
برای چندین دهه یادگیری ماشین با توجه پیچیدگی تقلید از انسان و مجموعه داده های به اندازه کافی بزرگ، سرعت رشد پایینی داشت. امروزه، تعداد زیادی از شرکت ها اهداف خود را با چشمانداز مثبت تری به یادگیری ماشین با وجود پیشرفت های انجام گرفته در زمینه معماری و پردازش CPU و GPU پیش میبرند.
یکی از رایج ترین ویژگی های سیستم های هوش مصنوعی (AI)، از روش های آماری برای پیش بینی استفاده میکند و به طور خودکار، خود را آموزش میدهد تا دقت پیش بینی را در طول زمان بیشتر و بیشتر کند. براساس نظر سنجی اخیر TDWI، هفده درصد از شرکتها تصمیمات خود را با یادگیری ماشین انجام میدهند.
طراحی، استقرار و مدیریت معماری موثر داده ها برای موفقیت ایده ها و ابتکارات یادگیری ماشین بسیار مهم است. پیاده سازی نیاز به پشتیبانی موثر، انعطاف پذیر از جریان داده ها در مقیاس بالا است. این پشتیبانی موثر باعث کاهش میزان خطا و احتمال شکست پروژه های یادگیری ماشین است. زیرا حجم داده های بسیار زیاد است و درحال افزایش از طرفی سازمان ها آموزش مدلها را تسریع میکنند.
در اینجا مواردی که برای مدیریت داده در یادگیری ماشین ها مهم است را نام میبریم و در قسمت بعد موارد را به طور کامل شرح میدهیم: