Data Science e Artificial Intelligence vengono usate come sinonimi. In realtà, la Scienza dei Dati è un ambito estremamente ampio, che utilizza l’AI per generare previsioni, ma si concentra anche sulla trasformazione dei dati a supporto di analisi e visualizzazioni. Il problema sono le infrastrutture.
In questo contesto, l’inadeguatezza dei sistemi informativi mette sempre più in crisi i responsabili ICT e i data scientist in relazione alle richieste di analisi dei dati sempre più spinte provenienti dai manager: secondo IDC, il 77,1% di coloro che hanno attivato applicazioni AI sulla propria infrastruttura on-premise già esistente ha incontrato uno o più problemi.
AI e Machine Learning, infatti, spingono al limite le capacità dell’IT in termini di potenza di calcolo, storage, risorse hardware e gestione di dati estremamente eterogenei. Per valorizzare realmente i modelli d’Intelligenza Artificiale e Machine learning occorre implementare piattaforme di Data Science unificanti in grado di supportare non solo la grande varietà di tool utilizzati dagli specialisti, ma anche di accelerare la transizione degli algoritmi dalla fase di sviluppo all’ambiente di produzione e consentire il rilascio in ambienti multi cloud e ibridi, a seconda delle esigenze.
Questa eGuide, redatta da Digital360 in collaborazione con IBM, illustra le opportunità fornite da AI e Data Scienze e analizza le differenze tra le due tecnologie. Continuando la lettura scoprirete quali sono:
- i diversi ambiti e i nuovi orizzont della Data Science
- il modello gerarchico dei bisogni di un data scientist
- gli ambiti di formazione della scienza dei dati
- i vantaggi forniti da piattaforme di Data Science unificanti
