盡管大數(shù)據(jù)分析技術(shù)取得了驚人的進(jìn)步，但我們?cè)诤艽蟪潭壬先孕枰謩?dòng)來(lái)完成重要任務(wù)，例如數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)管理。隨著數(shù)據(jù)量的增長(zhǎng)，手動(dòng)完成任務(wù)與自動(dòng)化產(chǎn)生的生產(chǎn)力差距越來(lái)越大，這使得以人工智能和機(jī)器學(xué)習(xí)為基礎(chǔ)的自動(dòng)化趨勢(shì)越來(lái)越有市場(chǎng)。機(jī)器學(xué)習(xí)可以幫助縮小這一差距嗎？

坦率地說(shuō)，數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)管理問(wèn)題頗具挑戰(zhàn)性。各行各業(yè)的公司都渴望將機(jī)器學(xué)習(xí)與他們的數(shù)據(jù)庫(kù)結(jié)合使用，以獲得競(jìng)爭(zhēng)優(yōu)勢(shì)。但是，數(shù)據(jù)不干凈、數(shù)據(jù)未集成、不可比較和不匹配的數(shù)據(jù)問(wèn)題層出不窮，使公司的大數(shù)據(jù)計(jì)劃陷入困境。

許多從事機(jī)器學(xué)習(xí)的數(shù)據(jù)科學(xué)家花費(fèi)了90％的時(shí)間來(lái)查找、集成、修復(fù)和清理其輸入數(shù)據(jù)。 人們似乎沒(méi)有意識(shí)到數(shù)據(jù)科學(xué)家不再是數(shù)據(jù)科學(xué)家，而是成為了數(shù)據(jù)集成商。

不過(guò)也有一個(gè)好消息，機(jī)器學(xué)習(xí)本身可以幫助機(jī)器學(xué)習(xí)。這個(gè)想法是利用算法的預(yù)測(cè)能力來(lái)模擬人類(lèi)數(shù)據(jù)處理。這不是100％完美的解決方案，但它可以幫助緩解工作強(qiáng)度，讓數(shù)據(jù)科學(xué)家轉(zhuǎn)向真正的創(chuàng)新工作。

您可以在任何你能買(mǎi)到的地方購(gòu)買(mǎi)ML，通過(guò)使用ML來(lái)來(lái)幫助您完成ETL的轉(zhuǎn)換部分。

轉(zhuǎn)換和管理數(shù)據(jù)

雖然它們?cè)谀承┓矫媸窍嗨频?，但是?shù)據(jù)管理和數(shù)據(jù)轉(zhuǎn)換之間有重要的區(qū)別。數(shù)據(jù)轉(zhuǎn)換是數(shù)據(jù)集成過(guò)程中的第一步，其目標(biāo)是將異類(lèi)數(shù)據(jù)轉(zhuǎn)換為通用的全局模式，組織可以提前制定該模式。自動(dòng)腳本通常用于將美元轉(zhuǎn)換成歐元，或?qū)⒂㈡^轉(zhuǎn)換成公斤。

轉(zhuǎn)換階段之后，分析人員開(kāi)始管理和分析數(shù)據(jù)。第一步通常涉及運(yùn)行“match／merge”函數(shù)來(lái)創(chuàng)建與相同實(shí)體對(duì)應(yīng)的記錄集群，例如將不同但拼寫(xiě)相似的名稱分組在一起。像“編輯距離”這樣的概念可以用來(lái)確定兩個(gè)不同實(shí)體之間的距離。

然后使用更多的規(guī)則來(lái)比較各種實(shí)體，以確定給定記錄的最佳值。公司可以聲明最后一項(xiàng)是最好的，或者使用一組值中的公共值，這樣就可以產(chǎn)生最佳數(shù)據(jù)。

幾十年來(lái)，這種通用的兩步過(guò)程已在許多數(shù)據(jù)倉(cāng)庫(kù)中使用，并且在現(xiàn)代的數(shù)據(jù)湖中繼續(xù)使用。但是，ETL和數(shù)據(jù)管理在很大程度上未能跟上今天的數(shù)據(jù)量以及企業(yè)面臨的挑戰(zhàn)規(guī)模。

例如，這需要預(yù)先定義一個(gè)全局模式，這阻礙了許多ETL的進(jìn)行，這些工作試圖集成更多的數(shù)據(jù)源。在有些時(shí)候，程序員無(wú)法跟上必須設(shè)置的數(shù)據(jù)轉(zhuǎn)換規(guī)則的數(shù)量。

如果您有10個(gè)數(shù)據(jù)源，您還可以這樣做，但是，如果您有10，000個(gè)，那就不太可能了。

顯然，這需要一種不同的方法。

在小型企業(yè)中，您可能可以提前創(chuàng)建全局?jǐn)?shù)據(jù)模式，然后在整個(gè)組織中強(qiáng)制使用它，從而省去了昂貴的ETL和數(shù)據(jù)管理項(xiàng)目的成本，一起放在數(shù)據(jù)倉(cāng)庫(kù)中。但是，在大型組織中，這種自上而下的方法不可避免地會(huì)失敗。

即使大型企業(yè)中的業(yè)務(wù)部門(mén)彼此非常相似，它們記錄數(shù)據(jù)的方式也會(huì)有微小的差異。這些微小差異需要加以考慮，然后才能對(duì)其進(jìn)行有意義的分析，這只是企業(yè)數(shù)據(jù)性質(zhì)的反映。

因此業(yè)務(wù)靈活性需要一定程度的獨(dú)立性，這意味著每個(gè)業(yè)務(wù)部門(mén)都建立自己的數(shù)據(jù)中心。

例如，以豐田汽車(chē)歐洲公司（Toyota Motor Europe）為例，該公司在每個(gè)業(yè)務(wù)國(guó)家都有獨(dú)立的客戶支持組織。該公司希望為250個(gè)數(shù)據(jù)庫(kù)中的所有實(shí)體創(chuàng)建一個(gè)主記錄，其中包含40種不同語(yǔ)言的3000萬(wàn)條記錄。

豐田汽車(chē)歐洲公司面臨的問(wèn)題是，ETL和數(shù)據(jù)管理項(xiàng)目的規(guī)模是巨大的，如果按照傳統(tǒng)方式進(jìn)行，將消耗大量的資源。該公司決定使用Tamr來(lái)幫助解決機(jī)器學(xué)習(xí)的挑戰(zhàn)，而不是數(shù)據(jù)轉(zhuǎn)換和使用數(shù)據(jù)管理過(guò)程。

ETL最大的問(wèn)題是已經(jīng)預(yù)先定義了全局模式，如何大規(guī)模地做到這一點(diǎn)是個(gè)問(wèn)題。需要使用機(jī)器學(xué)習(xí)進(jìn)行自下向上的匹配、自下而上地構(gòu)造目標(biāo)模式，從規(guī)模上看，這是唯一可行的方式。

這并不意味著機(jī)器學(xué)習(xí)提供了非常簡(jiǎn)單的方法來(lái)解決這些棘手的數(shù)據(jù)集成問(wèn)題。它仍然需要大量的數(shù)據(jù)和處理能力，您通常需要一個(gè)最優(yōu)秀的員工來(lái)幫助指導(dǎo)軟件獲得正確的數(shù)據(jù)分析結(jié)果與決策見(jiàn)解。

這樣來(lái)看的話，成本并不便宜，但這不是最重要的。但還有一個(gè)問(wèn)題是，不同的供應(yīng)商之間該如何選擇。不同國(guó)家或地區(qū)的供應(yīng)商提供的解決方案不同，而且出于一些宏觀因素，會(huì)出現(xiàn)不同的選擇。

出于安全考慮，這些數(shù)據(jù)問(wèn)題不能完全外包給其他公司，所以不要指望完全用機(jī)器學(xué)習(xí)來(lái)處理數(shù)據(jù)，人在其中的作用還是非常重要的。人與機(jī)器學(xué)習(xí)合作才能夠使您的數(shù)據(jù)集成和管理效率最大化。

審核編輯 黃昊宇