雖然機器學習好處多多，為什么并非誰都在采用它？這些絆腳石是其中幾個最主要的原因。

人工智能（AI）目前正在席卷市場，如同第四次工業革命最具革命性的技術那樣。商業界的每個人都在談論它，似乎它將永遠改變這個世界，而且它在許多方面已經改變了世界。最近的研究表明，67%的企業高管將AI視為實現流程自動化、提高效率的一種有效手段。但是普通消費者也將它視為促進社會公平的一種有力工具，超過40%的人認為AI將讓低收入人群更有機會享用最基本的服務（醫療、法律和交通等）。

然而，自動化流程改造社會的步伐原本可以更快，有幾個問題目前讓它陷入困境。阻礙采用機器學習的最大絆腳石有哪些呢？

1.缺乏組織

一家公司、尤其是是大公司是復雜的機體。就像神話中的九頭蛇那樣，公司有好多頭腦常常需要做同樣的決定，比如首席信息官（CIO）、首席數字官（CDO），顯然還有首席執行官（CEO）。所有這些高官都掌管各自的部門，這些部門本該齊心協力推動公司的人工智能工作。但是這一幕在實際場合下很少出現。

第一步是明確誰“擁有”機器學習項目，因此誰負責帶頭在公司內部實施。在幾個早已建立的數據和分析團隊需要確保同步的企業，許多團隊卻將精力分散到無數小項目上，這并不罕見。小型試點項目也許有助于總體了解機器學習科學，但常常無法獲得核心業務所需要的自動化效率。

IT服務管理（ITSM）也許是一種有效的方案可以解決這個問題，幫助各個IT團隊明白公司中哪些部門帶來相當大的收入，自動化又可以提高利潤或減少錯誤率。

2.培訓不足

機器學習是一種古老又新穎的技術。原始的AI可追溯到80年代初，但深度學習算法的最新發展幫助這項技術向前邁進了一大步。從事于這個領域且專業知識足夠扎實的真正的專家寥寥無幾，尤其當谷歌和Facebook搶走了80%擁有博士學位的機器學習工程師。

許多企業知道自己的局限性，只有20%的企業認為自己的IT專家擁有處理AI的必需技能。對機器學習技能的需求在迅速增長，但如今擁有所需專長和才干的那些人才是真正的搖滾明星。然而，在深度學習算法方面受過充分培訓的那些人當中許多可能沒有正式的資格（比如碩士學位）來證明這一點。記住：這個領域還很新――今天的許多開拓者是從根本就沒有機器學習博士學位的時代走過來的傳統程序員。

現在許多人力資源專業人員得克服這個難題：為復雜性可能超過專業技能本身的崗位招到合適人選。今天，連講述機器學習工程師、數據科學家和前端開發人員的能力有何差異都并非易事。然而，最終基于AI的招聘本身有望成為幫助所有人力資源經理的解決方案。

3.無法訪問的數據和隱私保護

在AI借助最先進的機器學習算法學習任何東西之前，需要為AI饋送數據，而且是大量數據。然而在大多數時候，這些數據還沒有準備好供企業使用，如果是非結構化形式的數據更是如此。數據聚合過程復雜又費時，尤其是數據分開來存儲或使用不同的處理系統時。所有這些步驟都需要由不同類型的專家組成的專門團隊全神貫注來完成。

只要數據里面含有大量的敏感或個人信息，提取的數據也常常無法使用。雖然加密這些信息最終讓數據可用，但必須為這些繁瑣的工作投入另外的時間和資源。為了解決上游問題，需要匿名化的敏感數據一旦收集就要分開來存儲。

4.信任和可信度

靈活性不是所有人都擁有的特征。當無法向不是程序員或工程師的人簡單地解釋深度學習算法時，希望借助AI來利用新商機的那些人可能會開始減少。在一些比較傳統的實體行業尤為如此。實際上，大多數時候，歷史數據實際上并不存在，需要對照實際數據來測試算法以證明其效率。不難理解在石油和天然氣鉆探等一些行業，不夠理想的結果可能導致重大風險。

數字化轉型方面仍然落后的許多公司可能需要徹底革新整套基礎設施，才能合理地采用AI。效果可能很久過后才顯現出來，因為在試驗出成果之前需要收集、使用和消化數據。啟動一個無法保證值得投入的大型機器學習項目需要某種程度的靈活性、資源和勇氣，許多企業可能完全缺乏這個。

結論

許多仍然緩慢或阻礙AI發展的絆腳石與人的本性和行為有關，而不是與這項技術本身的局限有關。

對于仍然懷疑機器學習潛力的那些人來說，沒有明確的答案。這是一條從未走過的道路，在這個發展階段仍需要現場試驗。我們再一次需要利用當初幫助人類達到最非凡高度的一種特質：我們的適應能力。只不過這一回我們需要將這個技能教給智能機器。