根據云計算服務提供商Rackspace Technology公司最近進行的一項調查，大多數組織都在努力制定可行的人工智能策略。這項調查涵蓋了制造、金融、零售、政府以及醫療保健等各行業領域的1,870個組織。調查表明，只有20%的組織擁有成熟的人工智能/機器學習計劃，而其余的組織仍在試圖弄清楚如何讓其發揮更大的作用。

[[386015]]

毫無疑問，機器學習在幾乎每個領域都有美好的應用前景。將機器學習模型應用到實際工作中的一些好處是降低成本、提高精度、更好的客戶體驗以及推出新功能，但是機器學習并不是萬能的，在將人工智能和機器學習技術應用到組織的業務和運營之前，必須克服一些障礙。

組織在將人工智能技術整合到運營中時面臨的三個關鍵挑戰是技能、數據和策略，Rackspace公司的調查報告清楚地說明了一些機器學習策略遭遇失敗的原因。

機器學習與數據有關

機器學習模型以計算資源和數據為基礎。采用云計算服務，對訓練和運行人工智能模型所需的硬件的訪問變得更加容易和負擔得起。

但在計劃和采用人工智能戰略的不同階段，數據仍然是一個主要障礙。在Rackspace公司的調查中，34%的受訪者表示，數據質量較差是機器學習研發失敗的主要原因，另有31%的受訪者表示，他們缺乏現成的生產數據。

這凸顯了將機器學習技術應用于現實問題時的主要障礙之一。盡管人工智能研究社區可以訪問許多公共數據集來訓練和測試其最新的機器學習技術，但要將這些技術應用于應用程序時，要獲得高質量的數據并不容易。這在工業、衛生和政府部門尤其如此，因為這些部門的數據往往很少或受到嚴格的監管。

當機器學習計劃從研究階段轉移到生產階段時，數據問題再次出現。在使用機器學習來提取具有價值的見解方面，數據質量仍然是最大的障礙。數據工程問題也帶來了一個嚴重的問題，例如數據孤島、缺乏連接不同數據源的人才，以及以更具意義的方式處理數據的速度不夠快。

數據是從機器學習模型中獲取可行見解時最關鍵的要素

Rackspace Technology公司首席技術官Jeff DeVerter表示，初創企業和成熟企業都面臨數據問題，不過規模是兩者之間的關鍵區別。DeVerter評論說：“初創企業往往沒有足夠的資源來實施高質量的數據管道，并隨著時間的推移對其進行持續的管理。而成熟企業通常更具規模，而面臨的是更嚴格的要求。”

組織應對人工智能策略的數據挑戰的最佳方法是對其數據基礎設施進行全面評估。消除孤島應該成為每個機器學習計劃中的關鍵優先事項。組織還應具有清理數據的正確程序，以提高其機器學習模型的準確性和性能。

對人工智能的人才需求仍然很高

對于大多數組織來說，面臨的第二個難題是獲取機器學習和數據科學人才。根據Rackspace公司的調查，缺乏內部專業知識是導致機器學習項目研發計劃失敗的第二大原因。

許多公司都在努力獲取人才以實施其人工智能策略

隨著機器學習和深度學習直到最近才在各行業組織的生產環境中得到主流應用，許多規模較小的組織并不具備開發人工智能模型的數據科學家和機器學習工程師。

而且數據科學家和機器學習工程師的平均薪酬與經驗豐富的軟件工程師相當，這使得許多組織難以組建一支能夠領導其人工智能計劃的優秀團隊。

雖然機器學習和數據科學人才的短缺是眾所周知的，但有一件事并沒有引起人們的關注，那就是需要招募更多的數據工程師，即建立、維護和更新數據庫、數據倉庫和數據湖的工作人員。根據Rackspace公司的調查，許多組織的機器學習的項目都失敗了，因為他們沒有能力將其數據基礎設施調整為機器學習的目的。打破孤島、遷移到云平臺、建立Hadoop集群，以及創建能夠利用不同平臺能力的混合系統，這些都是組織非常缺乏相關人才的領域。這些問題使得他們無法在組織范圍內落實機器學習計劃。

隨著新的機器學習和數據科學工具的發展，人才短缺問題將變得不那么突出。谷歌、微軟和亞馬遜已經推出了一些平臺，使得開發機器學習模型更加容易。微軟的Azure機器學習服務就是一個例子，它提供了一個帶有拖放組件的可視化界面，使得不需要編程就可以更容易地創建機器學習模型。另一個例子是谷歌公司的AutoML，它可以自動完成繁瑣的超參數調優過程。雖然這些工具并不能取代機器學習人才，但它們為想要進入該領域的人員降低了門檻，并將使許多組織能夠為這些不斷增長的領域招聘更多技術人才。

DeVerter說：“缺乏內部數據科學人才并不是過去的障礙，現在更多的組織能夠利用自己的機器學習提供幫助，以及可以獲得擁有這些人才的咨詢公司的幫助。”

該領域的其他發展是云存儲和分析平臺的發展，這顯著降低了創建和運行人工智能系統所需的數據基礎設施的復雜性。其中一個例子就是谷歌公司的BigQuery，這是一個基于云計算的數據倉庫，可以輕松地查詢存儲在各種來源中的大量數據。

機器學習工具的兼容性和集成功能正在不斷增強，這將使組織更輕松地將機器學習工具集成到其現有軟件和數據生態系統中。

在實施人工智能計劃之前，每個組織都必須對內部人才、可用工具和集成可能性進行全面評估。組織需要了解自己在多大程度上依賴內部工程師，以及雇傭人才需要多少成本，這將成為決定機器學習計劃成敗的決定性因素。另外，考慮一下重新學習技能是否是一個可行的行動方案。如果能在數據科學和機器學習項目上提高工程師的技能，從長遠的發展來看將會獲得更多的好處。

外包人工智能的人才

近年來增長的另一個趨勢是人工智能項目的外包。在Rackspace公司的調查中，只有38%的受訪者表示依靠內部人才來開發人工智能應用程序。其余的受訪者表示，或者完全外包他們的人工智能項目，或者雇用內部員工和外包人才。

大多數組織依靠外部人才來規劃和實施他們的人工智能計劃

現在有一些公司專門研究和實施人工智能策略。例如專門為多個行業領域提供人工智能解決方案的提供商C3.ai公司。 該公司為亞馬遜、微軟和谷歌等云計算提供商提供人工智能工具。該公司還提供人工智能咨詢和專業知識，以逐步引導客戶完成戰略制定和實施階段。

Rackspace公司的調查報告指出：“成熟的供應商可以帶來從戰略到實施，再到維護和支持的一切。其提供的策略可以避開人工智能和機器學習工作可能失去動力或陷入復雜性的領域。技術專家還可以使組織免于混亂的清理和維護工作。將這些專門知識組合在一起，可以在最終取得成功方面發揮重要作用。”

但是，值得注意的是，將組織的人工智能戰略完全移交給外部提供商可能是一把雙刃劍。成功的策略需要人工智能專家與實施該策略組織的技術專家之間的密切合作。

DeVerter說，“這與采用DevOps開發方法并試圖將整個開發進行外包的組織非常相似。DevOps需要開發人員、業務分析師和其他業務人員之間的密切合作。同樣，人工智能項目需要策略和技術專長，但也需要與組織以及領導層緊密合作。”

人工智能外包人才必須一絲不茍地完成工作。雖然外包可以加快開發和實施人工智能策略的過程，但組織必須確保其內部人員充分參與到這一過程中。在理想情況下，組織應該發展和壯大自己的數據科學家和機器學習工程師團隊，并在需要的情況下與外部專家開展合作。

如何評估人工智能策略?

最后，另一個讓開始人工智能之旅的組織感到痛苦的領域是預測人工智能戰略的結果和價值。鑒于機器學習在許多領域的應用都是新生事物，因此很難預先知道人工智能策略將計劃和實施多長時間以及投資回報率是多少。反過來，在獲得對人工智能計劃的支持時，組織的創新者很難讓其他人參與進來。

在Rackspace調查的中， 18%的受訪者認為，缺乏明確的業務案例是組織采用人工智能策略面臨的主要障礙。組織高管人員缺乏承諾也是最大的障礙之一。缺乏用例和高級管理層的承諾再次成為機器學習過程中的主要挑戰。

DeVerter說，“人工智能通常會尋找組織內部的問題。我認為這是在組織內部廣泛采用人工智能的最大障礙之一。由于人工智能工作人員可以展示有關人工智能如何使他們的組織受益的實例，將進一步為這些活動獲得資金。組織領導者需要知道它將如何幫助節省成本或獲得利潤。”

評估人工智能計劃的結果非常困難。調查表明，衡量人工智能項目成功與否的兩大關鍵績效指標是利潤率和收入增長。可以理解，這種對快速利潤的關注部分是由于人工智能項目的高成本。根據Rackspace公司的調查，每家組織每年在人工智能項目花費的費用平均為106萬美元。

但是，盡管良好的人工智能計劃可以增加收入和降低成本，但在許多情況下，機器學習的長期價值是開發新的用例和產品。

DeVerter說：“短期的財務收益如果沒有與由這些短期收益提供資金的長期戰略相匹配，那么這種收益不會長久。”

對于負責組織中的人工智能計劃的工作人員來說，需要清楚地列出人工智能策略的用例、成本和收益。組織的決策者應清楚了解將要開展的工作。他們應該了解投資人工智能的短期利益，但也應該知道從長遠來看會獲得什么收益。