憑借所有機器學習的好處 為什么不是每個人都采用它

由于機器學習的最新進展，人工智能(AI)目前正在撼動市場，如第四次工業(yè)革命中最具革命性的技術。商業(yè)領域的每個人都在談論它，就像它將永遠改變我們的世界，并且在許多方面，它已經(jīng)存在。最近的研究表明，67%的企業(yè)高管將人工智能視為自動化流程和提高效率的有用手段。但一般消費者認為這是增加社會公平的有力工具，超過40%的人認為人工智能將擴大對低收入人群的大多數(shù)基本服務(醫(yī)療，法律，交通)的使用。

然而，自動化流程的這種令人難以置信的轉(zhuǎn)變的速度可能更高，并且目前存在一些問題正在困擾它。哪些是阻礙機器學習采用的最重要障礙?(深度學習是公司開始采用的另一種人工智能形式。更多信息，請參閱這些痛點，防止公司采用深度學習。)

缺乏組織

公司，特別是較大的公司，是一個復雜的生物。就像一個神話般的水,, 它有許多人經(jīng)常需要做出相同的決定，例如首席信息官(CIO)，首席數(shù)字官(CDO)以及顯然首席執(zhí)行官(CEO)。所有這些官員都經(jīng)營自己的部門，這些部門應該同時以同樣的努力水平推動他們的人工智能工作?？梢哉f，在現(xiàn)實生活中，這種情況很少發(fā)生。

澄清誰“擁有”機器學習項目并因此負責領導其在公司內(nèi)部的實施是第一步。在幾個成熟的數(shù)據(jù)和分析團隊需要同步其運營的組織中，很多人最終都會在無數(shù)較小的項目上稀釋他們的工作。較小的試點項目可能有助于全面了解機器學習科學，但往往無法實現(xiàn)核心業(yè)務所需的自動化效率。

IT服務管理(ITSM)可能是解決此問題的一種有效解決方案，可幫助各個IT團隊了解，例如，那些可以產(chǎn)生大量收入的業(yè)務部門，其中自動化可以提高利潤率或減少錯誤百分比。

培訓不足

機器學習是一項古老而又新穎的技術?；镜娜斯ぶ悄芸梢宰匪莸?0年代早期，但最近現(xiàn)代深度學習算法的發(fā)展幫助這項技術取得了巨大的飛躍。事實上，在這個領域擁有足夠深入知識的真正專家非常缺乏，特別是因為Google和Facebook 在博士學位上汲取了80%的機器學習工程師

許多組織都知道他們的極限，不超過20%的組織認為他們自己的IT專家擁有解決AI所需的技能。對機器學習技能的需求正在迅速增長，但那些擁有所需專業(yè)知識和才能的人現(xiàn)在是真正的搖滾明星。然而，許多擁有深度學習算法的足夠訓練的人可能缺乏正式的資格，例如碩士學位證明這一點。請記?。哼@個領域仍然是新的 - 今天開創(chuàng)它的許多人都是那些機器學習博士根本不存在的時代的老年程序員。

許多人力資源專業(yè)人員現(xiàn)在必須努力解決雇用合適候選人的困難，這些工作的復雜性可能超出了他們自己的專業(yè)知識。今天，即使告訴機器學習工程師，數(shù)據(jù)科學家和前端開發(fā)人員的能力之間的差異，對于非本地人來說也是一項復雜的壯舉。然而，最終，基于人工智能的招聘可能會成為幫助所有人力資源經(jīng)理的自己的解決方案。

無法訪問的數(shù)據(jù)和隱私保護

在他們用最先進的機器學習算法學習任何東西之前，需要向AI提供數(shù)據(jù)。大量的數(shù)據(jù)。但是，大多數(shù)情況下，這些數(shù)據(jù)尚未準備好供消費，特別是當它以非結構化形式出現(xiàn)時。數(shù)據(jù)聚合過程既復雜又耗時，尤其是當數(shù)據(jù)單獨存儲或與不同的處理系統(tǒng)存儲時。所有這些步驟都需要由不同類型的專家組成的專門團隊的全力關注。(有關數(shù)據(jù)結構的更多信息，請參閱結構化數(shù)據(jù)是什么?檢查結構化，非結構化和半結構化數(shù)據(jù)。)

只要包含大量敏感信息或個人信息，數(shù)據(jù)提取通常也無法使用。雖然這些信息的混淆或加密最終使其可用，但是必須將額外的時間和資源用于這些繁重的操作。要解決上游問題，需要匿名化的敏感數(shù)據(jù)必須在收集后立即單獨存儲。

信任和可信度

靈活性不是所有人都具備的特質(zhì)。當一個深度學習算法不能以一種簡單的方式解釋給一個不是程序員或工程師的人時，那些可能希望打賭AI來利用新商機的人可能會開始逐漸減少。在一些更傳統(tǒng)的實體行業(yè)中尤其如此。事實上，大多數(shù)情況下，歷史數(shù)據(jù)實際上是不存在的，并且需要針對實際數(shù)據(jù)測試算法以證明其效率。很容易理解，在石油和天然氣鉆井等某些行業(yè)中，不太理想的結果可能導致大量(和不必要的)風險。

在數(shù)字化轉(zhuǎn)型方面仍然落后的許多公司可能需要徹底改革其整個基礎設施，以便以有意義的方式采用人工智能。結果可能需要很長時間才能看到，因為在實驗結果出來之前需要收集，消耗和消化數(shù)據(jù)。啟動大規(guī)模機器學習項目并不能保證投資是值得的，這需要一定程度的靈活性，資源和勇氣，這是許多企業(yè)可能缺乏的。

在一系列奇怪的事件中，許多仍然減緩或阻礙人工智能發(fā)展的障礙都與人的本性和行為有關，而不是與技術本身的局限有關。

那些仍然懷疑機器學習潛力的人沒有明確的答案。這是一條從未被踐踏的道路，在這個開發(fā)階段仍然需要現(xiàn)場實驗。再一次，輪到我們利用幫助人類達到最高峰的特征之一：我們的適應能力。只有這次我們需要將這項技能傳授給我們的智能機器。