Analitik tertambah: Perbedaan antara revisi

* Penemuan data tertambah (''augmented data discovery'', yang sebelumnya disebut "''smart data discovery''"), yang sebelumnya disebut "''smart data discovery''"), yang memungkinkan pebisnis dan ''data scientist'' menggunakan pemelajaran mesin untuk secara otomatis menemukan, membayangkan, dan menceritakan penemuan yang relevan (seperti korelasi, pengecualian, penyaringan, hubungan dan prediksi) tanpa membuat model atau menulis algoritma. Pengguna menjelajah data menggunakan visualisasi, teknologi pencarian dan bahasa alami, didukung oleh narasi yang dihasilkan oleh bahasa alami untuk interpretasi hasil. Hasil tersebut dapat dianalisis oleh ''data scientist'' tanpa gagasan yang terbentuk sebelumnya untuk pembuatan prototipe awal dan pengembangan hipotesis dengan eksperimen yang tidak terlalu manual. Oleh karena itu, ''data scientistsscientist'' dapat memiliki banyak waktu untuk fokus membangun dan mengoperasikan model yang relevan <ref name=":0" />.

Visualisasi merupakan cara yang ampuh untuk menemukan dan mengkomunikasikan pola dalam data (lebih dari tabel atau daftar). Namun, visualiasi tidak selalu menyoroti temuan yang signifikan secara statistik. Untuk itu, diperlukan interpretasi pengguna atau analisis statistik lebih lanjut untuk menentukan apakah temuan tersebut relevan, signifikan, dan dapat ditindaklanjuti. Terlebih lagi, menemukan wawasan dari analitik lanjut memerlukan keahlian dari ahli ''data scientist'' yang sangat langka <ref name=":0" />.

=== ''Augmented Analytics ''===

Pada platform penemuan data berbasis visual, eksplorasi manual interaktif menggunakan visualiasi merupakan fitur pendefinisinya. Sedangkan, pada ''augmented analytics'', otomatisasi pembelajaran mesin pada penemuan wawasan dan proses eksplorasi merupakan fitur pendefinisinya. Alat tersebut memungkinkan pengguna dan ahli ''data scientist'' untuk menemukan , memvisualisasikan, dan menarasikan temuan yang relevan, seperti korelasi, pengecualian, pengelompokan, dan prediksi secara otomatis tanpa harus membangun model atau menulis [[Algoritme|algoritma]]. Pengguna mengeksplorasi data melalui visualisasi, teknologi pencarian dan ''natural language query'', didukung oleh narasi dan interpretasi yang dihasilkan oleh bahasa alami berbasis teks dan suara, atau temuan yang paling penting secara statistik dalam konteks pengguna <ref name=":0" />.

== Alur Kerja ''Augmented Analytic ''==

Saat ini, dalam bidang analitik, ahli ''data scientist'' ataupun analis melakukan aktivitas berulang yg terdiri dari: menyiapkan data, menemukan pola pada data dan membangun model, membagi dan mengoperasikan penemuan dari data. Pendekatan ''augmented analytics'' mempercepat waktu yang diperlukan untuk mendapatkan wawasan akurat bagi pengguna bisnis dan menambah analisis mereka menggunakan algoritma pembelajaran mesin untuk mengotomatisasikan 3 proses analitik utama yang saat ini digunakan pada platform penemuan data berbasis visual <ref name=":0" />.

Daripada analis secara manual menguji semua kombinasi data, maka diimplementasikan secara otomatis algoritma untuk mendeteksi korelasi, segmen, kelompok, outlier, dan relasi pada ''augmented analytics''. Hanya hasil yang paling signifikan dan relevan secara statistiklah yang akan ditampilkan pada pengguna dalam bentuk visualisasi cerdas yang dioptimalkan untuk interpretasi pengguna. Menerapkan berbagai algoritma pada data secara paralel mengurangi risiko akan kehilangan wawasan yang penting pada data. Kebanyakan, platform penemuan data membuat model dasar terbuka untuk diinspeksi, diuji, dan divalidasi oleh ahli ''data scientist'' spesialis. Hal ini penting untuk membangun kepercayaan dan memastikan keakuratan dari wawasan yang dihasilkan secara otomatis <ref name=":0" />.

Otomatisasi pembelajaran mesin juga memasuki platform ilmu data (''[[:en:Data_science|data science]]'') untuk mempersingkat proses pembuatan fitur dan model. Pengguna dari ''augmented data discovery'' adalah orang bisnis atau ahli''citizen data scientist'', dan luarannya adalah wawasan (baik visual maupun narasi dalam bahasa alami), sedangkan luaran dari ilmu data cerdas (''smart data science'') adalah model dan penggunanya adalah pakar ahli ''data scientist'' . Tujuannya adalah untuk membuat ahli ''data scientist'' spesialis lebih produktif dan model yang mereka buat tidak bias. Mengingat kelangkaan dari pakar ahli ''data scientist'' dan permintaan yang semakin meningkat akan keterampilan mereka, diharapkan produktivitas yang lebih tinggi dan lebih banyak pekerjaan analitik perlu dilakukan oleh kelas ahli ''data scientist'' baru juga<ref name=":0" />.

''Augmented data discovery'' dan a''ugmented data science'', serta pembelajaran mesin sama-sama mengurangi waktu eksplorasi dan identifikasi wawasan yang salah atau tidak relevan. Diperlukan proses kolaborasi antara keduanya untuk memfokuskan analis bisnis pada hal yang penting dan memberikan prototipe awal pada ahli ''data scientist'' untuk mengeksplorasi dan mengoperasionalkan model untuk pola yang relevan saja. Baik analis dan ahli ''data scientist'' menjadi lebih produktif dengan mengurangi fase eksperimen dan eksplorasi awal. Hal ini berdampak pada waktu yang lebih cepat untuk menghasilkan wawasan dan mengambil tindakan<ref name=":0" />.

Platform BI modern dan analitik telah membuat kemajuan yang signifikan dengan cara membuat visualisasi dari data pada ''dashboard'' atau ''storyboard'' interaktif dan memberikan kapabilitas untuk membantu dalam hal berbagi dan bersosialisasi mengenai temuan yang didapat. Namun, visualisasi seringkali mengaburkan apa yang benar-benar signifikan dari sebuah data dan banyak pengguna tidak memiliki kemampuan untuk sepenuhnya menginterpretasikan wawasan berbasis visual yang signifikan secara statistik. Dengan penambahan bahasa alami, platform ''augmented data discovery'' secara otomatis menyajikan temuan melalui narasi secara tertulis atau lisan, bersama dengan visualisasi yang memberi tahu pengguna tentang apa yang paling penting bagi mereka untuk ditindaklanjuti<ref name=":0" />.