如今人們總是能聽到有關(guān)機器學習的新聞，而機器學習技術(shù)確實有更多發(fā)展?jié)摿ΑＵ{(diào)研機構(gòu)Gartner公司預(yù)測，對于很多組織來說，80%的人工智能項目仍是一種難以獲得成功的煉金術(shù)。根據(jù)VentureBeat公司發(fā)布的“Transform2019”研究報告，87%的人工智能項目將永遠無法投入生產(chǎn)。

為什么會這樣呢？為什么這么多項目失敗？

1.沒有足夠的專業(yè)知識

其中一個原因是，機器學習技術(shù)對人們來說仍然是新技術(shù)。此外，大多數(shù)組織仍不熟悉軟件工具和所需的硬件。

如今，從事數(shù)據(jù)分析或軟件開發(fā)工作并完成了一些數(shù)據(jù)科學項目的一些人卻將自己標榜為數(shù)據(jù)科學家。

事實上，組織需要經(jīng)驗豐富的真正數(shù)據(jù)科學家來處理大多數(shù)機器學習和人工智能項目，尤其是在定義成功標準、最終部署和模型的持續(xù)監(jiān)控方面。

2.數(shù)據(jù)科學與傳統(tǒng)軟件開發(fā)之間的脫節(jié)

數(shù)據(jù)科學與傳統(tǒng)軟件開發(fā)之間的脫節(jié)是另一個主要因素。傳統(tǒng)的軟件開發(fā)往往更具可預(yù)測性和可衡量性。

數(shù)據(jù)科學研究通過多次迭代和試驗而向前發(fā)展。有時，由于選擇的度量標準不會驅(qū)動用戶行為，因此整個項目將不得不從部署階段返回到計劃階段。

傳統(tǒng)的基于敏捷的項目交付可能不適用于數(shù)據(jù)科學項目。對于在常規(guī)軟件開發(fā)項目的每個任務(wù)周期結(jié)束時一直在努力交付清晰結(jié)果的領(lǐng)導者來說，這將造成大規(guī)模的混亂。

3.數(shù)據(jù)量和質(zhì)量

眾所周知，數(shù)據(jù)集越大，采用人工智能系統(tǒng)進行的預(yù)測就越好。除了數(shù)據(jù)量增加的直接影響之外，隨著數(shù)據(jù)量的增加，還會出現(xiàn)許多新的挑戰(zhàn)。

在許多情況下，組織將不得不合并來自多個源的數(shù)據(jù)。一旦開始這樣做，就會意識到它們同步的次數(shù)很少，這將導致很多混亂。有時，組織最終將合并不應(yīng)該合并的數(shù)據(jù)，這將導致數(shù)據(jù)點具有相同的名稱但含義不同。

錯誤的數(shù)據(jù)會帶來無法采取行動或無法提供真知灼見的結(jié)果，也會導致誤導性結(jié)果。

4. 標記數(shù)據(jù)

標記數(shù)據(jù)的不可用是另一個阻礙機器學習項目的挑戰(zhàn)?！堵槭±砉W院斯隆管理評論》雜志指出，76%的人通過嘗試自己標記和注釋訓練數(shù)據(jù)來應(yīng)對這一挑戰(zhàn)，而63%的人甚至嘗試構(gòu)建自己的標記和注釋自動化技術(shù)。

這意味著數(shù)據(jù)科學家在標記過程中無法充分利用其專業(yè)知識。這是有效執(zhí)行人工智能項目的主要挑戰(zhàn)。

這就是許多公司將標記任務(wù)外包給其他公司的原因。但是，如果標記任務(wù)需要足夠的領(lǐng)域知識，則將標記任務(wù)外包是一個挑戰(zhàn)。如果組織需要保持數(shù)據(jù)集之間的質(zhì)量和一致性，則必須投資于標記人員的標準化培訓。

如果要標記的數(shù)據(jù)很復雜，則另一個選擇是開發(fā)自己的數(shù)據(jù)標記工具。但是，與機器學習任務(wù)本身相比，這通常需要更多的成本。

5.組織孤立無援

數(shù)據(jù)是機器學習項目中最重要的實體。在大多數(shù)組織中，這些數(shù)據(jù)將以不同的安全約束和不同格式（例如結(jié)構(gòu)化、非結(jié)構(gòu)化、視頻文件、音頻文件、文本和圖像）駐留在不同的位置。

在不同的地方以不同的格式保存這些數(shù)據(jù)本身就是一個挑戰(zhàn)。然而，當組織孤立無援而卻沒有相互協(xié)作時，其挑戰(zhàn)就會加倍。

6.缺乏合作

另一個主要挑戰(zhàn)是不同團隊之間缺乏協(xié)作，如數(shù)據(jù)科學家、數(shù)據(jù)工程師、數(shù)據(jù)管理員、商業(yè)智能（BI）專家、DevOps和工程。這對于物聯(lián)網(wǎng)到數(shù)據(jù)科學的工程方案中的團隊尤其重要，因為他們在工作方式和完成項目所使用的技術(shù)上有很多不同。

工程團隊將實施機器學習模型并將其投入生產(chǎn)。因此，他們之間需要有適當?shù)睦斫夂蛷娪辛Φ膮f(xié)作。

7.技術(shù)上不可行的項目

由于機器學習項目的成本往往非常昂貴，因此大多數(shù)企業(yè)傾向于以雄心勃勃的“登月計劃”為目標，這將完全改變組織或產(chǎn)品并帶來超額回報或投資。

這樣的項目將永遠無法完成，并將推動數(shù)據(jù)科學團隊達到極限。最終，企業(yè)領(lǐng)導者將對項目失去信心并停止投資。

8.技術(shù)團隊和業(yè)務(wù)團隊之間的協(xié)調(diào)問題

很多時候，機器學習項目在業(yè)務(wù)團隊和數(shù)據(jù)科學團隊之間在項目的期望、目標和成功標準上沒有明確的一致性。

這些類型的項目將永遠停留在研究階段，因為他們永遠不知道自己是否正在取得進展，因為至今還不清楚其目標是什么。

在這里，數(shù)據(jù)科學團隊將主要專注于準確性，而業(yè)務(wù)團隊將對諸如財務(wù)收益或業(yè)務(wù)洞察力之類的指標更感興趣。最后，業(yè)務(wù)團隊最終不接受數(shù)據(jù)科學團隊的結(jié)果。

9.缺乏數(shù)據(jù)策略

根據(jù)《麻省理工學院斯隆管理評論》雜志的調(diào)查，員工人數(shù)超過10萬名的大型組織將有50%可能采用數(shù)據(jù)策略。而組織在開始機器學習項目之前制定可靠的數(shù)據(jù)策略至關(guān)重要。

組織需要對以下內(nèi)容有清晰的了解，這是數(shù)據(jù)策略的一部分：

組織擁有的全部數(shù)據(jù)是多少？ 項目實際需要多少數(shù)據(jù)？ 所需的人員將如何訪問這些數(shù)據(jù)，以及這些人員訪問這些數(shù)據(jù)的容易程度？ 如何將來自不同來源的所有這些數(shù)據(jù)匯總在一起？ 如何清理和轉(zhuǎn)換這些數(shù)據(jù)？

大多數(shù)組織一開始沒有計劃，或者根本沒有想到自己沒有數(shù)據(jù)。

10.缺乏領(lǐng)導支持

很多人認為，只需要投入一些資金和技術(shù)來解決問題，其結(jié)果就會自動出現(xiàn)。

但是他們沒有看到組織領(lǐng)導者提供正確的支持來確保成功所需的條件，而組織領(lǐng)導者有時對數(shù)據(jù)科學家開發(fā)的模型沒有信心。

這可能是由于組織的領(lǐng)導者對人工智能缺乏了解，以及數(shù)據(jù)科學家無法向他們傳達模型具有業(yè)務(wù)利益的原因。

最終，組織的領(lǐng)導者需要了解機器學習的工作原理以及人工智能對組織的真正意義。
責任編輯：YYX