科技云报道原创。
随着野蛮增长的时代远去，精细化和效率将是未来企业竞争的胜负手。
作为一座隐形的“金矿”，日益增长的数据规模为企业发展带来了崭新机遇。以数据为驱动的模式正备受企业重视，并且逐步从基本的可视化分析，向更高的智能化分析阶段持续进化。这个过程中，人工智能将全面落地在数据分析决策之中。
“增强分析（Augmented Analytics）”被视为数据分析与人工智能、机器学习结合的产物，这一概念于2017年由Gartner首次提出，并对其进行定义：增强分析是下一代数据和分析范式，它面向广泛的业务用户、运营人员和数据科学家，利用机器学习将数据准备、洞察发现和洞察共享等过程自动化。
这个概念刚开始比较模糊，后来逐渐清晰。直接到2021年，Gartner在发布的《Hype Cycle for ICT in China, 2021》中做了最新的定义：增强数据分析包括机器学习(ML)和人工智能(AI)，在统一的平台上提供数据管理和分析能力。它通过将ML和AI应用于现有的操作流程中，使数据管理和分析自动化，从而更有效地进行数据分析。它使更多的用户获得更深入的洞察力，减少了当前依赖IT处理所带来的效率问题和口径偏差。
大数据与机器学习的交汇点
大数据时代，基础数据的维度、数量、类型（结构化和非结构化）更大、更分散，企业要分析和探索的数据越来越复杂。另一方面能兼顾专业数据分析和业务洞察的人才少之又少，增强分析正是解决这一矛盾，让数据分析普惠所有业务用户的良药。
简单地说，增强分析可以理解为借助AI技术进行智能化、自动化的数据分析，挖掘数据价值，降低分析门槛，提高分析 。增强分析的实现过程可以简单概括为：通过培训未知数据和已知问题，最终列出各种可能性和影响因素，帮助用户加快和进行有效的数据分析。
“增强分析”并不是说让用户会写AI或者数据科学背后的一些代码，而是说如何把它封装好、让用户依旧用非常傻瓜、简单易用的形式，比如用拖拽、自然语言的方式，去进行更高级的数据分析。未来，我们将会越来越多地看到增强分析技术，赋能到大数据产业之中，能够让更多人以更低门槛进行更 的分析。
增强分析的特点是BI产品开发中最重要、最显著的发展趋势之一。当云生态系统也影响人们做出选择决策时，增强分析能力将成为区别普通分析平台和BI平台之间的关键因素。目前，增强分析正成为用户体验的一个重要部分，其优势包括以下几个方面：
数据准备速度增快。由于增强型数据准备可以更快地将多个数据源整合到一起，因此可以快速检测重复的操作、联接，加速获取见解和提高工作效率，从而生成完全数据自动化和高质量的建议，帮助提供个性化的用户体验。
分析偏差降低。增强型分析支持计算机执行通常用于数据分析工具的分析，通过对更大范围的数据执行操作并仅专注于统计意义因素，可以降低潜在的偏差。
信任度提高。用户和数据进行交互能够为机器学习算法提供线索，随着时间的推移，为用户提供的建议更加相关且准确，这些建议有助于获取用户的信任。
增强数据素养。通过提供对结果的自动化分析，用户可以用最少的工作量轻松地搜索见解和对见解进行可视化，从而增强数据素养。
节省更多时间。业务人员无需再花费时间收集和分析大量数据集，以及从分析结果中提取可行项，这样他们将有更多时间专注于高级业务策略和特殊项目。
增强分析三大关键技术能力
从技术角度看，增强分析相关的技术可以分为了三类：增强数据准备、增强数据分析和增强机器学习。
数据准备是数据分析的前提，也是最耗时的工作。数据准备通常包含数据探查、数据质量、数据模型、数据清洗等工作，涵盖了数据管理的各个方面，甚至还包括数据集成和数据仓库的管理。
增强数据准备主要通过两个方面来提升效率，一方面是可视化交互，通过拖拉拽的方式实现可视化的数据配置、数据源的混合以及数据清洗工作，让数据准备变得更加快捷。另一方面是算法辅助，利用ML和AI技术实现部分流程的自动化。例如自动查找数据之间的关系，对数据质量进行评估，推荐用于连接、丰富、清洗数据的最佳方法，还有自动查找元数据和血缘关系等功能。
增强数据分析无需建模和编写代码，帮助用户自动寻找数据规律，将相关结果自动转化为可视化图表，提高分析效率。增强数据分析的典型技术包括自动洞察(Automated Insights)和自动可视化(Automated Visualization)。自动洞察是增强分析的核心功能，但同样也是一个宽泛的概念。如今，大部分主流的BI平台都有自动洞察的相关功能，且方向各有不同，其目标是代替一部分分析师的工作，从数据中发现潜在信息和价值。自动可视化则是根据数据分析结果自动选择可视化的方式进行展示，与自然语言查询(NLQ)、自然语言生成(NLG)等技术配合，大大加快整个分析流程。
增强机器学习更加关注模型，比如特征工程、模型训练、模型部署、模型解释以及最后的模型监控和管理。与增强数据分析相比，增强机器学习面向的更多是数据科学家，通过算法将特征工程、模型选择与超参数优化，以及 神经网络结构搜索等机器学习过程中的关键步骤自动化，帮助数据科学家更高效地得到满意的模型。
这部分的核心技术就是自动机器学习AutoML。早期的AutoML研究起源于Meta Learning，早在上个世纪八十年代就被提出，数十年间，机器学习领域的相关研究主要集中在超参数优化。近年来随着 学习的广泛应用，Meta-Leaning领域在学术界又一次升温。同时，自动化特征工程、自动化模型评价等技术的研究和商业化也使得AutoML的概念覆盖到了机器学习的全流程。
如何打好大数据与机器学习的“组合拳”？
机器学习技术主要依赖三大因素，分别是算力、算法、数据。大数据技术所提供的能力是机器学习建模所需要的必然基础，同时机器学习为大数据技术提供更高的智能，为商业业务产生价值。大数据技术和机器学习技术本身就是互为因果。
虽然大数据与机器学习的融合看上去应用前景广阔，但目前许多企业客户还没有实现两者的融合。亚马逊云科技大中华区产品部总经理陈晓建认为，主要有三方面的原因。一是大数据和机器学习目前是分而治之的。他们本身技术发展路线是两条不同的路线，在很多企业这两个功能都是属于两个完全不同的团队来负责的，数据当然也放在不同的仓库里。二是数据处理能力不足，很多机器学习的团队不具备处理海量数据规模的能力。三是数据分析人员参与度低。
在大数据与机器学习领域，亚马逊云科技认为，要想帮助客户解决 数据分析的问题，就要实现大数据和AI从业务上以及用户需求上做 融合，企业要在云中要打造统一的数据基础底座，实现大数据和机器学习的“双剑合璧”，为企业发展提供创新引擎。为此，亚马逊云科技提供广泛而深入的服务，既能打通两个领域的数据治理底层服务，还能实现大数据与机器学习之间的相互赋能。
近日，亚马逊云科技宣布推出“云、数、智三位一体”的大数据与机器学习融合服务组合，帮助企业推进大数据和机器学习的融合，将机器学习由实验转为规模化落地实践。该服务组合具体涵盖三个方面，分别是：构建云中统一的数据治理底座，为机器学习提供生产级别的数据处理能力，以及赋能给业务人员更加智能的数据分析工具。
亚马逊科技助力机器学习由实验转为实践，为机器学习提供生产级别的数据处理能力，不仅专门构建大数据服务，对复杂的数据进行加工处理，而且针对数据规模的动态变化，及时优化数据质量。Amazon Athena能够对支持多种开源框架的大数据平台，包括Amazon EMR、高性能关系数据库Amazon Aurora、NoSQL数据库服务Amazon DynamoDB、Amazon Redshift等多种数据源，对这些数据源进行联邦查询，快速完成机器学习建模的数据加工。以Amazon Redshift、Amazon MSK和Amazon EMR为代表的无服务器分析能力，可以让客户无需配置、扩展或管理底层基础设施，即可轻松地处理任何规模的数据，为机器学习项目提供兼具性能和成本效益的特征数据准备。
虽然增强分析一定程度上改变了目前的数据分析模式，但并不意味着数据分析师和数据科学家变得不再重要。相反，这对数据科学家的专业能力提出了更高的要求，既要更多地着眼于企业数字化转型过程中数据价值的重新考量，又要追求极致的“精专主义”，毕竟简单的题目别人都会做了，留下来肯定都是硬骨头了。
来源：科技云报道
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与 无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
