各行业一直在利用AutoML来加强数据处理和数据工程。然而，有人讨论AutoML将如何影响数据科学家的工作。让我们更多地了解这项技术及其在提高公司数据效率方面的作用。跨组织的数字化和自动化要求采用数据科学和先进的数据分析，以鼓励业务增长和敏捷性。随着转换速度的加快，公司开始雇佣数据科学家团队来解决开发机器学习模型和分析算法的需要。       数据驱动的组织决策已经证明可以提高生产率，并从长远上最小化成本。由于这项工作需要高技术技能，科学家的数据供应目前仍然有限，因此，组织很难利用数据，创建机器学习模型来分析数据。这就是AutoML的来源。为什么AutoML？       自动机器学习是人工智能领域的一个新兴发展。AutoML自动执行业务操作中的端到端机器学习需求。该技术可以在不受任何时间或技能限制的情况下开发和部署机器学习模型。数据科学家的传统程序占用了很长时间，因为它涉及数据清理、数据分析、识别机器学习模型、运行它们、进行参数调整、设计算法和部署算法。将这个长过程集成到组织的工作流中可能会很困难，而且耗时。由于数据科学家的供应量较短，需求量高，因此开发一个团队变得更加困难。       自动化机器学习通过自动化过程和同时运行多个机器学习模型来消除所有这些挑战。AutoML还可以帮助特征选择、特征提取和特征工程的运行过程。数据量每天都在增加，组织中采用大数据也是如此。因此，AutoML是一种降低机器学习模型实现时间和复杂度的理想技术。使用AutoML的另一个值得称赞的好处是它在组织中数据科学民主化方面的作用。在数据科学的高技能需求方面，大多数公司的技术差距很大。由于人们对数据科学领域的访问有限，组织通常很难满足对更好的机器学习模型的需求。AutoML为组织消除了这一差距，鼓励“公民数据科学家”在没有任何先前专业知识的情况下执行任务。       它使除具有数据科学家资格的员工以外的员工能够在数据科学团队的最小协助下为数据科学生态系统做出贡献。例如，Google的CloudAutoML使企业能够构建在该领域技能和专业知识有限的定制机器学习模型。AutoML增加了数据科学和数据工程对更大受众的访问能力，而不是将其限制在一个流行的群体中。AutoML是否会消除数据科学家的需求？       如果你想要一个单词的答案，那么没有自动ML将不会使数据科学家消失。它将通过接管不需要太多关注的重复任务来减轻这些数据专家的负担。AutoML将自动化他们的一些任务，并让他们与那些需要高度技术技能的任务。组织仍然需要数据科学家来定义问题，应用领域知识来解决问题，并生成合理和创造性的模型。AutoML可以与数据科学家一起支持他们，这门课程将使数据科学知识的分散。来源：贤集网  

       随着每个组织将其业务数字化，并利用数据科学工具、人工智能、机器学习，对其领域的专业人员的需求一直很高。随着机器学习成为所有自动化工具的一个重要方面，对机器学习工程师的要求越来越高。Forrester Research公司高级分析师BrandonPurell说：“任何公司未来的成功百分之百取决于采用机器学习。公司要想在客户时代取得成功，就必须预测客户的需求，而机器学习对这一点绝对至关重要。”人们需要理解为什么对机器学习工程师的需求比以往任何时候都大。机器学习的作用       机器学习工程师是数据科学家和软件工程师两个重要角色的结合体。数据科学家的主要工作是处理大数据，而软件工程师则负责程序的编码。数据科学家的工作是分析性的，他们使用数学、统计、分析技能和机器学习工具的组合来处理和分析大量数据，以获得商业见解。然而，软件工程师是为程序编写可伸缩代码和为公司设计复杂软件系统的专家。他们的角色不需要使用机器学习工具。数据科学家创建的应用程序对于软件工程师来说很难理解，因为它们很复杂，并且没有设计模式。这就是为什么公司正在寻找能同时运用这两种技能的机器学习工程师。在当今这个时代，一个好的机器学习工程师应该理解数据科学家的代码，并使其更易于访问。机器学习工程师的职责       机器学习工程师的工作类似于数据科学家的角色，两者都处理巨大的数据集。因此，一个机器学习工程师应该拥有优秀的数据管理技能。他们的工作角色要求他们将数据科学的规则与编程结合起来，帮助公司利用人工智能和机器学习技术来利用业务。机器学习工程师的必备技能       软技能–这些非技术技能有助于工程师跟上机器学习的动态本质。一个工程师必须知道有效的时间管理和拥有快速思维的商业知识。技术技能-如中级Python、C++和基本数学概念（如线性代数、微积分和统计学）的基本技术技能是企业在招聘时寻找的一个要求。机器学习和神经网络–机器学习和神经网络是为业务问题找到准确解决方案的重要技能。随着机器学习扩展到神经网络之外，对算法等非神经网络概念的了解是一个额外的收获。机器学习工程师是做什么的？       机器学习工程师与数据科学家密切合作。而数据科学家则从数个GBs的数据集中提取有意义的见解，并将这些见解传达给利益相关者。机器学习科学家确保数据科学家使用的模型能够实时分析大量数据，以获得准确的结果。当这些学科协同工作时，它们为曾经被认为不切实际和不可能的公司创造了技术。机器学习工程师正通过让几个行业利用颠覆性技术，为科技世界的未来铺路。来源：贤集网  

       机器人技术将成为人们未来生活和工作方式的最大改进之一。而这一点正在迅速逼近。下一个十年将是一个令人难以置信的有趣的时代，有可能完全重塑科学、医疗保健、生产、发现和人们的日常生活。随着冠状病毒疫情的影响迫使科技发展到更高的水平，2020年机器人技术在所有领域的应用都得到了加速，这使得人们能够保持安全。2021年将扩大这些创新，从而解决某些独特的障碍。以下是机器人技术在2021年将面临的几个主要挑战：减轻隐私和保护威胁       每一项技术都有隐私、道德和保护的问题。通过修复或改变它，用于准备机器人的数据可能被误用，使机器人崩溃。同样，机器人在其项目生命周期中获得的数据，如录音、照片和位置数据，也可能被欺诈者侵入并用于非法活动。因此，使用机器人解决方案和维护数据保护仍然是一个严重的问题。此外，机器人拥有的细节所有权并不一致。关于哪一方可以将信息的哪一部分用于什么特定目的，也没有可靠的信息。这就提出了一个问题，即掌握信息的一方是否会负责任地使用这些信息。多用途       不断推动机器人做更多事情的扩展概念是多功能性。无论是收集更多的数据，进行更多的活动，还是为更多的需求提供服务，能够做更多事情的机器人都将不可避免地带来更高的生产率。例如，制造过程中的机械臂可以组织商品的两个组件，而不是一个。这是朝着正确方向迈出的一步。机器人技术需要更多的人类协作和更多的功能，但也需要在设备和过程本身。如果它们能够相互作用，就可以减少冗长的过程。测绘和导航       机器人在执行既定任务时，必须在各种环境中安全机动，才能有效地工作。机器人创建模型或地图、确定其当前位置并移动到相应的点非常重要。对于机器人来说，地图、导航和路由是典型的复杂问题。随着机器人实现完全自主，对新情况做出反应，扩大其应用范围，寻找解决这些问题的好方法就显得尤为重要。扩展有效人工智能       机器人的设计一般采用人工智能技术和机器学习。尽管这些技术有所发展，但我们仍然没有达到完全信任这些技术的程度。首先，训练机器人完成任务需要大量的数据。除此之外，由于机器人通常是在受管制的环境中训练的，因此不能保证它们会像预期的那样工作。对于机器人来说，要理解并采取有效的行动，现实世界的场景往往会变得困难。人工智能目前不能代替人类的逻辑，机器人的解决方案也不能完全有效或完全准确。社会关系       随着机器人进入人类环境（如医院）的能力不断增强，机器人学家应对复杂的社会关系至关重要。来自我们的声音、身体和面部的信号相当微妙和复杂，因此制造一个能够检测这些信号并做出适当反应的机器人是一项重要任务。此外，必须考虑到基本的道德和社会价值观以及社区内部的差异，这些关系必须是多方面的和持久的。来源：贤集网

        2016年标志着“第四次工业革命”的开始，世界经济论坛执行主席兼创始人Klaus Schwab创造了这个术语。第一次革命见证了世界依靠蒸汽机运转，第二次革命见证了商品的大规模生产，第三次革命将数字技术引入社会。每一次革命都带来了社会的根本变革。当读到这篇文章时，你是第四次工业革命的一部分，得益于智能技术，其中智能自动化是一个关键部分。智能自动化为企业提供端到端的自动化       又称为IA，超自动化，或认知自动化，是人工智能领域最流行的趋势之一。智能自动化是涉及人、企业、机器学习、机器人过程自动化等技术的结合。这项技术帮助企业在数字环境中实现端到端业务流程的自动化，并代表员工提供所需的结果。最终提高了顾客满意度，获得了更多的利润。智能自动化提高业务效率       虽然IA是一个新概念，但它在商业世界中发展迅速。全球超过50%的大公司，如摩根大通、澳新银行、网飞都采用了这一技术，其业务效率提高到20%至60%。通过采用IA，每个行业都可以获得这样的好处。智能自动化在冠状病毒疫情期间支持远程工作       冠状病毒疫情导致的经济和组织混乱需要一个更有弹性的系统来支持社会。在流感大流行的最初阶段，由大多数劳动力管理的所有行业，特别是医疗保健行业，都面临着极大的压力。在医院急需支持的时候，IA加紧行动，解决了这个问题。医院很快采用了远程医疗和自动化前台、第一反应活动和早期诊断过程。这种自动化使医院减少了对劳动力的依赖，使他们有机会将自己的潜力集中在其他地方。智能自动化正在提高员工满意度       根据盖洛普的研究，全世界85%的员工对自己的工作不满意，因为他们的工作大多是手工的，过于重复，而且单调乏味。IA通过自动化大多数重复和平凡的任务来解决这个问题，让员工可以自由地承担其他业务职责。智能自动化增强客户体验       客户满意度和保留率对企业至关重要。据观察，96%的不满意的顾客不会费心给出建设性的反馈，96%的顾客会干脆离开，再也不会回来。对于企业来说，IA帮助创造创新和定制的产品和体验，以满足客户当前的需求。像AI这样的应用程序将为客户提供全天候的支持，通过依赖机器人，客户满意度提高50%，公司的工作量减少50%以上。IA正在重塑我们的世界       IA正在塑造行业和商业的未来，使未来10-15年的职场可能不会有什么变化。为了从这一先进技术中获益，教育需要适应未来劳动力的需求。它需要关注一个人的竞争优势、创造力和生活技能，因为大多数任务将由机器自动完成。从经济的角度来看，像IA这样的颠覆性数字技术的使用已经开始造成财富不平等。为了解决这个问题，有必要实施平等的财富分享机制，比如普遍的基本收入。       智能自动化可以帮助我们创造一个更美好的明天，无论是在工作方面还是在社会方面。一个会让我们更多地专注于我们真正想做的工作，另一个会让我们重新专注于做我们热爱的工作，而不是工作，那就是家庭、爱情、关怀，以及如何在我们这个星球上共存。来源：贤集网 

       随着数据生成和使用的不断增长，对机器学习模型的需求也在成倍增长。由于机器学习系统包含算法和丰富的机器学习库，它有助于分析数据和做出决策。毫无疑问，机器学习越来越受关注，因为机器学习应用几乎占据了现代世界的方方面面。随着这项技术在企业中的迅速开发和应用，它为大量就业机会奠定了基础。然而，要想在这个颠覆性的领域找到一份工作，必须装备精良，熟悉一些最好的机器学习工具，以创建高效且功能强大的ML算法。以下是2021年要寻找的10种最好的机器学习工具。1.TensorFlow       TensorFlow是一个免费的机器学习工具，可以在Linux、MacOS和Windows等平台上使用。它提供了一个有助于机器学习的javascript库。它帮助用户建立和训练他们的模型。TensorFlow是用于深度学习系统和神经网络的优秀ML工具。用户还可以使用TensorFlow.js公司，一个模型转换器。2.KNIME       KNIME已被用于制药研究和其他领域，如CRM客户数据分析、商业智能、文本挖掘和财务数据分析。它是一个免费的、开源的数据分析、报告和集成平台。这种机器学习工具可以集成诸如R、Python、java、javascript、C++、C++等编程语言代码。KNIME对于初学者是有用的，因为该平台是基于基于GUI的工作流的强大分析而构建的。这意味着，如果用户不知道如何编码，他们将能够使用KNIME工作并获得见解。3.ScikitLearn      ScikitLearn是一个免费的Python机器学习库。它有助于数据挖掘和数据分析，并为分类、回归、聚类、降维、模型选择和预处理提供模型和算法。基于NumPy、SciPy和Matplotlib构建的sciketlearn包含一系列用于机器学习和统计建模的高效工具。4.PyTorch       PyTorch基于Torch库，用于计算机视觉和自然语言处理等应用，主要由Facebook的人工智能研究实验室开发。这个开源的机器学习库有助于通过Autograd模块构建神经网络。它为构建神经网络提供了多种优化算法。PyTorch可以在云平台上使用，并且可以提供分布式培训，有许多工具和库。5.BigML      它是一个综合性的机器学习平台，通过一个统一的、集成的框架，提供了大量的ML算法来解决复杂的、真实的问题。BigML由一系列有用的机器学习功能组成，如分类、回归、聚类分析、时间序列预测、异常检测、主题建模等。由于BigML在方便的WebUI中集成了广泛的功能，因此允许用户加载其数据集，建立和分享他们的机器学习模型，训练和评估他们的模型，并做出新的预测。6.Weka       Weka是一个数据挖掘、开源的机器学习软件。它可以通过图形用户界面（GUI）、标准终端应用程序或javaapi进行访问。Weka包含一系列用于数据分析和预测建模的可视化工具和算法，广泛用于教学、研究和工业应用。它支持各种标准的数据挖掘任务，特别是数据预处理、聚类、分类、回归、可视化和特征选择。7.Colab       Colab是Google针对机器学习任务的研究产品。它允许开发人员通过浏览器编写和执行Python代码。Colab笔记本允许用户在一个文档中结合可执行代码和富文本，以及图像、HTML、LaTeX等等。当用户创建他们的Colab笔记本时，它们存储在他们的googledrive帐户中，可以很容易地与他们的同龄人共享。8.Amazon Machine Learning       亚马逊提供了一系列的机器学习工具。Amazon Machine Learning（AML）是一个基于云的、健壮的机器学习软件应用程序，可供所有级别的web和移动应用程序开发人员使用。AML提供向导和可视化工具，并支持三种类型的模型：多类分类、二进制分类和回归。9.IBM Watson Studio       IBM Watson Studio允许用户构建、运行和管理机器学习模型。它提供了通过协作数据体验解决业务问题所需的所有工具。它将重要的开源工具（包括RStudio、Spark和Python）整合到一个集成环境中，并将其他工具（如托管Spark服务和数据成形工具）整合到一个安全和受管理的环境中。10.Apache Mahout       作为一个开源的分布式线性代数框架，Apache Mahout帮助数学家、统计学家和数据科学家执行他们的算法。它是Apache软件基金会的一个项目，旨在免费实现主要关注线性代数的分布式或其他可伸缩的ML算法。它包含用于普通数学运算的Java库。来源：贤集网  

       自动化技术的成功应用大大减少了人工任务。它管理基础设施，释放人力资源，专注于有价值的任务。AutoML或自动机器学习对机器学习也有同样的作用。AutoML通常指的是将机器学习集成到现实世界问题的过程自动化的能力，从而消除了对数据科学家的需求。但这并不意味着它将取代数据科学家，因为当谈到AutoML时，这已成为一个常见的问题。然而，它将有助于推动数据科学工作流程，帮助数据科学家，让他们把宝贵的时间集中在更具挑战性、创造性和难以自动化的任务上。       在现代机器学习系统中，经常听到人们把它称为“黑盒”。然而，在过去的几年里，系统已经开始偏离它，而是使用更简单的模型，更容易解释。由于复杂的模型很难解释，因此很难知道模型何时引入了偏差。这就是AutoML的用武之地，通过隐藏模型的数学模型并执行数据清理、特征选择、模型选择和参数选择，加剧了黑盒模型的问题。       许多企业寻求利用AutoML作为一种工具来提高数据科学家的生产力。它提供了将高级模型应用于每个人的能力和有效性，包括数据科学家、分析专家、业务分析师和其他人。       根据福布斯的一篇文章，第一代AutoML平台的重点是自动化数据科学过程中的机器学习部分。然而，传统数据科学工作流程中最具挑战性的部分之一是称为特征工程的高度手动步骤。它主要涉及连接数据源和创建一个平面的“特征表”，其中包含一组丰富多样的“特征”，这些特征是根据多个ML算法进行评估的。特性工程的挑战在于，它需要更高水平的领域专业知识来构思新特性。当特征被评估、拒绝或选择时，它是非常迭代的。然而，最近出现了一些新的平台，它们提供了额外的功能和自动化，旨在解决这一挑战。具有“自动化特征工程”功能的平台现在允许从关系数据源以及平面文件自动创建特征表。用AutoML增强数据科学工作流       难怪自动机器学习有可能超越数据科学家。AutoML工具在速度和风险降低方面比数据科学家有优势。但是自动化机器还没有达到人类大脑的智能。例如，人类可以将细微差别、直觉和创造性的问题解决能力带到机器根本无法完成的过程中。       因此，自动机器学习只能增强人的能力。通过将其应用到业务流程中，公司可以培养其数据科学工作流程。通过采用AutoML，数据科学家将有能力深入研究ML的功能，并在他们的工作中变得更加能干和有效。来源：贤集网 

       随着人们跨过21世纪，智能技术越来越流行。笔记本电脑正在取代我们的教科书，在智能手机上可以学习我们想要的一切。社交媒体已经无处不在，使用技术的方式已经改变了人们工作和生活的方式。技术已经成为远程教育的核心组成部分。它加强了教师和学生之间的数字化互联和交流，保持了“人与人之间的联系”，这对年轻人的心智成长很重要。加强联系和定制的经验可以让教育者认识到学习技能的机会，提高学生的潜力。因此，当今时代的教室不仅在扩大，以使用更多的技术和数字工具，而且他们还从事机器学习。       机器学习是一种人工智能（AI）元素，它让机器或计算机从所有先前的知识中学习并做出明智的决策。机器学习的体系结构包括收集和存储丰富的信息集合，并将其转化为标准化的知识库，用于不同领域的各种用途。通过专注于机器学习，教育工作者可以在教育领域的非课堂实践中节省时间。       例如，教师可以使用虚拟助手直接在家为学生工作。这种形式的帮助有助于改善学生的学习环境，促进成长和教育的成功。ODSC称，“去年的报告显示，教育领域的机器学习仍将是推动投资的主要行业之一，到2030年，美国和中国将成为最主要的参与者。像谷歌和IBM这样的大公司正在参与使学校教育更加进步和创新。”机器学习在教育中的应用全面分析材料       机器学习在教育中的应用，使其内容更具时代性和适用性，旨在将在线学习领域推向一个新的阶段。怎样？ML技术评估在线课程的内容，并帮助评估所提供的知识质量是否符合适用的标准。另一方面，了解用户是如何解释数据的，并理解所解释的内容。然后用户根据自己的特定偏好和专业知识获取数据，整体学习体验会显著增加。个性化学习      这是机器学习最大的应用。它适应能力强，能满足个人需求。学生可以通过这个教育体系来指导自己的学习。他们可以有自己的速度，决定学习什么和如何学习。他们可以选择自己感兴趣的话题、想从中学习的导师、想从事的课程、期望和趋势。有效应用       在教育中，机器学习还有另一个应用，它处理成绩和分数。由于大量学生的学习技能都体现在每一门在线课程中，因此给他们打分就成了一项挑战。ML技术使得分级过程几秒钟就成了问题。在这种情况下，人们将更多地讨论精确科学。在有些地方，计算机无法取代教师，但即使在这种情况下，计算机也有助于改进目前的评分和评价方法。       据TechXplore报道，“德国Tübingen大学和科罗拉多博尔德大学的研究人员最近调查了机器学习技术在课堂研究背景下评估学生参与度的潜力。更具体地说，他们设计了一种基于深度神经网络的架构，可以通过分析课堂环境中收集的视频片段来估计学生的参与度。”       他们还提到，“我们使用在课堂上收集的摄像头数据来教授一个基于深度神经网络的模型来预测学生的参与程度，我们根据实地真相数据（例如，根据课堂上录制的视频对学生参与程度的专家评分）对我们的模型进行了培训。例如，在这一训练之后，该模型能够预测在特定时间点从特定学生获得的数据是否表明参与程度高或低。”来源：贤集网

       机器学习本质上是使PC无需明确编程就可以执行任务。在当今时代，做得好的每个框架的核心都是机器学习算法。机器学习目前可能是企业中最炙手可热的话题，并且组织一直在争相将其整合到其产品中，尤其是应用程序。       正如《福布斯》（Forbes）指出的那样，机器学习专利在2013年至2017年之间以34％的速度增长，而此后不久它将增加。此外，Python是用于机器学习创新工作的重要部分的基本编程语言。在某种程度上，如Github所言，Python是机器学习的顶级编程语言。      机器学习不仅仅用于IT业务。机器学习同样在广告，银行，运输和众多不同的业务中起着重要的作用。这项创新不断进步，随后，它有条不紊地获得了新的领域，而在这一领域中，它是不可或缺的一部分。       Python是用于整体编程的高级编程语言。python除了是一种开放源代码编程语言外，它还是一种非凡的解释性，面向对象的交互式编程语言。Python通过清晰的语法加入了令人惊讶的功能。它具有模块，类，特殊情况，重要级别的动态数据类型和动态组成。有许多系统调用和库以及不同窗口框架的接口。为什么要在机器学习中使用Python？轻松快速的数据验证       机器学习的工作是识别数据模式。机器学习工程师负责利用，精炼，处理，清理，整理和从数据中得出见解，以创建聪明的算法。Python很简单，而线性代数或微积分的主题却是如此令人困惑，它们需要付出最大的努力。Python可以快速执行，这使机器学习工程师可以立即批准一个想法。不同的库和框架       Python已经是众所周知的，因此，它具有许多可以供工程师使用的库和框架。这些库和框架在节省时间方面确实有价值，这使Python更加知名。代码可读性       由于机器学习包含着真实的数学结，因此有时会很麻烦且不那么明显，因此如果我们需要成功，则代码（以及外部库）的可读性就很重要。开发人员应该考虑所有事情，而不是如何写，而要写什么。       Python开发人员对制作不难阅读的代码感到兴奋。而且，这种特定语言对适当的空间非常严格。Python的另一个优点是其多范式性质，这再次使工程师能够更灵活地使用最简单的方法来解决问题。低进入障碍       软件工程师的整体短缺。Python并不难熟悉一种语言。因此，进入壁垒。低。这有什么意义？越来越多的数据科学家可以迅速成为专家，因此他们可以参与机器学习项目。Python从根本上与英语相同，这使学习变得更简单。由于其简单的短语结构，因此您可以毫不犹豫地使用复杂的系统。便携式和可扩展       这是Python在机器学习中如此主流的重要原因。由于Python具有可移植性和可扩展性，因此可以在Python上有效地执行许多跨语言任务。有许多数据科学家都喜欢利用图形处理单元（GPU）在自己的机器上训练机器学习模型，而Python的多用途想法就适合于此。来源：贤集网

       网络安全中的机器学习是一种人工智能（AI）的方法，它使用能够从经验中学习的系统。它倾向于减少在简单和困难的任务（如增强网络安全性）上的工作或时间。简而言之，机器学习是一个可以通过使用示例而不是对示例进行编程来识别模式的系统。在机器学习的帮助下，系统可以不断学习，基于数据而不是算法做出决策，并改变其行为。网络安全机器学习       机器学习算法可帮助组织更快地识别恶意活动，并在攻击开始之前就防止攻击。自2013年以来，像Darktrace这样的初创公司就已经在基于机器学习的企业免疫解决方案方面取得了成功。Darktrace甚至在其算法识别出数据泄露攻击时就使用了北美的一家赌场，该攻击使用互联鱼缸作为入口。该组织声称，它在2018年Wannacry勒索软件危机期间阻止了类似攻击。       传统的网络钓鱼检测方法提供的速度和准确性较低，无法可靠地找到所有恶意链接，从而使用户处于危险之中。为了解决此问题，基于机器学习算法的预测性URL分类模型可以找到可泄露恶意发件人电子邮件的模式。这些模型已准备好发现规模行为，例如电子邮件标题，正文数据，设计等。这些模型可用于识别电子邮件是否是恶意的。       Webshell是一段代码，该代码被恶意地堆叠到一个在线站点中，以使网络罪犯可以在服务器的Internet根目录上形成更改。这确保了完全进入框架的数据库。如果这是一个电子商务站点，则网络攻击者可能会在访问场所访问数据库以收集客户群的信用卡数据。       使用webshell的攻击者的目标一直是后端电子商务阶段。电子商务阶段的重大危险与网上分期付款有关，网上分期付款预计是安全和秘密的。       一些人认为机器学习可以帮助关闭漏洞，尤其是针对以广泛不安全的物联网（IoT）设备为目标的零日威胁。在这方面也有一些积极的工作。据《福布斯》报道，亚利桑那州立大学的研究人员使用机器学习监视暗网上的流量，以发现与零时差攻击相关的数据。有了这种类型的洞察力，公司就可以在导致数据泄露之前关闭漏洞并防止补丁利用。机器学习与人类智能的整合       机器学习和人类智能在公司所需的安全结果中都起着至关重要的作用。安全事件的迅速增加，加上网络安全人员队伍的不断扩大，使机器学习对于大规模发现至关重要。它需要经过人类专业知识的验证才能被信任和有效。很少有公司拥有安全专业知识和基础架构来自行满足这些标准。将人类智能和机器学习集成到网络安全中可以管理检测。而且，响应提供者可以通过自动实时事件识别和人为干预来增强组织的安全性，以在确定适当的响应之前验证复杂的安全事件。添加这些功能是增强组织的安全状态（影响可能性并最大程度地减少成功的网络攻击）的最佳方法之一。来源：贤集网  

      十年前，机器学习（尤其是深度神经网络）在商业人工智能应用程序的开发中发挥了重要作用。由于现代计算硬件的计算能力，深度神经网络在2010年代中期得到了有效执行。人工智能硬件是为人工智能应用定制的另一代硬件。       随着人工智能及其应用变得越来越广泛，在技术巨人之间竞争越来越便宜，以制造更便宜，更快的芯片。企业可以从WS的Sagemaker服务等云服务提供商在云上租用这些硬件，也可以购买其硬件。如果可以保持较高的使用率，则自己的硬件可以带来较低的成本。如果不是这样，取决于云卖家，组织处于理想情况。      深度神经网络驱动的解决方案构成了大多数商业人工智能应用。自2010年代以来，这些应用程序的数量和重要性一直在迅速增长，并依靠其继续以类似的速度发展。例如，麦肯锡预测人工智能应用每年将创造4-6万亿美元的显着价值。麦肯锡最近的另一项研究表明，在未来几年中，与人工智能相关的半导体每年将增长18％左右。这是非人工智能应用中使用的半导体开发的数倍。一项类似的研究表明，人工智能硬件将被评估为一个670亿美元的收入市场。      明斯特大学的研究人员与全球团队合作，正在开发可以非常熟练地适应这些任务的新方法和流程体系结构。他们现在已经表明，所谓的光子处理器（通过光的方法来处理数据）可以大大更快，更平等地处理数据，而电子芯片则无法做到这一点。结果已发表在《自然》杂志上。由明斯特大学物理研究所和软纳米科学中心的Wolfram Pernice教授领导的一组分析人员为所谓的矩阵乘法执行了硬件加速器，这暗示了神经网络计算中的基本处理负担。神经网络是再现人类思维的算法的发展。例如，这对于图片中的对象分类和语音识别很有用。       在这项研究中，物理学家利用所谓的卷积神经网络来确认手写数字。这些组织是生物循环引起的机器学习领域的一个想法。它们目前主要用于图像或音频数据的处理，因为它们目前实现了最显着的分类精度。分析师将光子结构与相变材料（PCM）整合为节能存储组件。PCM通常与DVD或BluRay光盘一起用于光学数据存储中。在新的处理器中，这使得可以在无需供电的情况下存储和保护矩阵组件。为了并行完成多个数据集上的矩阵乘法，明斯特物理学家利用基于芯片的频率梳作为光源。而不是通常在低频率范围内工作的常规小工具，光调制速度可以达到50至100GHz范围内的速度来实现。”这意味着该过程授予信息速率和计算密度，例如以前从未实现过的处理器每个区域的操作。机器学习加速器带来了优于利用通用硬件的优势        更快的计算：人工智能应用程序通常需要具有相同的计算能力才能运行现代训练模型和算法。人工智能硬件提供了更多的并行处理能力，与传统的半导体器件相比，在比较的价位上，这种硬件被评估为具有更多的竞争性，而在人工神经网络中的竞争能力却要高出许多倍。       高带宽内存：经过评估，专用人工智能硬件分配的带宽是常规芯片的4-5倍。鉴于以下事实，这是基本的事实：由于需要并行处理，因此人工智能应用程序在处理器之间总共需要更多的带宽以提高性能。来源：贤集网