Business analyst

Heard on the Street – 9/8/2021

Chào mừng bạn đến với chuyên mục tổng hợp “Heard on the Street” của InsideBIGDATA! Trong tính năng thường xuyên hoàn toàn mới này, chúng tôi làm nổi bật các bài bình luận lãnh đạo tư tưởng từ các thành viên của hệ sinh thái dữ liệu lớn. Mỗi ấn bản bao gồm các xu hướng trong ngày với những quan điểm hấp dẫn có thể cung cấp những thông tin chi tiết quan trọng để mang lại cho bạn lợi thế cạnh tranh trên thị trường. Chúng tôi mời các bài dự thi tập trung vào các lĩnh vực chủ đề công nghệ ưa thích của chúng tôi: dữ liệu lớn, khoa học dữ liệu, học máy, AI và học sâu. Thưởng thức! Các Quyết định Công bằng Yêu cầu Kiến thức Dữ liệu. Bình luận của: Scott Zoldi, Giám đốc Phân tích, FICO. “Khi số lượng doanh nghiệp kết hợp học máy vào quá trình ra quyết định của họ tiếp tục tăng, thì việc đảm bảo rằng tất cả những người có liên quan đều biết tầm quan trọng của kiến ​​thức về dữ liệu – ngôn ngữ đằng sau việc ra quyết định kỹ thuật số. Điều này thường không xảy ra – khi theo đuổi những thông tin chi tiết chất lượng cao hơn, nhiều doanh nghiệp dành nguồn lực chỉ để cải thiện các thuật toán hoặc mô hình phân tích trí tuệ nhân tạo (AI) hơn là dữ liệu mà họ đang cung cấp cho thuật toán. Khi những người hiểu biết về dữ liệu trong số các nhà lãnh đạo của họ nhận ra, cho dù thuật toán hoặc mô hình đổi mới đến đâu, kết quả của nó sẽ chỉ chính xác như dữ liệu mà nó nhận được. Thay vì tập trung vào mô hình, phần lớn thời gian của một công ty nên được dành để đảm bảo dữ liệu mà nó cung cấp cho một thuật toán là chính xác, dễ chấp nhận và không có sai lệch. Rốt cuộc, sự thiên vị bắt nguồn từ dữ liệu – cho đến khi được chứng minh ngược lại, tất cả dữ liệu phải được coi là nghi ngờ. Các nhà lãnh đạo doanh nghiệp cần phải có một chính sách quản trị dữ liệu và AI mạnh mẽ, một chính sách đảm bảo rằng họ biết liệu khách hàng có yêu cầu quyền bị lãng quên hoặc rút dữ liệu của họ khỏi các mô hình trong tương lai hay không. Giả sử dữ liệu trong tay đã được thu thập một cách công bằng, các nhà lãnh đạo của công ty sau đó phải có khả năng chứng minh lý do tại sao việc sử dụng các trường dữ liệu nhất định của họ và các thuật toán xử lý chúng được chấp nhận nếu họ muốn thông tin chi tiết được tạo ra chính xác và không có sai lệch. Mặc dù các mô hình phân tích thường đưa ra các quyết định nhị phân, nhưng các vấn đề liên quan đến việc sử dụng chúng đúng cách là bất cứ điều gì. Chúng có nhiều sắc thái, phức tạp và không được vội vàng. Khi ngày càng có nhiều công ty nhận ra rằng quyết định kỹ thuật số là cửa ngõ để chuyển đổi kỹ thuật số, các nhà lãnh đạo kinh doanh và nhà khoa học dữ liệu của họ cũng cần đảm bảo rằng họ nói cùng một ngôn ngữ – hiểu biết về dữ liệu ”. Trên Robot hình người TESLA AI. Bình luận của Tiến sĩ Ben Goertzel, 25 nhiều năm làm việc về AI, cựu Nhà khoa học trưởng tại Hanson Robotics và Giám đốc điều hành của SingularityNET. “Thông báo của Tesla về một dự án robot hình người đầy tham vọng – với các mốc thời gian tích cực nhưng dường như hoàn toàn không có công nghệ thực tế đằng sau nó – đã được các nhà nghiên cứu robot thực tế chào đón bằng sự kết hợp của sự thích thú, bối rối và khinh bỉ. Một lý do giải thích cho điều này: Robot hình người – giống như tự lái cấp độ 5 nhưng thậm chí còn hơn thế nữa – là một ứng dụng hóa ra khó hơn nhiều so với lúc đầu. Vì vậy, nhiều khía cạnh của chuyển động hàng ngày của con người và nhận thức và tương tác dường như hiển nhiên và trực quan đối với chúng ta là con người, thực sự là những vấn đề khá khó khăn từ góc độ khoa học máy tính và người máy. Một lý do khác: Trong thế giới robot, việc chế tạo ra những con robot nghiên cứu tuyệt vời cung cấp những bản demo thú vị chỉ mang lại cho bạn một phần nhỏ trong con đường tạo ra những con robot có thể mạnh mẽ làm những việc hữu ích trong thế giới thực. Nhưng Musk thậm chí còn không bận tâm đến việc làm một bản demo robot khói và gương như một công ty robot thực sự, anh ấy chỉ thể hiện một vũ công trong bộ đồ robot! Những người trong chúng ta, những người đã làm việc về robot trong nhiều năm và nhiều thập kỷ đều hiểu rằng các chức năng robot hình người mà Musk đã tình cờ hứa hẹn thực sự là vấn đề “chén thánh”, là chủ đề của nhiều dự án R&D toàn cầu và thành tựu của nó có lẽ đòi hỏi cả những tiến bộ nghiêm túc về phần cứng. và tiến bộ đáng kể đối với AGI. Không nghi ngờ gì nữa, Tesla có thể đạt được tiến bộ nghiêm trọng trong không gian robot hình người, nhưng tiến độ này sẽ không nhanh chóng cũng như các sản phẩm giao hàng trong thời gian ngắn như Musk đã khiến khán giả tin tưởng. Có những công việc thực sự đang được thực hiện theo hướng robot phục vụ hình người cho gia đình, văn phòng và bệnh viện – ví dụ, trong thế giới của riêng tôi, robot Grace được tạo ra bởi Awakening Health, một liên doanh giữa Hanson Robotics và SingularityNET. Sẽ tốt hơn nếu hướng sự chú ý của thế giới vào những robot hình người thực sự này và những thách thức liên quan đến chúng hơn là những kẻ giả mạo con người. ” Những gì các nhà khoa học dữ liệu không biết về tối ưu hóa toán học. Bài bình luận của Tiến sĩ Greg Glockner, Phó chủ tịch và đồng nghiệp kỹ thuật tại nhà lãnh đạo phân tích quy định Gurobi. “Có một câu chuyện dân gian rằng một số quyết định kinh doanh quá phức tạp để tối ưu hóa toán học. Thay vào đó, các nhà khoa học dữ liệu thường chỉ tận dụng các công nghệ máy học. Mặc dù các công nghệ này có thể đưa ra các quyết định có thể lặp lại và đáng tin cậy dựa trên dữ liệu trước đó, nhưng chúng chỉ đưa ra giải pháp một phần khi dữ liệu thay đổi. Mặc dù là một công cụ tuyệt vời, nhưng máy học không nên thay thế cho việc tối ưu hóa toán học. Khi dữ liệu thay đổi liên quan đến ngành của nó, các nhà khoa học phải thực hiện các thay đổi nhanh chóng và hiệu quả để đảm bảo nó được tính đến. Với tối ưu hóa toán học, các nhà khoa học dữ liệu không phải viết lại toàn bộ mã mà thay vào đó có thể cập nhật các giá trị dữ liệu trong phương trình để cấu trúc lại cho độ tin cậy và hiệu suất. Để lập kế hoạch hoặc bất kỳ loại quyết định được đề xuất nào, công nghệ tối ưu hóa là công cụ tốt nhất dành cho nhà khoa học dữ liệu: nó thích ứng với nhu cầu kinh doanh đang thay đổi và được chứng minh cho cả những quyết định kinh doanh khó khăn nhất. ” Buôn bán trẻ em, AI và Khu vực tài chính. Bình luận của: Mark Gazit, Giám đốc điều hành, ThetaRay. “27% nạn nhân buôn người là trẻ em. Lao động cưỡng bức tạo ra 150 tỷ đô la lợi nhuận bất hợp pháp hàng năm. Nếu nó không sinh lời, nó sẽ không tồn tại. Nhưng làm thế nào chúng ta có thể làm cho nó không có lãi? Tin hay không thì tùy, các ngân hàng có thể giúp giải quyết vấn đề buôn bán trẻ em. Hiện đã tồn tại công nghệ AI tiên tiến có thể phát hiện các âm mưu rửa tiền tinh vi ẩn trong hàng triệu giao dịch trông có vẻ vô tội. Gần đây, một ngân hàng đã sử dụng công nghệ này để phát hiện một âm mưu chuyển tiền xuyên biên giới liên quan đến 'du lịch chữa bệnh' mà không có hoạt động kinh doanh rõ ràng. Một cuộc điều tra cho thấy nó được gắn với buôn bán trẻ em. Nếu các ngân hàng có thể chủ động và liên tục ngăn chặn lợi nhuận bất hợp pháp lọt qua và thông báo cho cơ quan chức năng về các tài khoản đáng ngờ, một số kẻ buôn người sẽ bị bắt và những kẻ khác sẽ quyết định rằng hoạt động này không đáng để mạo hiểm. Điều cốt yếu là các ngân hàng phải gây áp lực lên những tên tội phạm này ”. Lưu trữ Đối tượng. Bình luận của Giorgio Regni, CTO, Scality. “Sự tăng trưởng mạnh mẽ của thị trường dịch vụ phát trực tuyến đã thay đổi cuộc chơi. Sự gia tăng nhu cầu đã có tác động đến cách các dịch vụ phát trực tuyến tiếp cận việc lưu trữ và sao lưu. Đã đến lúc suy nghĩ lại giải pháp lưu trữ phù hợp là gì và tại sao nó lại là chìa khóa cho chiến lược sao lưu và khôi phục thảm họa của bạn. Điều hợp lý, dựa trên nhiều yếu tố kinh doanh và ảnh hưởng của đại dịch, phương pháp lưu trữ đám mây kết hợp sẽ trở nên phổ biến. Nó hoạt động tốt cho các công ty truyền thông muốn duy trì lưu trữ dữ liệu chính của họ tại chỗ vì các lý do bao gồm hiệu suất, bảo mật và tuân thủ. Đồng thời, đám mây công cộng cung cấp các dịch vụ hấp dẫn có thể nâng cao dữ liệu tại chỗ này. Đám mây công cộng cũng có thể được sử dụng để cộng tác; chẳng hạn, các nhà sản xuất nội dung có thể dễ dàng tải nội dung lên đám mây công cộng. Bằng cách sử dụng các dịch vụ đám mây kết hợp, các công ty giữ được quyền kiểm soát tốt hơn đối với dữ liệu riêng tư của họ. Một công ty có thể lưu trữ dữ liệu nhạy cảm trên đám mây riêng hoặc trung tâm dữ liệu cục bộ, đồng thời sử dụng các tài nguyên tính toán mạnh mẽ của một đám mây công cộng được quản lý. Lưu trữ đối tượng có thể giúp các tổ chức có xác thực và bảo mật chi tiết hơn, hơn là một giải pháp lưu trữ tệp thông thường. Đồng thời, điều này cung cấp cho nhân viên của bạn loại sao lưu và phục hồi tự phục vụ mà họ cần trong một thế giới xa xôi nơi tốc độ là cốt lõi và hiệu quả là trọng tâm. Các công ty có nhiều cơ hội hơn trước khi nói đến việc quản lý sao lưu và phục hồi. Nhiều người tiêu dùng đang phát trực tuyến hơn và nhiều nhân viên hơn đang làm việc tại nhà; công ty cần khả năng giúp nhân viên bảo vệ dữ liệu của chính họ cũng như dữ liệu của công ty. Với cả tốc độ và hiệu quả đều có lợi cho nó, lưu trữ đối tượng làm cho điều này trở nên khả thi. ” Các mô hình học máy có thể giải thích được. Bình luận của: Alex Keller, Trưởng nhóm Khoa học Dữ liệu tại Tillful. “Máy học có thể giải thích được được thiết kế cho các nhà thiết kế mô hình, người tiêu dùng mô hình và các nhà quản lý như một cách để có được ước tính gần đúng về các hành vi bên trong của mô hình cơ bản cũng như cách thức và lý do tại sao nó đến với dự đoán của họ. Tốt hơn là, những giải thích này có thể truy cập được, không quá kỹ thuật và được tích hợp như một ưu tiên trong toàn bộ vòng đời của quá trình tạo mô hình – từ khi bắt đầu, cho đến khi triển khai và đưa vào các báo cáo và đánh giá cuối cùng giúp trao quyền cho việc ra quyết định. Những mô hình như vậy rất cần thiết để tạo ra các phương pháp luận mạnh mẽ và toàn diện hơn nhằm giảm thiểu sự thiên lệch trong các quyết định có tác động kinh tế hoặc xã hội đáng kể. Chẳng hạn, trong lĩnh vực tài chính, họ có quyền loại bỏ những thành kiến ​​khiến các tổ chức tài chính không mở rộng tín dụng cho các chủ doanh nghiệp thiểu số, những người đã từng bị từ chối cơ hội bình đẳng trong không gian. Ngoài ra, các tổ chức tài chính có thể khai thác các mô hình sâu hơn và mô hình năng lực cao hơn bằng cách thiết lập một cách tiếp cận có nguyên tắc để thu thập dữ liệu, xác nhận, xây dựng mô hình và khả năng giải thích. Trong lịch sử, các nhà khoa học dữ liệu và thống kê đã thiết kế các mô hình thống kê dung lượng thấp phù hợp với các quan hệ tuyến tính; bộ kỹ thuật này chẳng hạn như Chế độ cộng tổng quát, Cây quyết định hoặc Hồi quy tuyến tính là các phương pháp hộp thủy tinh. Bằng cách xây dựng, các phương pháp Hộp thủy tinh hoàn toàn có thể giải thích được và do đó có thể giải thích được đối với sự hiểu biết của con người. Tuy nhiên, với sự gia tăng của các tập dữ liệu lớn hơn, nhiều chiều hơn, các mô hình phi tuyến tính có dung lượng cao hơn nắm bắt các mẫu phức tạp và trả lại hiệu suất hiện đại. Khi ML / AI trở nên phổ biến hơn trong các quy trình ra quyết định hàng ngày, điều tối quan trọng là các công ty phải triển khai một tập hợp các kỹ thuật để hiểu hành vi của các mô hình cơ bản. Để đạt được khả năng giải thích (Explainability), chúng tôi yêu cầu các kỹ thuật về khả năng diễn giải làm trụ cột cơ bản. Do đó, tiếp tục đổi mới và nghiên cứu về khả năng diễn giải sẽ là một thành phần không thể thiếu, cùng với nghiên cứu và đổi mới về tính mạnh mẽ, công bằng và học tập nhân quả. Hơn nữa, Explainability là một nỗ lực hợp tác đòi hỏi sự giao thoa của nhiều lĩnh vực nghiên cứu và phát triển chính sách ”. “Dữ liệu MacGyoring” và Cách Doanh nghiệp có thể Tận dụng tối đa Dữ liệu mà họ có, Bất kể Ngân sách hay Ràng buộc. Bình luận của Arun Kumar, EVP Data & Insights tại Hero Digital. “Trong suốt sự nghiệp của mình, tôi đã thấy dữ liệu và Thông tin chi tiết cung cấp thông tin về những hành động đúng đắn thúc đẩy tăng trưởng kinh doanh. Tuy nhiên, tôi cũng đã làm việc với các công ty ở nhiều giai đoạn khác nhau trong hành trình dữ liệu của họ. Không phải tất cả các công ty đều có một tập hợp dữ liệu mạnh mẽ để sử dụng, vì vậy tôi đã học cách sáng tạo bằng 'Dữ liệu phủ sóng'. Trong một thế giới lý tưởng, tất cả chúng ta đều muốn có quyền truy cập không bị kiểm soát vào dữ liệu khách hàng chính xác, kịp thời và có sẵn ở các định dạng mong muốn, sẵn sàng cho việc phân tích và tiêu thụ. Nhưng thế giới thực khác xa điều đó. Dữ liệu lộn xộn, không đầy đủ và đôi khi bị thiếu. Đó là nơi chúng ta cần để sáng tạo. Cách tiếp cận của chúng tôi là làm việc với dữ liệu mà khách hàng của chúng tôi đã có, đồng thời xây dựng phương pháp thử nghiệm và tìm hiểu xung quanh dữ liệu đó. Nhanh chóng triển khai thông tin chi tiết từ dữ liệu thưa thớt, hiểu các tín hiệu ban đầu và triển khai nhóm hành động tiếp theo. Tất cả điều này đòi hỏi một cách tiếp cận nhanh nhẹn sử dụng khả năng lắng nghe các tín hiệu từ dữ liệu một cách nhanh chóng và can đảm để hành động theo những tín hiệu ban đầu đó. Mặc dù tất cả chúng ta đều muốn đợi dữ liệu hoàn hảo, nhưng cách tiếp cận này dẫn đến những cải tiến lặp đi lặp lại theo thời gian, dẫn đến lợi nhuận kinh doanh đáng kể. Làm việc với dữ liệu bạn có. Xây dựng trên nó. Học từ nó. Hành động nó. Và trong quá trình đó, hãy thu thập nhiều hơn nữa. ” AI / ML trong Phân tích phát trực tuyến: Cách các doanh nghiệp có thể đưa ra quyết định tốt hơn, nhanh hơn. Bình luận của: Conor Twomey, Giám đốc điều hành, Bắc Mỹ, KX & FD Technologies. “Các công ty hiện đại đang xử lý nhiều điểm dữ liệu hơn bao giờ hết. Quyền truy cập mới vào dữ liệu nhanh, lớn và đa dạng này đã làm thay đổi hoạt động kinh doanh; nhưng để thực sự theo hướng dữ liệu, các tổ chức (và các nhà lãnh đạo của họ) phải học cách khai thác sức mạnh của thông tin đó để đưa ra các quyết định có ý nghĩa trong thời điểm hiện tại. Điều này bắt đầu với sự thay đổi tư duy và văn hóa. Trong khi đại dịch chắc chắn đã là một chất thúc đẩy cho sự sống động theo hướng dữ liệu tenment, nghiên cứu gần đây cho thấy 66% công ty nói rằng văn hóa là yếu tố cản trở việc giảm thời gian đến giá trị từ dữ liệu của họ và gần một nửa (49%) đấu tranh với việc thiếu người và kỹ năng. Đầu tư vào tài năng và công cụ phù hợp là chìa khóa quan trọng, đặc biệt khi 90% số người được hỏi cho biết họ cần tăng cường đầu tư vào các giải pháp phân tích dữ liệu thời gian thực trong thời gian tới. Với phân tích phát trực tuyến thời gian thực, các doanh nghiệp có thể thu hẹp khoảng cách giữa dữ liệu lịch sử – nằm trong hệ thống kế thừa, tại chỗ hoặc phổ biến hơn là trong đám mây – và dữ liệu thời gian thực. Gần đây, sự ra đời của trí tuệ nhân tạo (AI), máy học (ML) và khoa học dữ liệu đã tạo ra động lực và cơ hội mới trong phân tích truyền trực tuyến. Một báo cáo của Gartner giải thích rằng 'vào cuối 2024, 75% doanh nghiệp sẽ chuyển từ thí điểm sang vận hành AI, thúc đẩy sự gia tăng gấp 5 lần đối với cơ sở hạ tầng phân tích và dữ liệu trực tuyến. ' Các công nghệ nâng cao trí thông minh liên tục với AI / ML đã đi trước xu hướng – tạo ra các khả năng mới để cải thiện khả năng phục hồi, giảm silo dữ liệu và cung cấp thông tin chi tiết có ý nghĩa hơn để tự động phản ứng với các điều kiện thị trường mới. Và các công ty nhanh nhẹn, ưu tiên dữ liệu đang tận dụng những công cụ đó có khả năng rất cần thiết để sắp xếp dữ liệu, có được thông tin chi tiết thông minh và giải quyết nhiều vấn đề hơn – cho phép họ đưa ra quyết định nhanh hơn, dựa trên sự kiện. ” Sự phức tạp của việc di chuyển đường ống dữ liệu kế thừa sang đám mây. Bình luận của: Mark Cusack, CTO của Yellowbrick. “Khi việc áp dụng đám mây trưởng thành, chúng tôi bắt đầu thấy các mô hình triển khai mới. Các doanh nghiệp đang nhìn xa hơn các mục tiêu đám mây đơn lẻ và đang lập kế hoạch và thực hiện các chiến lược đa đám mây. Việc khóa vào một nhà cung cấp đám mây cụ thể có rủi ro từ góc độ sẵn có và chi phí, đồng thời có nghĩa là doanh nghiệp không thể tận dụng các dịch vụ đám mây tốt nhất mà mỗi CSP cung cấp. Các nhà đổi mới thực sự đang tiến thêm một bước nữa và đang bắt đầu xem xét việc triển khai các ứng dụng và dịch vụ ở biên mạng. Chúng ta sẽ thấy sự bùng nổ về tốc độ tăng trưởng dữ liệu trong vài năm tới với Gartner dự đoán rằng 50% tất cả dữ liệu sẽ được tạo ra bên ngoài các trung tâm dữ liệu đám mây công cộng của 2023. Động lực của sự tăng trưởng này sẽ là các thiết bị được kết nối IoT, việc triển khai mạng 5g và sự gia tăng của các dịch vụ theo vị trí cụ thể. Để giúp giải quyết sự tăng trưởng này, đa đám mây sẽ mở rộng phạm vi để trở thành các đám mây phân tán, trong đó cùng một cơ sở hạ tầng, dịch vụ và API đám mây công cộng được triển khai ở khắp mọi nơi. Duy trì một cơ sở hạ tầng chung sẽ đơn giản hóa việc tích hợp từ biên đến trung tâm và sẽ cho phép một cách tiếp cận quản trị dữ liệu và bảo mật thống nhất. Hệ sinh thái phân tích sẽ thích ứng để phù hợp với mô hình đám mây phân tán, triển khai phân tích tại điểm cần thiết, dựa trên mức độ nghiêm trọng của dữ liệu, độ trễ và các yêu cầu về chủ quyền. Các công ty cần bắt đầu suy nghĩ về những thách thức và cơ hội mà dữ liệu được phân phối rộng rãi sẽ mang lại trong tương lai và các nhà cung cấp sẽ cần phát triển các sản phẩm tích hợp và quản lý dữ liệu, phân tích và dịch vụ khác nhau trên các đám mây phân tán ”. Life at the Edge: Chìa khóa thành công của AI. Bình luận của: Bill Scudder, SVP và Tổng Giám đốc Giải pháp AIoT, AspenTech. “Một trong những thách thức lớn nhất khi ứng dụng AI trong thế giới thực là tính không linh hoạt. Edge AI có các trường hợp sử dụng tiềm năng không giới hạn – các giải pháp và ứng dụng khác nhau từ đồng hồ thông minh đến dây chuyền sản xuất và từ hậu cần đến các tòa nhà và thành phố thông minh. Trong trường hợp sản xuất, việc sử dụng AI để giám sát các quy trình sản xuất cho phép các nhà điều hành giảm thiểu trước các vấn đề sản xuất nghiêm trọng và tối ưu hóa hiệu suất. Trong các tình huống mà các tổ chức đang triển khai hàng trăm và hàng nghìn cảm biến hoặc có thể phải đối mặt với tổn thất sản xuất hàng triệu đô la trong vòng vài phút – AI tiên tiến là rất quan trọng. ” Doanh nghiệp xây dựng các nhà lãnh đạo hiểu biết về dữ liệu. Bình luận của: Merav Yuravlivker – Giám đốc điều hành và Đồng sáng lập của Data Society. “Bước đầu tiên để xây dựng các nhà lãnh đạo hiểu biết về dữ liệu là trao quyền cho họ suy nghĩ về dữ liệu một cách chiến lược. Nhiều giám đốc điều hành và nhà quản lý né tránh việc sử dụng dữ liệu vì họ không cảm thấy thoải mái với nó và có thể không quen với từ vựng và tiềm năng. Bằng cách cho họ cơ hội học cách tận dụng các công cụ, kỹ thuật và chiến lược dữ liệu, họ sẽ áp dụng chúng để phát triển văn hóa thông tin dữ liệu trong toàn tổ chức của mình. Chúng tôi đã thấy các giải pháp đào tạo của chúng tôi giáo dục và trang bị cho các nhà lãnh đạo những kỹ năng cần thiết để thành công. Và một khi các nhà lãnh đạo nắm được thông tin về dữ liệu, họ sẽ tạo ra sự thay đổi trong tư duy dẫn đến các hoạt động được sắp xếp hợp lý hơn và đội ngũ nhanh nhẹn hơn ”. Đăng ký nhận bản tin InsideBIGDATA miễn phí. Tham gia với chúng tôi trên Twitter: @ InsideBigData1 – https://twitter.com/InsideBigData1

  • Trang chủ
  • Trí tuệ nhân tạo
  • Chuyên viên phân tích kinh doanh
  • Thông tin kinh doanh
  • Khoa học dữ liệu
  • Back to top button