【51CTO.com快譯】雖然機(jī)器學(xué)習(xí)好處多多，為什么并非誰(shuí)都在采用它？這些絆腳石是其中幾個(gè)最主要的原因。

[[230187]]

人工智能（AI）目前正在席卷市場(chǎng)，如同第四次工業(yè)革命最具革命性的技術(shù)那樣。商業(yè)界的每個(gè)人都在談?wù)撍坪跛鼘⒂肋h(yuǎn)改變這個(gè)世界，而且它在許多方面已經(jīng)改變了世界。最近的研究表明，67%的企業(yè)高管將AI視為實(shí)現(xiàn)流程自動(dòng)化、提高效率的一種有效手段。但是普通消費(fèi)者也將它視為促進(jìn)社會(huì)公平的一種有力工具，超過(guò)40%的人認(rèn)為AI將讓低收入人群更有機(jī)會(huì)享用最基本的服務(wù)（醫(yī)療、法律和交通等）。

然而，自動(dòng)化流程改造社會(huì)的步伐原本可以更快，有幾個(gè)問(wèn)題目前讓它陷入困境。阻礙采用機(jī)器學(xué)習(xí)的最大絆腳石有哪些呢？

1.缺乏組織

一家公司、尤其是是大公司是復(fù)雜的機(jī)體。就像神話中的九頭蛇那樣，公司有好多頭腦常常需要做同樣的決定，比如首席信息官（CIO）、首席數(shù)字官（CDO），顯然還有首席執(zhí)行官（CEO）。所有這些高官都掌管各自的部門(mén)，這些部門(mén)本該齊心協(xié)力推動(dòng)公司的人工智能工作。但是這一幕在實(shí)際場(chǎng)合下很少出現(xiàn)。

第一步是明確誰(shuí)“擁有”機(jī)器學(xué)習(xí)項(xiàng)目，因此誰(shuí)負(fù)責(zé)帶頭在公司內(nèi)部實(shí)施。在幾個(gè)早已建立的數(shù)據(jù)和分析團(tuán)隊(duì)需要確保同步的企業(yè)，許多團(tuán)隊(duì)卻將精力分散到無(wú)數(shù)小項(xiàng)目上，這并不罕見(jiàn)。小型試點(diǎn)項(xiàng)目也許有助于總體了解機(jī)器學(xué)習(xí)科學(xué)，但常常無(wú)法獲得核心業(yè)務(wù)所需要的自動(dòng)化效率。

IT服務(wù)管理（ITSM）也許是一種有效的方案可以解決這個(gè)問(wèn)題，幫助各個(gè)IT團(tuán)隊(duì)明白公司中哪些部門(mén)帶來(lái)相當(dāng)大的收入，自動(dòng)化又可以提高利潤(rùn)或減少錯(cuò)誤率。

2.培訓(xùn)不足

機(jī)器學(xué)習(xí)是一種古老又新穎的技術(shù)。原始的AI可追溯到80年代初，但深度學(xué)習(xí)算法的最新發(fā)展幫助這項(xiàng)技術(shù)向前邁進(jìn)了一大步。從事于這個(gè)領(lǐng)域且專(zhuān)業(yè)知識(shí)足夠扎實(shí)的真正的專(zhuān)家寥寥無(wú)幾，尤其當(dāng)谷歌和Facebook搶走了80%擁有博士學(xué)位的機(jī)器學(xué)習(xí)工程師。

許多企業(yè)知道自己的局限性，只有20%的企業(yè)認(rèn)為自己的IT專(zhuān)家擁有處理AI的必需技能。對(duì)機(jī)器學(xué)習(xí)技能的需求在迅速增長(zhǎng)，但如今擁有所需專(zhuān)長(zhǎng)和才干的那些人才是真正的搖滾明星。然而，在深度學(xué)習(xí)算法方面受過(guò)充分培訓(xùn)的那些人當(dāng)中許多可能沒(méi)有正式的資格（比如碩士學(xué)位）來(lái)證明這一點(diǎn)。記住：這個(gè)領(lǐng)域還很新――今天的許多開(kāi)拓者是從根本就沒(méi)有機(jī)器學(xué)習(xí)博士學(xué)位的時(shí)代走過(guò)來(lái)的傳統(tǒng)程序員。

現(xiàn)在許多人力資源專(zhuān)業(yè)人員得克服這個(gè)難題：為復(fù)雜性可能超過(guò)專(zhuān)業(yè)技能本身的崗位招到合適人選。今天，連講述機(jī)器學(xué)習(xí)工程師、數(shù)據(jù)科學(xué)家和前端開(kāi)發(fā)人員的能力有何差異都并非易事。然而，最終基于AI的招聘本身有望成為幫助所有人力資源經(jīng)理的解決方案。

3.無(wú)法訪問(wèn)的數(shù)據(jù)和隱私保護(hù)

在AI借助最先進(jìn)的機(jī)器學(xué)習(xí)算法學(xué)習(xí)任何東西之前，需要為AI饋送數(shù)據(jù)，而且是大量數(shù)據(jù)。然而在大多數(shù)時(shí)候，這些數(shù)據(jù)還沒(méi)有準(zhǔn)備好供企業(yè)使用，如果是非結(jié)構(gòu)化形式的數(shù)據(jù)更是如此。數(shù)據(jù)聚合過(guò)程復(fù)雜又費(fèi)時(shí)，尤其是數(shù)據(jù)分開(kāi)來(lái)存儲(chǔ)或使用不同的處理系統(tǒng)時(shí)。所有這些步驟都需要由不同類(lèi)型的專(zhuān)家組成的專(zhuān)門(mén)團(tuán)隊(duì)全神貫注來(lái)完成。

只要數(shù)據(jù)里面含有大量的敏感或個(gè)人信息，提取的數(shù)據(jù)也常常無(wú)法使用。雖然加密這些信息最終讓數(shù)據(jù)可用，但必須為這些繁瑣的工作投入另外的時(shí)間和資源。為了解決上游問(wèn)題，需要匿名化的敏感數(shù)據(jù)一旦收集就要分開(kāi)來(lái)存儲(chǔ)。

4.信任和可信度

靈活性不是所有人都擁有的特征。當(dāng)無(wú)法向不是程序員或工程師的人簡(jiǎn)單地解釋深度學(xué)習(xí)算法時(shí)，希望借助AI來(lái)利用新商機(jī)的那些人可能會(huì)開(kāi)始減少。在一些比較傳統(tǒng)的實(shí)體行業(yè)尤為如此。實(shí)際上，大多數(shù)時(shí)候，歷史數(shù)據(jù)實(shí)際上并不存在，需要對(duì)照實(shí)際數(shù)據(jù)來(lái)測(cè)試算法以證明其效率。不難理解在石油和天然氣鉆探等一些行業(yè)，不夠理想的結(jié)果可能導(dǎo)致重大風(fēng)險(xiǎn)。

數(shù)字化轉(zhuǎn)型方面仍然落后的許多公司可能需要徹底革新整套基礎(chǔ)設(shè)施，才能合理地采用AI。效果可能很久過(guò)后才顯現(xiàn)出來(lái)，因?yàn)樵谠囼?yàn)出成果之前需要收集、使用和消化數(shù)據(jù)。啟動(dòng)一個(gè)無(wú)法保證值得投入的大型機(jī)器學(xué)習(xí)項(xiàng)目需要某種程度的靈活性、資源和勇氣，許多企業(yè)可能完全缺乏這個(gè)。

結(jié)論

許多仍然緩慢或阻礙AI發(fā)展的絆腳石與人的本性和行為有關(guān)，而不是與這項(xiàng)技術(shù)本身的局限有關(guān)。

對(duì)于仍然懷疑機(jī)器學(xué)習(xí)潛力的那些人來(lái)說(shuō)，沒(méi)有明確的答案。這是一條從未走過(guò)的道路，在這個(gè)發(fā)展階段仍需要現(xiàn)場(chǎng)試驗(yàn)。我們?cè)僖淮涡枰卯?dāng)初幫助人類(lèi)達(dá)到最非凡高度的一種特質(zhì)：我們的適應(yīng)能力。只不過(guò)這一回我們需要將這個(gè)技能教給智能機(jī)器。

原文標(biāo)題：4 Roadblocks That Are Stalling Adoption of Machine Learning，作者：Claudio Buttice 

【51CTO譯稿，合作站點(diǎn)轉(zhuǎn)載請(qǐng)注明原文譯者和出處為51CTO.com】