在過去兩年中已生成了90%的現(xiàn)有數(shù)據(jù)。 每天產(chǎn)生7.5億兆字節(jié)的數(shù)據(jù)-每人約147,000千兆字節(jié)。 這些數(shù)字驚人，但可以預料：世界在增長，而機器經(jīng)濟也在以指數(shù)級增長。

這并不是說所有這些數(shù)據(jù)都立即有用。 如果沒有大量的預處理，組織就不能簡單地利用這些資源，但是有人在工作嗎? Forrester報告稱，在企業(yè)公司內(nèi)部，仍有73%的數(shù)據(jù)未用于分析。 業(yè)務(wù)策略和數(shù)據(jù)策略之間仍然存在很大的差距-您組織的預測性解決方案將僅與初始問題陳述一樣堅固。 根據(jù)Gartner的說法，組織需要建立特定的用例，并部署具有可衡量結(jié)果的技術(shù)，以實現(xiàn)AI的價值。

數(shù)據(jù)是一大難題

這個比喻仍然存在-數(shù)據(jù)就是新的石油(盡管最晚在2006年創(chuàng)造了這個詞，也許并不是那么"新")。 在原始狀態(tài)下絕對有價值。 精制后，它甚至更有價值。 但是，當將其轉(zhuǎn)變成專門為解決特定問題而設(shè)計的產(chǎn)品時，其應(yīng)用將無數(shù)，其價值將飛速增長。

數(shù)據(jù)也是如此：組織需要記住，這里的最終目標不是收集盡可能多的數(shù)據(jù)。 他們需要從數(shù)據(jù)中提取價值并將其應(yīng)用于特定的業(yè)務(wù)問題。 觀察數(shù)據(jù)，從中學習數(shù)據(jù)，然后基于該反饋使工作自動化的想法是機器學習的核心。

[[326584]]

> GIF via giphy

盡管好萊塢經(jīng)常描述這種情況，但ML并沒有朝著證明"終結(jié)者假說"的方向發(fā)展。

了解機器學習

在任何組織成為數(shù)據(jù)驅(qū)動者之前，了解基礎(chǔ)知識很重要。 人們通常認為機器學習的最終目標是對實時儀表板上顯示的數(shù)據(jù)進行圖形化和可視化處理。 ML與自動執(zhí)行任務(wù)有關(guān)(而不是與替換工作有關(guān))，而不僅僅是顯示統(tǒng)計信息。 廣義上講，機器學習向計算機教授有關(guān)世界的知識，以便機器可以使用該知識執(zhí)行其他任務(wù)。 另一方面，統(tǒng)計信息可以教給人們一些有關(guān)世界的知識，以便他們可以看到更大的圖景并做出明智的決策。

埃森哲稱，與那些追求概念驗證的公司相比，從戰(zhàn)略上擴展AI的公司報告的AI投資回報幾乎是其三倍。 顯然，ML并不是一些笨拙的儀表板; 實際上，它可以幫助您的組織構(gòu)建可以模仿，擴展和增強人類智能的智能系統(tǒng)，以實現(xiàn)某些"機器智能"，從而使組織中的人員可以專注于解決更適合人類的問題。

但是，大多數(shù)組織都在努力實現(xiàn)可擴展的AI解決方案，并且沒有從中受益(參見：金錢)。 問題? 您的組織不是人才短缺，而是戰(zhàn)略短缺。 不服氣嗎? 我們來看一些數(shù)字。

可擴展的解決方案

自2015年以來，數(shù)據(jù)科學工作需求增長了344%。 我們可以清楚地看到，組織正在投資發(fā)展其數(shù)據(jù)科學團隊，給人的印象是，如果他們繼續(xù)聘用數(shù)據(jù)科學家，創(chuàng)新和數(shù)字化轉(zhuǎn)型將自動成為副產(chǎn)品。 但是，僅使用了27%的企業(yè)數(shù)據(jù)，而將外部數(shù)據(jù)考慮在內(nèi)則更加令人震驚-在世界上所有可用數(shù)據(jù)中，只有不到1%用于分析。

所有這些數(shù)據(jù)都有一個臨界點。 公司可以花費數(shù)百萬美元來組建龐大的數(shù)據(jù)團隊，以搜尋Internet到處尋找和準備數(shù)據(jù)的方法-但這永遠不是可擴展的解決方案，而且缺乏管理策略會造成瓶頸。

公司需要什么來部署AI和ML?

那么，流程從哪里開始，組織如何實際構(gòu)建和部署成功的機器學習項目?

(1) 從結(jié)局開始。 您必須清楚地了解自己面臨的問題以及想要實現(xiàn)的解決方案。 在保齡球比賽中，每個球都可以擊倒十個針腳，但是如果您朝正確的方向扔球，那將是一場完美的比賽。 使用ML，您需要了解您的目標。 組織以目標為導向，他們一直在尋求增加收入和提高KPI-如果您的問題不能解決這些目標，則可能會偏離目標。

(2) 提出正確的問題。 大多數(shù)企業(yè)在嘗試解決ML問題之前并沒有提出正確的問題。 分析并了解您可以回答的內(nèi)容和無法回答的內(nèi)容，然后弄清楚您的預測系統(tǒng)如何使最終用戶真正受益。 要問的一個關(guān)鍵問題："我的項目會被它可以為組織創(chuàng)造的價值深深地驅(qū)動嗎?"

(3) 定義業(yè)務(wù)策略。 必須使用將應(yīng)用于其他項目的數(shù)據(jù)和ML項目來實現(xiàn)相同的策略制定細節(jié)。 您需要特定，可衡量和可實現(xiàn)的目標，實施計劃以及有助于跟蹤項目成功的指標。 僅從技術(shù)層面上看項目是不夠的，您需要能夠?qū)⒔鉀Q方案連接到您的組織。 例如，在實施模型之后，您的公司會增加收入還是在市場上獲得牢固的競爭優(yōu)勢?

(4) 建立合適的團隊。 組織常常無法招到合適的人選，因為他們要么不知道自己想要實現(xiàn)的目標，要么對數(shù)據(jù)科學家的角色有相互矛盾的認識。 數(shù)據(jù)團隊不僅由數(shù)據(jù)科學家組成，而且由更多的角色組成，并且認為一個角色能夠建立和維護倉庫，架構(gòu)數(shù)據(jù)工作流程，編寫完美優(yōu)化的機器學習算法并對所有內(nèi)容進行分析都是無知的。 為了填補項目的正確角色，您需要明確定義目標，了解每個技術(shù)角色/團隊結(jié)構(gòu)的細微差別，并確保在招聘信息中列出所有這些內(nèi)容。 下圖顯示了核心技能對于數(shù)據(jù)科學中新興角色的相對重要性：

> Chart of skill importance in Data Science

(5) 創(chuàng)建數(shù)據(jù)策略路線圖。 數(shù)據(jù)是ML項目訓練模型的關(guān)鍵資產(chǎn)。 根據(jù)人工智能領(lǐng)域的先驅(qū)Andrew Ng所說，最大，最成功的產(chǎn)品擁有最多的用戶。 擁有最多的用戶通常意味著您可以獲得最多的數(shù)據(jù)，而對于現(xiàn)代ML，擁有最多的數(shù)據(jù)通常意味著您可以創(chuàng)建良好的AI。 下圖描述了以上概念：

(6) 利用第三方軟件。 不要試圖徹底改變現(xiàn)狀并建立內(nèi)部數(shù)據(jù)管道。 為了成功啟動AI，重要的是選擇正確的工具，這些工具可以幫助您的組織完成在采購，抓取，標準化，優(yōu)化和集成數(shù)據(jù)方面可以自動化的任務(wù)。 代表Alegion進行的Dimensional Research報告發(fā)現(xiàn)，最終，有71%的團隊將培訓數(shù)據(jù)和其他機器學習項目活動外包。 在"建造與購買"辯論中，選擇"建造"的公司花費更多的時間和金錢。 請記住，您不是在雇用數(shù)據(jù)管理員，而是在雇用數(shù)據(jù)科學家。 采用DataOps工具并找到使數(shù)據(jù)生命周期的準備階段和過程階段自動化的方法，將會縮短洞察時間。

從來都不是容易的事，但不必那么難

一些企業(yè)沒有足夠的數(shù)據(jù)，另一些企業(yè)則在掙扎著十多年無法使用的價值。 擁有數(shù)據(jù)并不自動意味著可以從中獲得見解。 組織無法識別從數(shù)據(jù)中獲取見解所需的必要準備工作，因此，在創(chuàng)新和增長方面會出現(xiàn)越來越多的瓶頸。 不是沒有數(shù)據(jù)，而是可用數(shù)據(jù)。

數(shù)據(jù)是創(chuàng)建預測性和智能解決方案的重要因素，但是數(shù)據(jù)不僅擁有很多，而且還有更多。 找到問題，找到合適的人來解決它，并為他們提供有效解決問題和衡量其效力所需的工具-這些是成功ML的要求。