阻碍企业采用机器学习的四块绊脚石

编译作者: 布加迪 2018-05-25 09:00:00

【51CTO.com快译】虽然机器学习好处多多,为什么并非谁都在采用它?这些绊脚石是其中几个最主要的原因。

阻碍企业采用机器学习的四块绊脚石

人工智能(AI)目前正在席卷市场,如同第四次工业革命最具革命性的技术那样。商业界的每个人都在谈论它,似乎它将永远改变这个世界,而且它在许多方面已经改变了世界。最近的研究表明,67%的企业高管将AI视为实现流程自动化、提高效率的一种有效手段。但是普通消费者也将它视为促进社会公平的一种有力工具,超过40%的人认为AI将让低收入人群更有机会享用最基本的服务(医疗、法律和交通等)。

然而,自动化流程改造社会的步伐原本可以更快,有几个问题目前让它陷入困境。阻碍采用机器学习的最大绊脚石有哪些呢?

1.缺乏组织

一家公司、尤其是是大公司是复杂的机体。就像神话中的九头蛇那样,公司有好多头脑常常需要做同样的决定,比如首席信息官(CIO)、首席数字官(CDO),显然还有首席执行官(CEO)。所有这些高官都掌管各自的部门,这些部门本该齐心协力推动公司的人工智能工作。但是这一幕在实际场合下很少出现。

第一步是明确谁“拥有”机器学习项目,因此谁负责带头在公司内部实施。在几个早已建立的数据和分析团队需要确保同步的企业,许多团队却将精力分散到无数小项目上,这并不罕见。小型试点项目也许有助于总体了解机器学习科学,但常常无法获得核心业务所需要的自动化效率。

IT服务管理(ITSM)也许是一种有效的方案可以解决这个问题,帮助各个IT团队明白公司中哪些部门带来相当大的收入,自动化又可以提高利润或减少错误率。

2.培训不足

机器学习是一种古老又新颖的技术。原始的AI可追溯到80年代初,但深度学习算法的最新发展帮助这项技术向前迈进了一大步。从事于这个领域且专业知识足够扎实的真正的专家寥寥无几,尤其当谷歌和Facebook抢走了80%拥有博士学位的机器学习工程师。

许多企业知道自己的局限性,只有20%的企业认为自己的IT专家拥有处理AI的必需技能。对机器学习技能的需求在迅速增长,但如今拥有所需专长和才干的那些人才是真正的摇滚明星。然而,在深度学习算法方面受过充分培训的那些人当中许多可能没有正式的资格(比如硕士学位)来证明这一点。记住:这个领域还很新??今天的许多开拓者是从根本就没有机器学习博士学位的时代走过来的传统程序员。

现在许多人力资源专业人员得克服这个难题:为复杂性可能超过专业技能本身的岗位招到合适人选。今天,连讲述机器学习工程师、数据科学家和前端开发人员的能力有何差异都并非易事。然而,最终基于AI的招聘本身有望成为帮助所有人力资源经理的解决方案。

3.无法访问的数据和隐私保护

在AI借助最先进的机器学习算法学习任何东西之前,需要为AI馈送数据,而且是大量数据。然而在大多数时候,这些数据还没有准备好供企业使用,如果是非结构化形式的数据更是如此。数据聚合过程复杂又费时,尤其是数据分开来存储或使用不同的处理系统时。所有这些步骤都需要由不同类型的专家组成的专门团队全神贯注来完成。

只要数据里面含有大量的敏感或个人信息,提取的数据也常常无法使用。虽然加密这些信息最终让数据可用,但必须为这些繁琐的工作投入另外的时间和资源。为了解决上游问题,需要匿名化的敏感数据一旦收集就要分开来存储。

4.信任和可信度

灵活性不是所有人都拥有的特征。当无法向不是程序员或工程师的人简单地解释深度学习算法时,希望借助AI来利用新商机的那些人可能会开始减少。在一些比较传统的实体行业尤为如此。实际上,大多数时候,历史数据实际上并不存在,需要对照实际数据来测试算法以证明其效率。不难理解在石油和天然气钻探等一些行业,不够理想的结果可能导致重大风险。

数字化转型方面仍然落后的许多公司可能需要彻底革新整套基础设施,才能合理地采用AI。效果可能很久过后才显现出来,因为在试验出成果之前需要收集、使用和消化数据。启动一个无法保证值得投入的大型机器学习项目需要某种程度的灵活性、资源和勇气,许多企业可能完全缺乏这个。

结论

许多仍然缓慢或阻碍AI发展的绊脚石与人的本性和行为有关,而不是与这项技术本身的局限有关。

对于仍然怀疑机器学习潜力的那些人来说,没有明确的答案。这是一条从未走过的道路,在这个发展阶段仍需要现场试验。我们再一次需要利用当初帮助人类达到最非凡高度的一种特质:我们的适应能力。只不过这一回我们需要将这个技能教给智能机器。

原文标题:4 Roadblocks That Are Stalling Adoption of Machine Learning,作者:Claudio Buttice 

【51CTO译稿,合作站点转载请注明原文译者和出处为51CTO.com】

人工智能 机器学习
上一篇:这次没有听霍金的!人工智能替代人类,科学走的就是这条路 下一篇:李子青教授担任百分点首席计算机视觉科学家
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

11个主流AI聊天机器人平台,你绝不能错过 精选

人工智能聊天机器人掀起了一场用户体验革命。只要用户需要,机器人就能提供有用的信息。一些企业应用AI聊天机器人为客户提供积极有益的帮助,企业也因此得到了长足的发展。

读芯术 ·  1天前
机器学习与预测分析的区别在何处? 精选

如今,认知学习的应用比以往更为普遍。通常意义上讲,认知学习与认知计算就是涉及AI技术与信号处理的操作过程或技术平台。

读芯术 ·  1天前
5G自动驾驶什么样?韩国测试得出这样的结果

自动驾驶与5G的产业发展备受关注,而两者结合会有什么样的效果,韩国企业近日进行了一番探索。韩媒报道称,10月10日,LG U+自动驾驶汽车在首尔麻谷LG科学园一带的普通公路上进行了测试。

佚名 ·  1天前
大盘点:8月Github上7个值得关注的数据科学项目

本文带你来看看GitHub上创建于2019年8月的7个数据科学项目。笔者所选项目的范围十分广泛,涉及从机器学习到强化学习的诸多领域。

读芯术 ·  1天前
全球十大AI训练芯片大盘点

AI芯片哪家强?现在,有直接的对比与参考了。英国一名资深芯片工程师James W. Hanlon,盘点了当前十大AI训练芯片。

乾明 ·  1天前
模型仅1MB,更轻量的人脸检测模型开源,效果不弱于主流算法

AI模型越来越小,需要的算力也也来越弱,但精度依旧有保障。最新代表,是一个刚在GitHub上开源的中文项目:一款超轻量级通用人脸检测模型。

乾明 ·  1天前
人工智能遇冷,自动驾驶受阻?

2016到2019,人工智能经历了梦幻般的三年,但人工智能的历史规律告诉我们:高潮过后可能会引来新的一波沉寂,人工智能助推下的自动驾驶也会受到波及。

佚名 ·  1天前
非监督学习最强攻略

本次主要讲解的内容是机器学习里的非监督学习经典原理与算法,非监督,也就是没有target(标签)的算法模型。

SAMshare ·  1天前
Copyright©2005-2019 51CTO.COM 版权所有 未经许可 请勿转载