根據(jù)云服務(wù)提供商Rackspace Technology的一項新調(diào)查，大多數(shù)公司都在努力制定可行的人工智能策略。這項調(diào)查包括制造業(yè)，金融，零售，政府和醫(yī)療保健等各個行業(yè)的1，870個組織，該調(diào)查表明，只有20％的公司擁有成熟的AI /機器學(xué)習(xí)計劃。

幾乎每個行業(yè)中機器學(xué)習(xí)的前景都是如此。

將機器學(xué)習(xí)模型應(yīng)用于實際應(yīng)用程序的好處包括更低的成本、更高的精度、更好的客戶體驗以及新功能。并且，正如許多組織和公司正在學(xué)習(xí)的那樣，在將機器學(xué)習(xí)的力量應(yīng)用于您的業(yè)務(wù)和運營之前，您必須克服幾個障礙。

公司將AI技術(shù)集成到其運營中時面臨的三個關(guān)鍵挑戰(zhàn)是技能，數(shù)據(jù)和策略領(lǐng)域，Rackspace的調(diào)查清楚地說明了大多數(shù)機器學(xué)習(xí)策略為何失敗的原因。

機器學(xué)習(xí)模型以計算資源和數(shù)據(jù)為基礎(chǔ)。得益于各種云計算平臺，對訓(xùn)練和運行AI模型所需的硬件的訪問變得更加容易獲得和負(fù)擔(dān)得起。

但是數(shù)據(jù)在規(guī)劃和采用AI策略的不同階段仍然是主要障礙。

在Rackspace調(diào)查中，有34％的受訪者表示數(shù)據(jù)質(zhì)量差是機器學(xué)習(xí)研發(fā)失敗的主要原因，另有31％的受訪者表示他們?nèi)狈捎糜谏a(chǎn)的數(shù)據(jù)。

這凸顯了將機器學(xué)習(xí)技術(shù)應(yīng)用于現(xiàn)實問題時的主要障礙之一。盡管AI研究社區(qū)可以訪問許多公共數(shù)據(jù)集來培訓(xùn)和測試其最新的機器學(xué)習(xí)技術(shù)，但要將這些技術(shù)應(yīng)用于實際應(yīng)用程序時，要獲得高質(zhì)量的數(shù)據(jù)并不容易。在工業(yè)，衛(wèi)生和政府部門中尤其如此，在這些部門中，數(shù)據(jù)通常很少或受到嚴(yán)格的監(jiān)管。

當(dāng)機器學(xué)習(xí)計劃從研究階段轉(zhuǎn)移到生產(chǎn)階段時，數(shù)據(jù)問題再次出現(xiàn)。在使用機器學(xué)習(xí)來提取有價值的見解方面，數(shù)據(jù)質(zhì)量仍然是最大的障礙。數(shù)據(jù)工程問題也帶來了一個嚴(yán)重的問題，例如數(shù)據(jù)孤島，缺乏連接不同數(shù)據(jù)源的人才以及不夠快地以有意義的方式處理數(shù)據(jù)。

數(shù)據(jù)是從機器學(xué)習(xí)模型中獲取可行見解時最關(guān)鍵的問題

Rackspace Technology的首席技術(shù)官杰夫·德維爾特（Jeff DeVerter）表示，盡管規(guī)模似乎是兩者之間的關(guān)鍵區(qū)別，但初創(chuàng)企業(yè)和成熟公司都面臨數(shù)據(jù)問題。初創(chuàng)企業(yè)往往受制于并非所有正確的資源來實施高質(zhì)量的數(shù)據(jù)管道，并隨著時間的流逝不斷地對其進(jìn)行管理。企業(yè)通常擁有規(guī)模，而隨之而來的是嚴(yán)格的要求。

公司應(yīng)對AI策略的數(shù)據(jù)挑戰(zhàn)的最佳方法是對其數(shù)據(jù)基礎(chǔ)架構(gòu)進(jìn)行全面評估。消除孤島應(yīng)該成為每個機器學(xué)習(xí)計劃中的關(guān)鍵優(yōu)先事項。公司還應(yīng)具有清理數(shù)據(jù)的正確程序，以提高其機器學(xué)習(xí)模型的準(zhǔn)確性和性能。

人工智能人才需求仍然很高

對于大多數(shù)公司而言，第二個難題是獲取機器學(xué)習(xí)和數(shù)據(jù)科學(xué)人才。根據(jù)Rackspace的調(diào)查，缺乏內(nèi)部專業(yè)知識是導(dǎo)致機器學(xué)習(xí)研發(fā)計劃失敗的第二大原因。招聘中缺乏技能和困難也是采用AI技術(shù)的主要障礙。

許多公司都在努力獲取人才以實施其AI策略方面遇到困難

機器學(xué)習(xí)和深度學(xué)習(xí)直到最近才在生產(chǎn)環(huán)境中得到主流使用，因此許多較小的公司沒有可以開發(fā)AI模型的數(shù)據(jù)科學(xué)家和機器學(xué)習(xí)工程師。

數(shù)據(jù)科學(xué)家和機器學(xué)習(xí)工程師的平均薪水與經(jīng)驗豐富的軟件工程師的薪水相稱，這使得許多公司很難組建一支能夠領(lǐng)導(dǎo)其AI計劃的才華橫溢的團(tuán)隊。

盡管眾所周知，機器學(xué)習(xí)和數(shù)據(jù)科學(xué)人才的短缺，但沒有引起人們注意的一件事是需要更多的數(shù)據(jù)工程師，建立，維護(hù)和更新數(shù)據(jù)庫，數(shù)據(jù)倉庫和數(shù)據(jù)湖的人員。根據(jù)Rackspace的數(shù)據(jù)，許多計劃失敗了，因為公司沒有足夠的能力來調(diào)整其數(shù)據(jù)基礎(chǔ)結(jié)構(gòu)以用于機器學(xué)習(xí)。嚴(yán)重缺乏公司的一些領(lǐng)域是：打破孤島、遷移到云、建立Hadoop集群以及創(chuàng)建可以利用不同平臺的功能的混合系統(tǒng)。這些缺點使他們無法在公司范圍內(nèi)部署機器學(xué)習(xí)計劃。

大數(shù)據(jù)

隨著新的機器學(xué)習(xí)和數(shù)據(jù)科學(xué)工具的發(fā)展，人才問題已變得不那么嚴(yán)重。谷歌，微軟和亞馬遜已經(jīng)推出了平臺，使開發(fā)機器學(xué)習(xí)模型變得更加容易。一個示例是Microsoft的Azure機器學(xué)習(xí)服務(wù)，該服務(wù)提供具有拖放組件的可視界面，使無需編碼即可輕松創(chuàng)建ML模型。另一個例子是Google的AutoML，它可以自動完成繁瑣的超參數(shù)調(diào)整過程。盡管這些工具不能代替機器學(xué)習(xí)人才，但它們?yōu)橄胍M(jìn)入該領(lǐng)域的人們降低了障礙，并使許多公司能夠重新培養(yǎng)其在這些不斷發(fā)展的領(lǐng)域中的技術(shù)人才。

內(nèi)部數(shù)據(jù)科學(xué)人才的匱乏不再是障礙，因為現(xiàn)在越來越多的服務(wù)可以使用他們自己的ML來幫助這方面，以及擁有這些人才的咨詢公司。

該領(lǐng)域的其他發(fā)展是云存儲和分析平臺的發(fā)展，它極大地降低了創(chuàng)建創(chuàng)建和運行AI系統(tǒng)所需的無縫數(shù)據(jù)基礎(chǔ)架構(gòu)的復(fù)雜性。一個例子就是Google的BigQuery，這是一個基于云的數(shù)據(jù)倉庫，可以輕松地對存儲在各種來源中的大量數(shù)據(jù)進(jìn)行查詢。

我們還看到機器學(xué)習(xí)工具中的兼容性和集成功能正在不斷增強，這將使組織更輕松地將ML工具集成到其現(xiàn)有軟件和數(shù)據(jù)生態(tài)系統(tǒng)中。

在進(jìn)入AI計劃之前，每個組織都必須對內(nèi)部人才，可用工具和集成可能性進(jìn)行全面評估。知道您可以依靠自己的工程師多少以及雇用人才將花費多少，這將成為機器學(xué)習(xí)計劃成敗的決定性因素。另外，請考慮是否需要重新技能。如果您可以提高工程師的技能以從事數(shù)據(jù)科學(xué)和機器學(xué)習(xí)項目，那么從長遠(yuǎn)來看，您會更好。

外包AI人才

近年來增長的另一個趨勢是AI計劃的外包。在Rackspace調(diào)查中，只有38％的受訪者依靠內(nèi)部人才來開發(fā)AI應(yīng)用程序。其余的要么完全外包他們的AI項目，要么雇用內(nèi)部和外包人才。

大多數(shù)公司依靠外部人才來計劃和實施他們的AI計劃

現(xiàn)在有幾家公司專門研究和實施AI策略。一個例子是C3.ai，這是一家專門從事多個行業(yè)的AI解決方案提供商。C3.ai在諸如Amazon，Microsoft和Google之類的現(xiàn)有云提供商之上提供AI工具。該公司還提供AI咨詢和專業(yè)知識，以逐步引導(dǎo)客戶完成戰(zhàn)略制定和實施階段。

根據(jù)Rackspace的報告，成熟的提供商可以隨著時間的推移從戰(zhàn)略到實施再到維護(hù)和支持帶來一切。策略可以避開AI和機器學(xué)習(xí)工作可能失去動力或變得復(fù)雜的領(lǐng)域。動手專家還可以使組織免于清理和維護(hù)的麻煩。這些專業(yè)知識加在一起，可以為最終取得成功發(fā)揮一切作用。

但是，值得注意的是，將組織的AI戰(zhàn)略完全移交給外部提供商可能是一把雙刃劍。成功的策略需要AI專家與實施該策略的公司的主題專家之間的密切合作。

這與轉(zhuǎn)向DevOps開發(fā)方法并試圖將整個開發(fā)外包的公司非常相似。DevOps要求開發(fā)人員，業(yè)務(wù)分析師和業(yè)務(wù)中的其他人員之間保持緊密的合作關(guān)系。以同樣的方式，人工智能項目不僅需要戰(zhàn)略和技術(shù)專長，而且還需要與企業(yè)以及領(lǐng)導(dǎo)層建立緊密的合作伙伴關(guān)系。

必須精心完成外包AI人才的工作。盡管它可以加快開發(fā)和實施AI策略的過程，但您必須確保專家完全參與該過程。理想情況下，當(dāng)您與外部專家一起工作時，您應(yīng)該能夠建立自己的內(nèi)部數(shù)據(jù)科學(xué)家和機器學(xué)習(xí)工程師團(tuán)隊。

您如何評估您的AI策略？

最后，另一個使從事AI之旅的公司感到痛苦的領(lǐng)域是預(yù)測AI策略的結(jié)果和價值。鑒于機器學(xué)習(xí)在許多領(lǐng)域都是新的應(yīng)用，因此很難預(yù)先知道AI策略將計劃和實施多長時間以及投資回報率是多少。反過來，在獲得對AI計劃的支持時，組織的創(chuàng)新者很難讓其他人參與進(jìn)來。

在Rackspace調(diào)查的受訪者中，有18％的人認(rèn)為缺乏明確的業(yè)務(wù)案例是采用AI策略的主要障礙。高管人員缺乏承諾也是最大的障礙之一。缺乏用例和高級管理層的承諾再次出現(xiàn)在機器學(xué)習(xí)過程中的主要挑戰(zhàn)中。

AI通常會四處尋找解決方案，以尋找組織內(nèi)部的問題。我相信這是在組織內(nèi)部廣泛采用的最大障礙之一。由于AI從業(yè)人員可以展示有關(guān)AI如何使他們的特定公司受益的實際示例-領(lǐng)導(dǎo)力將進(jìn)一步為這些活動提供資金。像任何企業(yè)一樣，領(lǐng)導(dǎo)者需要知道它將如何幫助他們省錢或賺錢。

評估AI計劃的結(jié)果非常困難。根據(jù)調(diào)查，衡量AI計劃成功與否的前兩個關(guān)鍵績效指標(biāo)（KPI）是利潤率和收入增長。可以理解，這種對快速利潤的關(guān)注部分是由于AI計劃的高成本。根據(jù)Rackspace的調(diào)查，組織平均每年在AI計劃上花費106萬美元。

但是，盡管良好的AI計劃可以帶來收入增長和更低的成本，但在許多情況下，機器學(xué)習(xí)的長期價值在于開發(fā)新的用例和產(chǎn)品。

如果短期財務(wù)收益與那些可以由這些短期收益提供資金的長期戰(zhàn)略不匹配，則可能是近視的。

如果您負(fù)責(zé)組織中的AI計劃，請確保清楚地列出AI策略的用例，成本和收益。決策者應(yīng)清楚了解其公司將要開展的工作。他們應(yīng)該了解投資人工智能的短期利益，但他們也應(yīng)該知道從長遠(yuǎn)來看會獲得什么。
編輯：lyn