[[285635]]

【51CTO.com快譯】Algorithmia近日發(fā)布的報告揭示了與2020年機器學習使用更普遍有關(guān)的挑戰(zhàn)。報告發(fā)現(xiàn)，大多數(shù)公司將在2020年處于機器學習發(fā)展的早期階段，但要進入更高級的階段，企業(yè)必須克服諸多障礙。

Algorithmia的《2020年企業(yè)機器學習行情》報告對745名技術(shù)專業(yè)人員進行了調(diào)查，確定企業(yè)計劃在2020年如何部署機器學習以及一路面臨的關(guān)鍵問題。報告聲稱，與機器學習部署有關(guān)的最大挑戰(zhàn)包括擴展規(guī)模、版本控制和預算編制。

Algorithmia的首席執(zhí)行官Diego Oppenheimer說：“人工智能和機器學習將成為我們畢生看到的最具影響力的技術(shù)進步。為了幫助企業(yè)開展機器學習工作，報告將數(shù)據(jù)分為以下七大發(fā)現(xiàn)：

1. 面向機器學習的數(shù)據(jù)科學崛起

Oppenheimer說：“數(shù)據(jù)科學的作用是獲取這些公司收集的大量數(shù)據(jù)并加以解讀”，技術(shù)進步使許多公司生成更多數(shù)據(jù)，這導致需要更多的數(shù)據(jù)科學家。

隨著機器學習普及開來，需求的這種增長會持續(xù)到2020年：報告發(fā)現(xiàn)，近60%的企業(yè)將雇用1名至10名數(shù)據(jù)科學家。

Gartner發(fā)現(xiàn)，其中一半以上的企業(yè)會開展至少一個機器學習項目，但是2020年預計部署數(shù)量會翻一番。隨著機器學習項目增加，報告發(fā)現(xiàn)企業(yè)會開始看到新的數(shù)據(jù)科學職銜，包括機器學習工程師、機器學習開發(fā)人員、機器學習架構(gòu)師、數(shù)據(jù)工程師、機器學習運維以及人工智能(AI)運維。

2. 削減成本為重中之重

報告還研究了公司希望從機器學習獲得的好處。報告發(fā)現(xiàn)，總體而言，前三大使用場合包括降低公司成本(38%)、獲取客戶洞察力和情報(37%)以及改善客戶體驗(34%)。

Oppenheimer說：“在許多情況下，機器學習能夠減少錯誤，這可以幫助公司開源節(jié)流。比如針對需要錄入或處理大量數(shù)據(jù)、可能需要很多人、容易出錯且速度稍慢的工作，機器學習可以大大提高自動化程度，使結(jié)果更準確。它可以解放執(zhí)行基本數(shù)據(jù)錄入工作的那些人，處理更高級的任務(wù)，人更適合處理這類任務(wù)。”

報告發(fā)現(xiàn)，大中型公司主要致力于削減成本，而小公司對改善客戶體驗更感興趣。

小公司在努力留住客戶并擁有穩(wěn)定的業(yè)務(wù)，大公司可能沒有這問題。Oppenheimer說，考慮如何使用機器學習時，優(yōu)化是一大使用場合。

3. 企業(yè)大量處于尚不成熟的早期階段，為了AI而AI

報告發(fā)現(xiàn)，到2020年，企業(yè)的機器學習項目仍將處于早期階段：21%的企業(yè)稱它們會評估使用場合，20%的企業(yè)自稱是機器學習生產(chǎn)環(huán)境的早期采用者。

然而受訪者表示，到2020年底，他們將處于不同階段。約23%的人表示他們會在生產(chǎn)環(huán)境中使用模型，22%的人表示會開始開發(fā)模型。

Oppenheimer說：“將來無法想象哪家公司不使用機器學習和數(shù)據(jù)科學來優(yōu)化業(yè)務(wù)。問題在于，許多團隊在不了解最終結(jié)果需要什么樣子的情況下貿(mào)然投入。事實上，你需要了解業(yè)務(wù)優(yōu)化需要什么樣子。”

4. 漫長的部署之路

公司花很長時間來部署機器學習。針對僅僅一個機器學習模型，受訪者表示他們最多要花90天的時間來部署。報告發(fā)現(xiàn)，近20%的公司稱需要的時間超過90天。

這個過程可能需要一段時間，因為機器學習項目太新了，目前的數(shù)據(jù)科學家可能并不完全熟悉該方法，這可以解釋為什么新的數(shù)據(jù)科學家職銜會在2020年涌現(xiàn)。

報告稱，大公司的部署之路更漫長。Oppenheimer稱，主要原因是由于企業(yè)規(guī)模越大，批準環(huán)節(jié)就越多，需要人員來監(jiān)管項目。

5. 規(guī)模擴展問題

報告發(fā)現(xiàn)，受訪者認為擴展模型的規(guī)模是最大挑戰(zhàn)(43%)，高于去年的30%。報告稱，這一挑戰(zhàn)可能與分散的組織結(jié)構(gòu)有關(guān)，這常常導致規(guī)模擴展過程中工具、框架和編程語言等方面出現(xiàn)問題。

Oppenheimer說：“一大障礙是工具很多。構(gòu)建模型的員工通常不是最擅長擴展規(guī)模的人選。企業(yè)需要認識到這些團隊需要有不同的技能，然后意識到框架方面的進展非常快。機器學習領(lǐng)域可以用日新月異來形容。”

報告中提供的一種解決方案是在企業(yè)內(nèi)部設(shè)立創(chuàng)新中心。報告稱，這種中心專用于機器學習之類的創(chuàng)新項目，能夠以敏捷方式來運作，實現(xiàn)機器學習工作標準化。

6. 預算與機器學習成熟度不一致

報告發(fā)現(xiàn)，機器學習預算總體上在增加，但是因項目的成熟階段而異。

處于機器學習成熟中期階段的公司將機器學習預算增加了1%至25%，而處于創(chuàng)新高級階段的公司中這么做的比例占到39%。報告發(fā)現(xiàn)，處于機器學習成熟度較高水平的企業(yè)中約30%表示，它們將預算增加了26%至50%。

該數(shù)據(jù)表明“如果你能證明成功，會獲得更多的預算，”Oppenheimer說。“我們已看到許多公司在全面增加機器學習和數(shù)據(jù)科學方面的預算。但對于長期增加預算的公司而言，它們到了一定水平的成熟度，正將機器學習和數(shù)據(jù)科學融合到更廣泛的部門中，因此需要更多的預算才能與之匹配。”

7. 確定機器學習在整個企業(yè)取得的成功

報告發(fā)現(xiàn)，確定機器學習成功的兩大指標是業(yè)務(wù)度量指標和對機器學習模型性能的技術(shù)評估。

Oppenheimer說：“歸根到底看成效。”他補充道，團隊必須確定為什么要實施機器學習項目并找到那些最終目標，而不是僅僅為了AI而實施AI。

原文標題：State of enterprise machine learning in 2020: 7 key findings，作者：Macy Bayern

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