Indholdsfortegnelse:
Maskinlæring har været en af de største fremskridt i computerhistorien, og nu menes det at være i stand til at påtage sig betydelige roller inden for big data og analyse. Big data-analyse er en enorm udfordring set fra virksomhedernes perspektiv. F.eks. Kan aktiviteter såsom at give mening for enorme mængder af forskellige dataformater, dataforberedelse til analyse og filtrering af overflødige data bruge mange ressourcer. At ansætte dataforskere og specialister er et dyrt forslag og ikke inden for ethvert selskabs midler. Eksperter mener, at maskinlæring er i stand til at automatisere mange opgaver relateret til analyse - både rutinemæssigt og komplekst. Automatisering af maskinlæring kan frigøre en masse ressourcer, der kan bruges i mere komplekse og innovative job. Det ser ud til, at maskinindlæring har været på vej i den retning. (Se The Promises and Fallfall of Machine Learning) for at lære mere om brugen af maskinlæring.
Automation i sammenhæng med informationsteknologi
I forbindelse med it er automatisering sammenkobling af forskellige systemer og software, så de er i stand til at udføre specifikke job uden nogen menneskelig indgriben. I it-branchen kan automatiserede systemer udføre både enkle og komplekse job. Et eksempel på et simpelt job kunne være at integrere en formular med en PDF og sende dokumentet til den rigtige modtager, mens levering af en offsite-sikkerhedskopi kan være et eksempel på et komplekst job.
For at gøre sit job skal et automatiseret system programmeres eller gives eksplicitte instruktioner. Hver gang et automatiseret system kræves for at ændre omfanget af dets job, skal programmet eller instruktionssættet opdateres af et menneske. Mens automatiserede systemer er effektive på deres job, kan der opstå fejl på grund af forskellige årsager. Når der opstår fejl, skal grundårsagen identificeres og rettes. For at udføre deres job er automatiserede systemer helt afhængige af mennesker. Jo mere kompleks jobbet er, jo højere er sandsynligheden for fejl og problemer.
