即使企业正在探索人工智能如何帮助其组织和人员讨论人与软件之间的关系，自动化机器学习工具仍将继续简化各个层次的部署。
Gartner在2017年研讨会上分享了一些令人咋舌的预测。Gartner预测:到2021年，人工智能增强将带来2.9万亿美元的商业价值，相当于62亿小时的工人生产力。毫无疑问，越来越多的公司将采用这些新兴技术来帮助人们并获得竞争优势。
自动化机器学习是一个真正的转型机遇。以自动机器学习为动力的下一代商业模式是变革的推动者。自动化机器学习可以帮助企业更好地为客户服务，改善业务流程，解决复杂问题。自动化机器学习不是为了取代人类，而是帮助人类。
解密黑匣子
人类对变革和决策自动化是充满抵制的。为了减轻恐惧和怀疑，从一个不太复杂的决策过程开始。让机器通过比较实际结果来生成预测。除了验证预测结果之外，还要研究如何进行预测。
破译黑盒机器学习的秘密曾经是具有挑战性的。现代机器学习由于诸如“ 通用数据保护条例”（GDPR）等法律的增加而日益透明。这个领域的创新包括对预测模型设计，数据转换步骤，应用算法和触发预测数据值的可视性。揭示机器如何做出自动化决策，培养人类的信任。
自动决策规则不是孤立运行的。即使像DataRobot，ai无人驾驶，Tellmeplus或开源auto-sklearn工具包等正在通过自动化简化机器学习过程，人类仍然是必不可少的。即使在自动化的情况下，机器学习仍然需要人工评估，调整和监测。由于这些解决方案与主题专家交互，人类的头脑与自动化人工智能的惊人力量相结合。
设计多层智能
根据物联网（IoT）主题专家John Soldatos的说法，“在设计智能业务时取得最佳效果不仅是部署自动化机器学习的问题，还需要了解多层智能。”通常，组织部署自动化机器学习技术在边缘或云端的一个或多个层面。
智能机器，智能可穿戴设备以及智能功能直接嵌入现场设备的工业机器人都可以使用现场智能。通过这种方法，现场设备成为智能对象。自动现场启用的决策处理可以节省带宽，并可以继续工作，无论网络连通性如何，都可以基于以前的学习实现实时操作。尽管有这些好处，但由于需要在CPU受限设备中部署复杂的数据处理，因此现场情报可能会出现问题。
边缘智能描述安装在控制一个或多个现场设备的边缘服务器上的人工智能功能。适用于涉及多个设备的快速或接近现场处理的用例。边缘智能使用来自智能对象和其他无源或半无源设备（例如传感器，RFID标签）的数据，也使用来自边缘计算机（如路由器）的数据。因此，边缘处理仍然能够以低延迟（近乎）实时地发现智能模式，并且没有任何本质的带宽损失。
云智能处理发生在云端。它是计算海量数据集的理想选择。云智能通常使用从多个设备和边缘服务器，企业应用程序，供应链管理系统和其他数据源收集的数据流。这种自动化机器学习配置级别通常用于企业运营或工厂级别管理。
最好的预测模型几乎没有组织价值，除非它们在业务中迅速运作。确定在数字业务架构层面部署自动化机器学习功能的最佳位置是成功的关键因素。好消息是自动化智能可以在任何层或多层发生，具体取决于时间，延迟，带宽和处理限制。现代自动化机器学习工具继续简化所有层的部署。
Impact Analytix，LLC的创始人Jen Underwood是公认的分析行业专家。她将产品管理，设计和数据仓库，报告，可视化和高级分析解决方案的20多年“实践”开发融为一体。
