機器學習：73%的企業迷途求生

大家都知道，機器學習（ML）是人工智慧的關鍵技術之一，也是逐漸走向成熟的應用技術。具體地說來，這項技術可以為未來的數據科學帶來變革，能夠讓應用程式企業做出基於更多數據分析的驅動決策，進而改善使用者的業務體驗。

那麼，目前ML究竟在哪些方面，以及多大程度上改進了企業的經營狀態？近日，Forrester Consulting基於對位於北美的150位公司資料負責人和決策者的調查，得出ML在業務經營決策上的一些重要表現。在這些調查結論中，有哪些是可以給我們幫助和借鏡的？

先來看一些關鍵的資訊。

• 機器學習所影響的業務中，自動化的異常檢測(Anomaly Detection)是未來一到三年所要達成的首要任務；
• 在技術的實現路徑上，資料孤島、可解釋性差和透明度低等是阻礙向前的主要障礙，因而減緩了技術成熟度的完善進度。
• 如果能夠更專注於業務成果，並且盡可能與在ML技術上有大量實踐和驗證有效的公司建立合作關係，將更有利於這項技術的落地。

只有四分之一的ML應用程式處於成熟期

#在機器學習的開發和在發佈時長上，大部分受訪者選擇了1到5年之間，佔比總計72%。其中，一半以上的人表示他們的應用程式發佈在1到2年。而實際上，成熟的機器學習策略需要3年以上的沉澱期，達到這個標準的佔比只有四分之一左右，其中只有5%的企業已經應用5年以上。

此外，有53%的受訪者計畫透過利用ML來提高業務效率。

在當下的大數據和資料分析策略上，有46%的人選擇了使用多雲（包括私有雲）；44%選擇研究堆疊效能，從而更好地利用資料進行模型架構；41%選擇擴大規模以滿足成長的資料量的需求。

而在未來的一年到三年中，ML的主要策略應用方向為：自動偵測異常資料（40%）、透明應用的自動接收和基礎設施的更新（39%），以及讓AI應用符合新的監管和倫理要求（39%）等。

解決技術管理上的資料孤島最具挑戰

除了技術能力，機器學習在人員和流程管理上也面臨不小的挑戰。其中，認為打破內部資料孤島最具挑戰性的比例為41%，39%的人選擇了將學術模式轉化為可部署的產品。此外，分別有38%的人選擇了降低AI風險和打破外部的資料孤島，還有36%的人認為最大的困難在於處理大規模、多樣化和混亂的資料集。

無論是資料孤島、模型轉化，或是資料集混亂，都體現出學術與商業化之間的鴻溝，尤其是在模型的轉換上，當使用ML並將其進行用例擴展時，許多人發現資料流的透明度、可追溯性以及可解釋性都很難得到清晰的呈現。

#

也正因此，在ML落地前景不明確的情況下，管理階層會認為基於機器學習的業務實現很難看到商業價值。而如果與投資報酬率沒有明確關係，管理者在這項技術上的投入意圖就會明顯下降。有73%的受訪人認為機器學習在資料透明、可追溯和可解釋性上仍有挑戰，投入意向的不明朗加劇了技術落地的困難，良性的循環還有待形成。

三分之二的決策者仍會加大ML的應用

#然而，即使面臨諸多挑戰，決策者在對機器學習決定投入時也難免戰戰兢兢，但大部分受訪者認為應用ML還是非常必要的。有三分之二的決策者（67%）認為，全方位加大ML技術的應用對組織的策略規劃非常重要。而在目前使用的工具集當中增加機器學習的技術能力和應用，認為這一點很重要的受訪者也佔了66%。

在業務層面，機器學習被寄予發揮作用的前三個領域包括：資料的平台互享、企業內的數據流動追踪，以及推動更快的行動。

至於和第三方合作的情況，37%的受訪者表示已經建立合作，並打算發展夥伴關係；30%的人表示有合作關係，但不準備發展為更深入的夥伴關係。此外，還有19%和11%的受訪者表示未來一年有合作計劃，或有合作興趣。

超過六成以上的受訪者表示透過合作關係來彌補自身在機器學習上的短板和人員的短缺，說明合作共贏仍然是發展這項技術的重要途徑。與在機器學習領域有落地經驗的第三方合作，可以在模型開發、人員培訓和挖掘更多資料來源上形成合力。

文章參考與圖片來源：

Operationalizing Machine Learning Achieves Key Business Outcomes

以上是機器學習：73%的企業迷途求生的詳細內容。更多資訊請關注PHP中文網其他相關文章！