Dataanalyse og maskinlæring gør store fremskridt. Men det er simpelthen det næste mulige i den igangværende udvikling af dataproduktion, lagring, deling og netværkslæring.

Udvikling af data...

1. Dataknaphed – I begyndelsen af ​​1990'erne og tidligere var data temmelig knappe, både fordi dataproduktionen var lav (i forhold til i dag), og fordi mekanismerne til at lagre og dele data var mere begrænsede.
2. Dataproduktion – 2000’erne blev sensorernes tidsalder. Med fremskridt inden for elektronik blev sensorer mere overkommelige. Som følge heraf steg produktionen af ​​sensorer og mangfoldigheden af ​​nye sensorer markant. Med det store omfang af installerede sensorer er dataproduktionen vokset – og fortsætter med at vokse – eksponentielt.
3. Datalagring – med stigningen i dataproduktionen kom det øgede behov for omkostningseffektiv datalagring. I skala er datalagring nu blevet så billig, at det nærmer sig en ubetydelig pris, indtil datastørrelserne er enorme.
4. Datadeling – i 1990’erne genererede virksomheder deres egne interne data, men de blev stort set ikke delt uden for virksomheden. Det var heller ikke almen viden, undtagen i trykt form. Med fremkomsten af ​​internettet og dets efterfølgende brede anvendelse (1993+), blev datadeling mere udbredt end nogensinde før (især med udbredelsen af ​​API'er), men den forblev stort set ustruktureret.
5. Strukturering af data – Teknologikyndige brancheeksperter så gentagelige mønstre inden for de tilgængelige informationssæt og begyndte at strukturere det, en branchevertikal ad gangen. Collect and collate var den næste "tilstødende mulige", (ca. 2004 – 2016). Det er faktisk sådan, PrivateEquityInfo.com startede i 2004. Jeg identificerede en mulighed for at strukturere data på tværs af private equity og relaterede M&A-virksomheder og begivenheder. Dette sparede folk for en enorm mængde tid i informationssøgning og professionelt netværk og øgede effektiviteten af ​​M&A-aftaler.
6. Dataanalyse – med strukturerede data havde vi nu mulighed for, gennem algoritmer, at analysere og spotte tendenser på tværs af data over tid som aldrig før. Dette hjalp os med bedre at forstå historiske sammenhænge, ​​hvilket muliggjorde fremtidige fremskrivninger fra de historiske tendenser (2008+). Det giver også handlebar indsigt, i det mindste retningsbestemt.
7. Big Data – efterhånden som data blev mere og mere nyttige i beslutningstagningen, begyndte vi at indsamle mere og mere af dem. Med data (og tilstrækkelig processorkraft) er mere bedre (forudsat at datakvaliteten ikke forringes med dataudvidelse... ofte en fejlagtig antagelse).
8. Smart data og maskinlæring – efterhånden som den strukturerede dataindsamling fra sensorer og forskellige inputs begyndte at overskride vores (menneskelige) evne til at holde trit med det, begyndte vi at anvende maskinlæringsteknikker til at etablere relationer inden for dataene og for at skabe bedre forudsigelser og indikatorer for fremtiden. Maskinlæring, fodret med store mængder data, er meget mere kraftfuld end menneskekodede algoritmer. Ud fra enorme mængder data kan maskiner pirre mønstre, som mennesker ikke kan. De kan lære hurtigere, spotte kausale sammenhænge i data og dermed forudsige resultater med bedre nøjagtighed end mennesker. Smarte, maskinlærte, datadrevne algoritmer kombineret med masser af data er nu omtrentlig intelligens – kunstig intelligens (2015+).

Hvad er det næste?

Netværkslæring – i 2018+ skaber maskiner data, gør dem tilgængelige i forudbestemte, strukturerede formater, deler disse data med andre maskiner og får netværket af maskiner til at lære af hinanden. Maskinens superintelligens. Den modellerer nærmere den menneskelige hjernes komplicerede netværk, bortset fra med mere processorkraft, mere lagerkapacitet og hurtigere informationssøgning. Dette er ikke singulariteten, men det vil være et stort spring fremad – til det punkt, at intelligensen produceret af maskinerne ikke vil føles så kunstig.