将大数据分析转变为可操作信息

一个有着10多年历史的功能，被重新包装和炒作为人工智能，表明在对认知计算的理解方面出现了混淆。这其中的一部分原因是人们缺乏对什么是人工智能、机器学习、深度学习和其它形式 "认知计算" 的理解，以及对监督和无监督变量的论据。
这种炒作与痛苦的现实形成了鲜明对比，现实是很多企业收集到的大量数据甚至没有被分析或利用，从而无法提供有价值的信息，不能被工程师和分析人员用其来生成可执行的信息。
过程数据分析
虽然许多先进技术 (包括人工智能)可用于数据分析应用程序，但大数据分析的重点不应放在技术上。相反CONTROL ENGINEERING  China版权所有，重点应该放在用户体验上，以及如何将信息加速应用到过程优化中。
重点应该放在精通这一领域的专家（SME）——过程工程师、数据分析专家等，以及他们在数据中寻找信息的能力上。不管数据分析应用程序中使用的是什么技术，目标始终是让没有太多数据科学专业知识的用户能够访问和实施该解决方案。
设计良好的数据分析应用程序，应该使行业专家能够获取相应的信息。当数据分析应用程序挖掘其它功能时，应该在过程专家可以访问的易于使用的功能环境中实现这些创新。
数据分析应用程序应该使用可用的技术帮助最终用户获得成功。如果采用的是机器学习或人工智能，那很好，但数据分析应用程序不应仅限于这些功能，或其它为了市场炒作而限制其他功能。有许多算法和创新技术，都可以为想要挖掘数据洞察力的用户提供帮助。
算法功能可以包括为了进行数据清理的数字信号处理、过程信号中的形状检测以及分布式计算的Map-reduce模型。无论是调用机器学习、人工智能、还是其它算法，都不是重点。重点是帮助最终用户更快地获得成功。