đã có thể biết điều đó hoặc thậm chí là một vị khách. Bạn chỉ cần giả định với điều này, MIT cao cấp mà các doanh nghiệp khác đã được xây dựng từ khía cạnh toán học. Vì vậy, điều đó thực sự thú vị và chúc mừng tất cả những thành công mà các bạn đã đạt được cho đến nay.

- Cảm ơn.

- [Ryan] Vì vậy, tôi muốn đưa điều này lên mức cao hơn một chút ở đây trong một giây và xem liệu bạn có thể nói chuyện với khán giả của chúng tôi một chút về hệ thống AI nói chung hay không. Loại hệ thống AI, ý nghĩa của nó là gì, hoặc có một hệ thống AI, cách thức hoạt động của hệ thống AI, chỉ cần ít kỹ thuật hơn và nhiều loại hơn theo thuật ngữ của người dân chỉ là những gì khi mọi người nghe về nó và tại sao nó quan trọng.

- [Eric] Bạn biết đấy, tôi nghĩ thật tuyệt khi đi sâu vào câu hỏi đó, cảm ơn vì đã hỏi nó. Điều quan trọng là tất cả chúng ta đều tham gia vào cuộc trò chuyện xung quanh AI này và không chỉ nghĩ rằng nó dành cho những người như tôi lớn lên trong tầng hầm trước máy tính, bạn biết đấy, nó dành cho tất cả mọi người. Và thuật ngữ này thật buồn cười vì nó bắt đầu xuất hiện mà mọi người nghĩ rằng nó không thực sự tồn tại, không có trí tuệ nhân tạo thực sự và tôi thấy thật khó hiểu, cái mà chúng ta thường gọi là AI tổng quát so với AI chuyên biệt. Nhưng những sự khác biệt này, chúng thực sự không quan trọng đối với 99% chúng ta, những người không phải là nhà nghiên cứu AI hàng ngày. Tôi thấy rằng những định nghĩa này hữu ích hơn nếu chúng ta chỉ xem xét những gì hữu ích cho sự tồn tại hàng ngày của ai đó. Và tôi thích nhìn lại từ đầu. Vậy dữ liệu được thu thập như thế nào? Nó được cảm nhận như thế nào? Chương trình này là về Internet of Things. Đây là dữ liệu từ Internet of Things đó. Bạn biết đấy, máy rửa bát của tôi bằng cách nào đó được kết nối với internet vì một lý do nào đó nên nó thu thập dữ liệu, nó để bảo trì và đó là tập hợp dữ liệu từ các nguồn khác nhau. Nó có thể là LIDAR trên đầu xe, nó có thể là chất lượng không khí trong những căn phòng chúng ta đang ở, đó được gọi là bộ sưu tập dữ liệu, dữ liệu cảm biến. Và sau đó dữ liệu đó được chuyển sang suy nghĩ, lập kế hoạch, nhận thức, chúng ta có thể nói. Đó là nơi AI truyền thống sẽ sống và nếu chúng ta thực sự muốn có được pedantic, chúng ta có thể nói rằng thuật ngữ phổ biến của học máy là một tập con của AI và thuật ngữ phổ biến của học sâu là một tập con của học máy, vì vậy không có học máy. AI, nhưng điều đó không hữu ích cho 99% chúng ta, những người không phải là nhà nghiên cứu AI. Và chúng ta có thể mở rộng điều đó xa hơn, chúng ta có cảm nhận, chúng ta có kế hoạch, nhưng sau đó chúng ta phải hành động. Chúng ta phải làm gì đó với dữ liệu. Vì vậy, nếu chiếc xe ô tô tự động của tôi kết hợp với nhau, thu thập dữ liệu từ LIDAR, sau đó xử lý trong toàn bộ hệ thống của nó bên trong xe, Sau đó nó phải quyết định xem thứ ở phía trước nó có phải là bóng không, là người qua đường hay không, có phải là người không. và các hành động là gì, nếu nó nên chậm lại, nếu nó nên đợi cho đến khi nó thu thập thêm thông tin hoặc nếu nó chỉ nên tiếp tục với tốc độ như cũ vì bất kỳ lý do gì, đó là một hành động. Vì vậy, bạn có ý thức, lập kế hoạch, hành động, và sau đó là điểm độc đáo của AI, vì vậy nó không chỉ là nhiệt kế từ những năm 1970, nó học hỏi từ kinh nghiệm, học hỏi từ kinh nghiệm. Vì vậy, nó sẽ bắt đầu tìm hiểu. Giờ đây, các hệ thống AI không học hỏi một cách tự nhiên. Và đây gần như là một sự hiểu nhầm hoặc hiểu sai về việc học là gì. Chiếc xe ô tô tự động của tôi sẽ không đi xuống phố tại một ngã tư, nhìn thấy lối đi qua đường đó lần thứ một nghìn và đột nhiên bắt đầu phun ra tiếng Quan Thoại. Nó không học tiếng phổ thông, phải không? Thật buồn cười khi tôi nói theo cách đó, rõ ràng như vậy nhưng mọi người lại hiểu sai điều này. Nó trở thành một người lái xe tốt hơn trên ngã tư đó, trên ngã tư đó. Bây giờ, các kiến ​​thức sau đó có thể được đưa trở lại nhà sản xuất và nhà sản xuất có thể sử dụng nó như việc học để tăng hiệu quả của các thuật toán nói chung, nhưng bản thân chiếc xe sẽ chỉ học được điểm giao nhau đó.

- [Ryan] Thật tuyệt. Và khi nói đến tất cả các thành phần và bộ phận khác nhau tạo nên một hệ thống AI, bạn sẽ nói cái nào là quan trọng nhất và loại thực sự thúc đẩy sự thành công của một hệ thống AI khi nó được triển khai?

- [Eric] Khi tôi theo học ngôn ngữ học máy tính trong một số năm và tôi nhận thấy rằng có một động lực nhất định diễn ra rộng rãi hơn trong công nghệ thông tin nói chung. Và đó là ý tưởng về làn sóng công nghệ và sau đó là làn sóng ứng dụng công nghệ. Vì vậy, chúng tôi sẽ học các kỹ thuật học máy mới và sau đó chúng tôi áp dụng chúng vào ngôn ngữ và tất cả chúng tôi thực sự hào hứng và có một số đột phá và sau đó chúng tôi sẽ đạt đến giới hạn của điều đó và sau đó phải quay lại nghiên cứu ngôn ngữ một lần nữa, ngữ nghĩa , ký hiệu học, cú pháp, những gì bạn có, và sau đó một làn sóng công nghệ mới sẽ xuất hiện và chúng tôi sẽ áp dụng điều đó một lần nữa. Tôi nhận thấy điều tương tự với AI và thậm chí có thể là phần mềm doanh nghiệp, nơi nếu bạn nhìn vào hệ thống là AI mà chúng ta chỉ phân biệt ý thức, lập kế hoạch, hành động, chúng ta có thể nói rằng nhiều công nghệ mà chúng ta hiện đang sống sâu trong cơ sở hạ tầng của chúng ta thế giới, các sản phẩm từ các công ty như Oracle và Microsoft và thậm chí cả Salesforce ở một mức độ nào đó, đó là những sản phẩm thực sự sáng tạo cách đây 20 năm, 30 năm trước, 40 năm trước, phải không? Nhưng thay vào đó, sự đổi mới đã được cảm nhận ở phía người tiêu dùng, nơi từng là kẻ tụt hậu nhưng giờ đây, chúng ta có một số thiết bị công nghệ tuyệt vời dành cho người tiêu dùng, nhưng giờ đây phần mềm doanh nghiệp đang thực sự tụt hậu. Vì vậy, tôi có thể nói rằng toàn bộ hệ thống chỉ chuẩn bị cho một số phát triển mới cực kỳ thú vị. Đặc biệt, khi chúng ta bắt đầu cuộc trò chuyện này, hãy xem trước các thuật toán học. Vì vậy, có rất nhiều vật phẩm có vẻ kỳ diệu xuất hiện từ việc học sâu trong trường hợp protein của DeepMind xuất hiện, chúng xứng đáng nhận được tất cả những lời khen ngợi mà bạn thấy trên báo chí phổ biến. Một trong những công ty mà tôi ngồi trong hội đồng quản trị, Petuum, họ có một bộ sản phẩm AI tuyệt vời có thể dân chủ hóa ứng dụng của nó trong các ngành công nghiệp. Nhưng đối với nhiều nhà đầu tư mạo hiểm, họ sẽ thất vọng với lợi nhuận trong lĩnh vực đó bởi vì nút thắt cổ chai là ngược dòng từ đó. Có rất nhiều dữ liệu được thu thập không được sử dụng, dữ liệu tối.

- Hấp dẫn.

- [Eric] Có rất nhiều dữ liệu tồn tại trong các cơ sở dữ liệu này không được kết hợp đầy đủ với nhau. Việc tái cấu trúc cơ sở dữ liệu, giữ nguyên ngữ nghĩa trong khi cấu trúc thay đổi là nơi mà sự nghiệp sẽ chết. Những năm được đầu tư, hàng trăm triệu đô la, đó thực sự là nơi mà sự vôi hóa của các ngành công nghiệp cũ bắt đầu xuất hiện, và đó là những gì tôi muốn nói là một nơi thú vị để xem xét. Điều này nằm sâu trong hệ thống ống nước của thế giới chúng ta và cách nó hoạt động. Nó làm suy yếu một số hệ thống hậu cần của chúng tôi. Và có lẽ tôi có thể kể một câu chuyện về điều đó. Trong giai đoạn đầu của cuộc khủng hoảng COVID, chúng tôi đã làm việc với một công ty hậu cần. Bạn đọc tin tức gần đây về con tàu container lớn đó đã đi, nó sẽ đi ngang, nó đi theo đường chéo trong Kênh đào Suez. Chà, những con tàu bạn đã đọc có hàng nghìn, thậm chí hàng chục nghìn container trên đó và có hàng nghìn con tàu này trên khắp thế giới. Và chúng tôi khó có thể tưởng tượng được rằng khi một trong những khách hàng của chúng tôi hay đúng hơn là một trong những khách hàng của chúng tôi, mỗi khách hàng có hàng chục nghìn nhân viên và hàng nghìn con tàu với hàng chục nghìn container đó, họ không biết ngay lập tức công cụ của họ ở đâu. Họ muốn hỏi một câu hỏi kinh doanh, đồ của tôi đâu? Và vì vậy trong những ngày đầu của cuộc khủng hoảng COVID, thiết bị bảo vệ cá nhân ở đâu? PPE của tôi ở đâu? Và nó nên đến San Diego hay Santiago, nhưng tôi thậm chí không biết nó ở đâu. Một lần nữa, lý tưởng nhất là câu hỏi kinh doanh đó sẽ được trả lời trong vài giờ, thay vì mất nhiều ngày. Nói cách khác, đó là một câu hỏi đắt giá. Vì vậy, chúng tôi giúp giải quyết vấn đề đó, tích hợp cơ sở dữ liệu để đưa ra các quyết định kinh doanh nhanh hơn, rẻ hơn và cho phép hoạt động kinh doanh trở nên linh hoạt hơn như một ví dụ khác về việc kết hợp dữ liệu với nhau. Đó là một nơi thú vị để xem xét.

- [Ryan] Vâng, hãy để tôi hỏi từ quan điểm của người nghe, bạn tập trung vào loại công ty, cá nhân, tổ chức, ngành nào, nếu có, và đồng thời, ai là người lắng nghe sẽ khiến hợp lý nhất để tiếp cận và thu hút bạn nếu họ quan tâm đến việc hiểu rõ hơn về công việc bạn làm và cách thức cung cấp của bạn có thể hoạt động với những gì họ đang làm, chẳng hạn như họ có cần phải ở một giai đoạn phát triển? Họ có cần phải tập trung vào một loại vấn đề nào đó không? Điều đó thường xử lý như thế nào đối với bạn, chẳng hạn như sự tương tác của khách hàng điển hình và bất kỳ lời khuyên nào dành cho những người rõ ràng rất bị thu hút bởi cuộc trò chuyện này và muốn kết nối theo cách đó?

- [Eric] Chà, đối với chúng tôi với tư cách là một công ty, chúng tôi thường làm việc với các công ty lớn hơn có cơ sở hạ tầng dữ liệu phức tạp, những công ty có hàng nghìn bảng, hàng chục nghìn bảng, đôi khi nó được đo bằng kích thước của cơ sở dữ liệu, petabyte dữ liệu, nhưng đó thực sự là sự phức tạp của tập dữ liệu. Bạn có thể nói rằng nó không đồng nhất về mặt vật lý nhưng các mô hình dữ liệu là đồng nhất. Đó là một kịch bản tuyệt vời mà chúng tôi có thể cung cấp giá trị nhanh nhất. Đặc biệt trong môi trường Microsoft SQL, đó là một nơi tốt để tìm kiếm lợi nhuận nhanh nhất. Nhìn chung, tôi có thể đưa ra hướng dẫn cho những người xung quanh về công nghệ nền tảng để thính giả của bạn chỉ nghe trong các môi trường khác, đó là sự khám phá ra lý thuyết phạm trù. Vì vậy, toán học phân loại là nhánh của toán học cung cấp năng lượng cho những gì chúng ta làm. Chúng tôi không phải là công ty duy nhất sẽ làm điều này, chúng tôi không phải là công ty duy nhất ngày nay làm được điều đó nhưng chúng tôi chỉ là những người đi đầu trong lĩnh vực phần mềm doanh nghiệp tận dụng lợi thế đó. Nhưng lý thuyết phạm trù như một nhánh của toán học là toán học của thế kỷ 21. Đó là nơi tôi gợi ý mọi người nên nhìn tổng thể về bản thân họ, cho công ty của họ, cho con cái của họ. Bạn có thể nói càng nhiều toán càng tốt. Nhưng trong 10 hoặc 20 năm nữa, giải tích, hình học, lượng giác, sẽ giống như nói tiếng Latinh với nhau.

- [Ryan] Gotcha, được rồi, thú vị. Bây giờ, tôi muốn lấy các chủ đề chuyển đổi ở đây trong một giây và nói thêm một chút về thời điểm tất cả các bạn tiếp cận thị trường và hình thức thành lập công ty, một số thách thức lớn nhất mà tất cả các bạn đã thấy khi quảng bá là gì và giáo dục thị trường về giá trị của những gì bạn đang làm? Có điều gì bạn nói nổi bật với bạn rằng đó là một thử thách tương đối đáng chú ý không và các bạn đã vượt qua điều đó như thế nào?

- [Eric] Vâng, vấn đề đối với chúng tôi là chúng tôi cạnh tranh với việc không làm và chúng tôi cạnh tranh với thủ công. Vì vậy, nếu bạn nhìn vào doanh thu của một số công ty tư vấn lớn và không, tôi không chỉ nói về Deloitte, Accenture, McKinsey, bạn có gì, mà hãy nhìn vào Tata, Wipro, TIPCO, những công ty đó đã tăng trưởng doanh thu của họ ngay trong phù hợp với tốc độ tăng dữ liệu. Những công ty đó tồn tại là do vấn đề này trong khả năng tương tác dữ liệu, bởi vì quy trình đó là thủ công kinh khủng bằng cách sử dụng các công cụ như Informatica hoặc Ab Initio, bản thân họ là những công ty tốt, nhưng đó là một quy trình thủ công khủng khiếp tìm cách tự động hóa. Nhưng nếu một công ty đã lớn lên với quy trình kinh doanh này mà chỉ đưa ra quyết định thông qua các thao tác thủ công, bạn có thể biết rằng đó không phải là nỗ lực, không đáng để mạo hiểm, vì vậy đó là một thách thức. Ngay cả lợi ích 10 lần chuẩn hoặc thậm chí 100 lần lợi ích có thể là một số liệu gây hiểu lầm nếu những gì bạn đang cạnh tranh là một quy trình kinh doanh nhất định. Và bạn có thể biết điều này bằng trí tuệ, tôi biết điều này bằng trí tuệ, tôi đã dạy điều này vì lòng tốt. Nhưng tận mắt chứng kiến, thật buồn cười khi thấy trong thực tế bản chất của các tổ chức lớn là không ai có thể làm gián đoạn quy trình kinh doanh, mà không ai muốn thay đổi quy trình làm việc của họ, đó là một bài học để rút ra.

- [Ryan] Tôi hoàn toàn hiểu điều đó. Thật tuyệt, thật tuyệt. Tôi muốn khi chúng ta đang nói về những thách thức đó, tôi đoán rõ ràng là với kinh nghiệm và kiến ​​thức sâu rộng của bạn về thị trường trong nhiều năm, bạn đang xem xu hướng lớn nhất trên thị trường hiện tại là gì vì nó liên quan đến AI và thậm chí là IoT cho một số vấn đề?

- [Eric] IOT Tôi nghĩ đang bị hiểu sai về tác động của nó. Bản thân nó không phải là việc thu thập thêm dữ liệu mà đó là giá trị, mà đó là mối quan hệ giữa các dữ liệu. Vì vậy, không phải, chúng tôi đã làm việc với công ty tiện ích này ở Châu Âu có các nhà máy gió. Tôi đến để biết rằng có năm công ty cối xay gió lớn trên thế giới. Họ nhiều hơn nhưng có năm công ty chiếm hơn 90% thị trường cho các nhà máy điện gió. Bây giờ những nhà máy gió đó đối với bạn và tôi chỉ thú vị trong phạm vi chúng cung cấp năng lượng. Họ là năng lượng xanh, điều đó tốt. Nhưng chúng tôi không quan tâm đến sắc thái nhưng có những cảm biến trên những chiếc cối xay gió đó sẽ phát hiện nhiệt độ. Đó là bốn độ C. ở Châu Âu. Dự kiến ​​đó là gió 40 hải lý, đó là dữ liệu, phải không? Vì vậy, đó là dữ liệu, chúng tôi đang cảm nhận, cảm nhận, lập kế hoạch, hành động, học hỏi từ kinh nghiệm. Vì vậy, chúng tôi đang cảm nhận dữ liệu, thu thập dữ liệu, điều đó thật tuyệt, nhưng điều gì có giá trị hơn nhiều và điều gì là duy nhất đối với một công ty, đây là nơi mà mọi công ty đang trở thành một công ty dữ liệu, là kiến ​​thức duy nhất mà một công ty sẽ có được khi nhiệt độ là 40 độ C và dự báo sẽ có gió XNUMX hải lý, sau đó sẽ có điều gì đó xảy ra. Điều gì đó có thể xảy ra, có khả năng bị đóng băng, có hiệu suất tăng lên trên cối xay gió, có thời gian bảo trì ngắn hơn khi bạn, những gì đã xảy ra, bất cứ điều gì, đó là kiến ​​thức, đó là giá trị. Việc thu thập dữ liệu nhiều, ít giá trị hơn nhiều. Đó là kiến ​​thức từ các mối quan hệ của dữ liệu, sự chia sẻ kiến ​​thức, đó là tương lai. Và sau đó tiến thêm một bước nữa, đó là các khuôn mẫu trong các mối quan hệ của tri thức, đó là những người sẽ làm chủ tương lai.

- [Ryan] Điều đó rất có ý nghĩa. Ý tôi là, chúng ta nói rất nhiều ở đây về khả năng các công ty thu thập dữ liệu theo những cách mà họ chưa thể thu thập dữ liệu trước đây do sự tiến bộ của công nghệ liên quan đến IoT. Nhưng cách tiếp cận của bạn thật thú vị bởi vì và điều này rất có ý nghĩa đó là việc thu thập dữ liệu đang trở nên tầm thường hơn một chút và đó thực sự là những gì bạn làm với dữ liệu đó, cách bạn diễn giải dữ liệu, các quyết định bạn đưa ra trên dữ liệu đó, về cơ bản, kiến ​​thức như bạn đang nói là thứ quyết định giá trị và sự thành công của toàn bộ quá trình thu thập dữ liệu. Và đó rất, đó là một cách tuyệt vời để giải thích điều bạn đang nói bởi vì nó chưa thực sự được giải thích theo cách đó cho khán giả của chúng tôi, tôi không nghĩ là muộn.

- [Eric] Vâng, các mô hình, các lược đồ, đó là nơi mà mọi công ty sẽ thu được giá trị. Tôi nói rằng mọi công ty đều là một công ty AI bởi vì rất nhiều thứ khác đang trở thành hàng hóa. Cho dù bạn là một công ty công ích hay bạn là một công ty khai thác mỏ hoặc một loại công ty vận chuyển hoặc hậu cần, nhiều hàng hóa vật chất đang trở thành hàng hóa. Và giống như chúng ta đang nói, việc thu thập dữ liệu đó có thể trở thành hàng hóa, nhưng các mối quan hệ, kiến ​​thức mới trở thành mục tiêu.

- [Ryan] Gotcha, một câu hỏi tôi muốn hỏi là, nó không thực sự liên quan nhưng đó chỉ là một thuật ngữ tôi nghe thường xuyên và tôi không chắc liệu khán giả của chúng tôi có hiểu đầy đủ về nó không 'vì chúng tôi không đề cập nhiều đến nó. Nhưng các hồ dữ liệu, bạn có thể nói thêm một chút về các hồ dữ liệu là gì và loại mục đích của chúng là gì cũng như cách nhìn tổng thể của bạn về chúng?

- [Eric] Đúng vậy, các hồ dữ liệu đang cố gắng bù đắp cho những thất bại của kho dữ liệu. Bây giờ, rất nhiều thuật ngữ tôi không thích bởi vì giống như chúng ta đã bắt đầu nói về AI, bản thân các thuật ngữ có thể có ý nghĩa cụ thể nhưng cách giải thích của các thuật ngữ mới thực sự quan trọng. Vì vậy, tôi sẽ nói trong hồ dữ liệu ý nghĩa của nó là ma thuật. Tôi sẽ tập hợp tất cả dữ liệu của mình ở một nơi. Vì vậy, có một ví dụ trước đó trong cuộc khủng hoảng COVID nơi một c3.ai nhận được rất nhiều báo chí để tạo một hồ dữ liệu về thông tin COVID. Nhưng thực sự những gì họ đã làm là họ chỉ mang mọi thứ lại với nhau về cơ bản trên một ổ cứng.

- [Ryan] Được rồi, được rồi.

- Không, nó không làm cho phân tích của bạn nhất thiết phải hữu ích hoặc khả dụng hơn, tôi đoán tôi sẽ nói vậy, nó không làm cho nó khả dụng hơn. Bởi vì khi một người đang cố gắng thực hiện phân tích, đưa ra các quyết định kinh doanh tốt hơn, tất cả dữ liệu của bạn cần được tích hợp. Không có AI mà không có dữ liệu tích hợp. Tôi sẽ chỉ nói lại rằng, không có AI mà không có dữ liệu tích hợp. Bạn phải có dữ liệu được tích hợp đầy đủ. Nếu bạn có dữ liệu mà bạn đã thu thập nhưng nó chỉ nằm xung quanh bằng cách nào đó, đó là dữ liệu tối. Thật tệ, đúng không? Vì vậy, data lake là một nỗ lực đầu tiên nhằm thu thập tất cả dữ liệu về cơ bản trong một ổ cứng lớn, một hồ lớn và sau đó chúng tôi sẽ lo lắng về việc tích hợp sau. Chúng tôi sẽ để các nhà khoa học dữ liệu thực hiện tích hợp của họ sau. Nhưng đó là câu châm ngôn để mặc cho các nhà khoa học dữ liệu thực hiện công việc. Nhưng phần khó không nhất thiết phải sử dụng các thuật toán học ngày càng phức tạp này, mà nó thực sự là thu thập và tích hợp dữ liệu. Đó là phần khó, đó là phần thủ công, đó là phần mất nhiều năm. Nó cần có sự cam kết từ ban lãnh đạo cấp cao và thật không may, ngày nay nó cần đến nỗ lực thủ công của nhiều công ty tư vấn đang tiêu tốn hàng chục triệu đô la trong thời gian dài. Vì vậy, hồ dữ liệu là một nỗ lực để giải quyết các kho hàng. Bây giờ nó đã trở thành một lỗi nhỏ. Vì vậy, các hồ dữ liệu đưa ra khái niệm về dữ liệu hiện tại, chúng được gọi là gì, những ngôi nhà trong hồ. Và rất ít hòn đảo dữ liệu tích hợp trong một hồ dữ liệu. Nhưng thuật ngữ yêu thích của tôi là đầm lầy dữ liệu ban đầu hoặc hoán đổi dữ liệu bởi vì, bạn biết đấy, chúng chỉ là, nó chỉ là một mớ hỗn độn. Nó chỉ là một mớ dữ liệu hỗn độn. Bạn thực sự không làm gì cả. Bạn nghĩ rằng bạn đã làm điều gì đó, bạn đã hành động, nhưng bạn thực sự không tiến bộ. Như tôi nói, đó là một cách nói hay.

- [Ryan] Vì vậy, nếu tôi là một người lắng nghe hoặc một công ty có nhiều dữ liệu, nhiều dữ liệu tối mà họ chưa thực sự làm được gì, thì bước đầu tiên tốt nhất về cách tích hợp và bắt đầu thực sự là gì sử dụng nó theo cách bạn đang tư vấn?

- [Eric] Vâng, tôi sẽ đưa ra một vài lời khuyên xung quanh vấn đề này. Và điều tổng quát hơn là bạn cần bắt đầu phát triển kỷ luật với tư cách là một con người và với tư cách là một tổ chức để suy nghĩ cụ thể hơn về nơi dữ liệu của bạn sống, chắc chắn dữ liệu đến từ đâu và sau đó nó sẽ đi đến đâu. Vì vậy, bất kỳ ý tưởng nào bạn có, và điều này đến từ kinh nghiệm của tôi trong chính phủ nhưng nó áp dụng cho bất kỳ tổ chức lớn hơn nào. Bất kỳ ý tưởng nào bạn có đều phải có cơ sở trong cơ sở dữ liệu của bạn. Điều này thật buồn cười đối với một anh chàng AI khi nói điều này bởi vì, nhưng đây là nơi có giới hạn. Dữ liệu đến từ đâu? Nó sẽ được lưu trữ ở đâu? Nó sẽ đi đến đâu? Bạn cần phải suy nghĩ theo những thuật ngữ rất cụ thể. Nếu tôi nghĩ về bất kỳ thất bại chính sách công nào, nhưng điều này cũng đúng với những thất bại trong kinh doanh, nơi những mầm mống đó nằm trong cơ sở dữ liệu không nói chuyện với nhau. Vì vậy, bạn cần phải suy nghĩ thật cụ thể, dữ liệu này sống ở đâu? Những định dạng nào hoặc đây là dữ liệu trực tiếp ở đâu? Chúng tôi sẽ tích hợp dữ liệu đó trong khoảng thời gian nào? Và tôi chỉ có thể kể một câu chuyện về mức độ nguy hiểm của vấn đề này. Vì vậy, chúng tôi đang làm việc với một chuỗi bệnh viện lớn ở Đông Bắc Hoa Kỳ, một chuỗi bệnh viện có thương hiệu. Một tổ chức này, một tổ chức có các định nghĩa khác nhau về bệnh tiểu đường. Và bạn nghĩ, cái gì, điều đó nghe có vẻ kỳ lạ. Tôi không hoàn toàn hiểu điều đó. Bệnh tiểu đường chỉ là, tôi có thể xem trên Wikipedia và nó có vẻ như là một định nghĩa khá nhất quán, phải không?

- Đúng.

- [Eric] Nhưng đó là họ chưa nghĩ với tư cách là một tổ chức chính thức về cách mà họ có thể đồng ý về định nghĩa. Vì vậy, một bộ phận có thể có mục đích sử dụng riêng cho việc thu thập dữ liệu của họ và đã đồng ý về cơ bản rằng bệnh tiểu đường có, không, bệnh tiểu đường, họ có mắc bệnh không? Nhưng thay vào đó, một bộ phận khác của cùng một tổ chức có thể nói rằng bệnh tiểu đường, cách đây bao lâu, nó bắt đầu từ khi nào? Và một phần khác của tổ chức có thể là từ những người có thiện chí nghĩ rằng, tôi sẽ không chỉ nói có, không, hoặc nó bắt đầu từ khi nào, tôi sẽ nói bệnh tiểu đường, tình trạng tồi tệ như thế nào và chúng ta đang điều trị như thế nào. nó? Và tất cả có thể nằm trong một cột dữ liệu được gọi là bệnh tiểu đường. Bạn có thể làm điều tương tự trước ngày bắt đầu mà điều này xảy ra trong tổ chức của chúng tôi. Ngày bắt đầu, điều đó có nghĩa là gì? Ngày bắt đầu khi tôi phát hiện lần đầu tiên, ngày bắt đầu khi tôi bắt đầu điều trị, ngày bắt đầu khi bắt đầu hợp đồng hoặc khi bắt đầu liên hệ, ngày bắt đầu và nếu tôi muốn chia bảng đó thành một cái gì đó có ý nghĩa hơn, đó thực sự là một quá trình rất khó khăn và có thể dẫn đến thất bại thảm khốc. Ngân hàng Mizuho là một ngân hàng của Nhật Bản vì chính xác loại vấn đề mà anh ấy đã khiến tất cả các máy ATM của họ bị hỏng trong một ngày. Tất cả tài khoản khách hàng của họ ngừng hoạt động trong một ngày. Đó là lỗi của cơ sở dữ liệu sản xuất và nói chung là xung quanh các vấn đề tái cấu trúc cơ sở dữ liệu này.

- [Ryan] Nó rất có ý nghĩa, thật tuyệt vời. Cảm ơn bạn đã chia sẻ những thông tin chi tiết đó vì tôi nghĩ rằng rất nhiều người ngoài kia họ đang bắt đầu cuộc hành trình này đang hiểu phần thu thập dữ liệu nhưng phần tiếp theo là hiểu cách sử dụng dữ liệu chứ không chỉ để dữ liệu của họ ở trạng thái im lặng. Tôi nghĩ rằng họ có thể sử dụng rất nhiều sự trợ giúp và lời khuyên, vì vậy tôi đánh giá cao điều đó. Khi chúng ta kết thúc ở đây, tôi có một vài câu hỏi cuối cùng. Một là nhận xét của rất nhiều người mới hoặc chỉ nghe nói về AI, xem nó trong phim, xem nó trên các chương trình truyền hình, đại loại là các bạn nói về nỗi sợ hãi trong tương lai về việc AI sẽ thay thế con người. Và tôi rất muốn nếu bạn có thể đưa ra suy nghĩ của mình về loại chủ đề đó và cách bạn thấy câu nói đó là đúng hay sai và những gì bạn xem là tương lai của AI vì nó liên quan đến tương tác với con người.

- [Eric] Tôi nhận được câu hỏi này mỗi khi tôi gặp một Dân biểu mới khi tôi ở Washington và tôi, có rất nhiều cách khác nhau để giải quyết nó. Ý tưởng là AI sẽ không phải là một điều không tưởng và nó sẽ không phải là một sự lạc hậu. Nó sẽ ở đâu đó ở giữa và đâu ở giữa là tùy thuộc vào chúng ta. Ở giữa như thế nào sẽ là cách chúng ta tham gia vào cuộc trò chuyện này. AI có thể được coi là một sự gia tăng, nó có thể được coi là một cách tổng quát hơn như một sự tự động hóa. Và tự động hóa đã thay thế con người miễn là chúng ta có các công cụ, thực sự. Và chúng tôi không thực sự rơi nước mắt đối với các nhà giao dịch trái phiếu kho bạc đã mất việc vì máy học, phải không? Chúng ta có thể đồng cảm hơn một chút với những người điều hành tổng đài điện thoại hoặc những người điều hành thang máy. Bạn nhớ rằng chúng ta đã có những người vận hành thang máy bằng tay trước khi cha mẹ của chúng ta được sinh ra, có thể là trước khi cha mẹ của chúng ta được sinh ra. Và bạn biết những nhà điều hành thang máy đó đã ra đời và những chiếc thang máy đó trở nên tự động hóa. Mọi người quan tâm đến thang máy. Và để lôi kéo mọi người vào thang máy để họ an toàn, người ta đã đưa âm nhạc vào thang máy. Đó là nơi chúng tôi có thuật ngữ âm nhạc thang máy, làm cho nó có vẻ an toàn và dễ chịu, tôi sẽ là một phần của quá trình tự động hóa này. Vì vậy, tự động hóa có thể đáng sợ. Ngày nay có gì khác, điều gì đã thay đổi, tại sao ngoài thuật ngữ trí tuệ nhân tạo, điều này lại có gì khác biệt, đó là công nghệ kỹ thuật số về bản chất của nó không hoạt động, không hoạt động, không hoạt động. Và sau đó khi nó hoạt động, nó hoạt động tốt vô hạn. Nó có quy mô vô hạn. Vì vậy, đó là sự thay đổi đột ngột khi công việc đã bị thay đổi trước đây, người ở tổng đài điện thoại có thể sống bằng nghề nghiệp của họ hoặc trên thị trường trái phiếu có thể ít hơn, nhưng những sự nghiệp đó vẫn tiếp tục tồn tại, chỉ là mọi người sẽ không đi vào công việc mới. Điều khác biệt ngày nay là ngay khi công nghệ kỹ thuật số hoạt động, sự nghiệp đó có thể kết thúc sau một hoặc hai năm hoặc ít hơn, bất cứ điều gì. Dự đoán của tôi về vận tải đường bộ tự động, điều mà mọi người thường nói về vận tải đường dài của bạn, là công việc đó thực sự sẽ tốt hơn trước khi nó trở nên tồi tệ. Bởi vì vận tải đường dài thực sự là một công việc kinh khủng và ngay cả những người làm công việc đó cũng biết vì họ xa gia đình trong một thời gian dài nhưng có những người làm việc trên Peloton, không phải công ty, Peloton của xe đạp hoặc Peloton của công ty vận tải đường bộ, nhưng khái niệm của Peloton là từ đạp xe. Peloton của xe bán tải có thể cho phép người lái xe tải đường dài đi những quãng đường dài và trở về nhà nhanh hơn để tạo ra một mối quan hệ ổn định hơn trong trải nghiệm cuộc sống thú vị hơn cho chính họ khi họ là những người lái xe tải đường dài. Điều đó sẽ xảy ra làm cho công việc tốt hơn rất lâu trước khi công việc đó bị loại bỏ. Trong các lĩnh vực khác, tôi sẽ nói một vài điều. Một là chúng tôi không thể nói, chúng tôi không biết liệu tôi có thách thức bất kỳ ai trong năm 2000 đã dự đoán không phải điện thoại thông minh hay không, mọi người có thể dự đoán chung một chiếc điện thoại thông minh trông như thế nào nhưng những tác động của một chiếc điện thoại thông minh để tạo ra một nghề nghiệp được gọi là nhà phát triển ứng dụng chứ đừng nói đến mọi thứ sau đó. Không ai có thể dự đoán nhà phát triển ứng dụng là con đường sự nghiệp. Nó chỉ là không, nó không thể chấp nhận được, chúng tôi có thể nói. Và tôi đã giới thiệu một công việc mới. Công việc mới là của một nhà bản thể học. Bây giờ, đây không phải là nhà bản thể học giống như triết học mà tất cả đều nói về bản thể tự nhiên và tất cả những gì từ trường học. Nhưng Amazon hiện có 12 nhà bản thể học, 12 nhà bản thể học chuyên nghiệp và họ sẽ thuê thêm 12 nhà bản thể học nữa vào năm 2021. Nếu bạn nhìn vào một số công ty khoa học đời sống, hãy đến Pfizer, Amgen, bất cứ điều gì, họ đang thuê các nhà bản thể học và các nhà bản thể học nắm bắt kiến ​​thức về tổ chức. Họ là những chuyên gia tìm ra cách nắm bắt kiến ​​thức. Đó là một nghề nghiệp mới đang nổi lên và nó được trả lương khá cao, nhưng đó là điều mà không ai trong chúng ta có thể dự đoán được kể cả XNUMX năm trước. Và đó là những gì tôi đề nghị sẽ xảy ra. Những gì chúng ta có thể làm là đáp ứng với tương lai này. Đừng cố gắng dự đoán nó quá nhiều, nhưng hãy thiết lập cuộc sống của chúng ta để ứng phó với những gì sắp xảy ra.

- [Ryan] Đó là một cách tuyệt vời để kết thúc điều này bởi vì tôi hoàn toàn hiểu được nơi bạn đến, nó rất có ý nghĩa. Tôi nghĩ rằng rõ ràng là có rất nhiều nỗi sợ hãi đối với những người không có đủ thông tin để thực sự hiểu giá trị và mục đích của AI, và họ chỉ giả định rằng nó sẽ dẫn đến việc con người mất việc ở những nơi như bạn đã đề cập. , nếu chúng ta thực sự nhìn lại rất nhiều công nghệ này tạo ra nhiều việc làm mới, những điều mà chúng ta không bao giờ mong đợi cho đến khi nó xảy ra. Vì vậy, tất cả những hiểu biết của bạn, chúng thật tuyệt vời. Niềm đam mê bạn dành cho chủ đề này thật đáng kinh ngạc. Tôi nghĩ khán giả của chúng ta sẽ thực sự thích tập này. Điều cuối cùng tôi muốn làm là chỉ dành vài giây cuối cùng ở đây chỉ tạo cơ hội chia sẻ nếu ai đó ngoài kia đang lắng nghe và muốn tìm hiểu thêm về Connexus, tìm hiểu thêm về những gì tất cả các bạn làm, những gì bạn đang có ' có khả năng đang tìm kiếm khả năng tham gia vào một loại mối quan hệ nào đó, cách tốt nhất mà họ có thể thực hiện để làm điều đó là gì?

- [Eric] [email được bảo vệ] Đó là Connexus, tiếng Latinh nexus để tham gia, conexxus.com. Và tôi là Eric Daimler trên tất cả các địa điểm thông thường trên web.

- [Ryan] Tuyệt vời, chúng tôi chắc chắn sẽ liên kết điều đó khi chúng tôi giới thiệu điều này với khán giả của mình. Eric, cảm ơn bạn rất nhiều vì đã dành thời gian. Đó là một cuộc trò chuyện tuyệt vời và cảm ơn một lần nữa vì đã ở đây.

- [Eric] Đó là một thời gian tốt, Ryan.

- [Ryan] Được rồi, mọi người, cảm ơn một lần nữa vì đã tham gia cùng chúng tôi tuần này trên podcast IoT cho Tất cả. Tôi hy vọng bạn thích tập này. Và nếu bạn đã làm vậy, vui lòng để lại xếp hạng hoặc đánh giá cho chúng tôi và đảm bảo đăng ký podcast của chúng tôi trên bất kỳ nền tảng nào bạn đang nghe chúng tôi. Ngoài ra, nếu bạn có một vị khách mà bạn muốn xem trong chương trình, vui lòng ghi chú cho chúng tôi tại ryan.iotforall.com và chúng tôi sẽ làm mọi cách để họ trở thành khách mời nổi bật. Ngoài ra, một lần nữa, cảm ơn bạn đã lắng nghe và hẹn gặp lại bạn lần sau.

PlatoAi. Web3 được mô phỏng lại. Khuếch đại dữ liệu thông minh.

Nhấn vào đây để truy cập.

Nguồn: https://www.iotforall.com/podcasts/e122-artifining-intelligence-systems-ai