由于機器學(xué)習的最新進(jìn)展，人工智能(AI)目前正在撼動(dòng)市場(chǎng)，如第四次工業(yè)革命中最具革命性的技術(shù)。商業(yè)領(lǐng)域的每個(gè)人都在談?wù)撍?，就像它將永遠改變我們的世界，并且在許多方面，它已經(jīng)存在。最近的研究表明，67%的企業(yè)高管將人工智能視為自動(dòng)化流程和提高效率的有用手段。但一般消費者認為這是增加社會(huì )公平的有力工具，超過(guò)40%的人認為人工智能將擴大對低收入人群的大多數基本服務(wù)(醫療，法律，交通)的使用。
然而，自動(dòng)化流程的這種令人難以置信的轉變的速度可能更高，并且目前存在一些問(wèn)題正在困擾它。哪些是阻礙機器學(xué)習采用的最重要障礙?
缺乏組織
公司，特別是較大的公司，是一個(gè)復雜的生物。就像一個(gè)神話(huà)般的水,, 它有許多人經(jīng)常需要做出相同的決定，例如首席信息官(CIO)，首席數字官(CDO)以及顯然首席執行官(CEO)。所有這些官員都經(jīng)營(yíng)自己的部門(mén)，這些部門(mén)應該同時(shí)以同樣的努力水平推動(dòng)他們的人工智能工作?？梢哉f(shuō)，在現實(shí)生活中，這種情況很少發(fā)生。
澄清誰(shuí)“擁有”機器學(xué)習項目并因此負責領(lǐng)導其在公司內部的實(shí)施是第一步。在幾個(gè)成熟的數據和分析團隊需要同步其運營(yíng)的組織中，很多人最終都會(huì )在無(wú)數較小的項目上稀釋他們的工作。較小的試點(diǎn)項目可能有助于全面了解機器學(xué)習科學(xué)，但往往無(wú)法實(shí)現核心業(yè)務(wù)所需的自動(dòng)化效率。
IT服務(wù)管理(ITSM)可能是解決此問(wèn)題的一種有效解決方案，可幫助各個(gè)IT團隊了解，例如，那些可以產(chǎn)生大量收入的業(yè)務(wù)部門(mén)，其中自動(dòng)化可以提高利潤率或減少錯誤百分比。
培訓不足
機器學(xué)習是一項古老而又新穎的技術(shù)?；镜娜斯ぶ悄芸梢宰匪莸?0年代早期，但最近現代深度學(xué)習算法的發(fā)展幫助這項技術(shù)取得了巨大的飛躍。事實(shí)上，在這個(gè)領(lǐng)域擁有足夠深入知識的真正專(zhuān)家非常缺乏，特別是因為Google和Facebook 在博士學(xué)位上汲取了80%的機器學(xué)習工程師
許多組織都知道他們的極限，不超過(guò)20%的組織認為他們自己的IT專(zhuān)家擁有解決AI所需的技能。對機器學(xué)習技能的需求正在迅速增長(cháng)，但那些擁有所需專(zhuān)業(yè)知識和才能的人現在是真正的搖滾明星。然而，許多擁有深度學(xué)習算法的足夠訓練的人可能缺乏正式的資格，例如碩士學(xué)位證明這一點(diǎn)。請記?。哼@個(gè)領(lǐng)域仍然是新的 - 今天開(kāi)創(chuàng )它的許多人都是那些機器學(xué)習博士根本不存在的時(shí)代的老年程序員。
許多人力資源專(zhuān)業(yè)人員現在必須努力解決雇用合適候選人的困難，這些工作的復雜性可能超出了他們自己的專(zhuān)業(yè)知識。今天，即使告訴機器學(xué)習工程師，數據科學(xué)家和前端開(kāi)發(fā)人員的能力之間的差異，對于非本地人來(lái)說(shuō)也是一項復雜的壯舉。然而，最終，基于人工智能的招聘可能會(huì )成為幫助所有人力資源經(jīng)理的自己的解決方案。
無(wú)法訪(fǎng)問(wèn)的數據和隱私保護
在他們用最先進(jìn)的機器學(xué)習算法學(xué)習任何東西之前，需要向AI提供數據。大量的數據。但是，大多數情況下，這些數據尚未準備好供消費，特別是當它以非結構化形式出現時(shí)。數據聚合過(guò)程既復雜又耗時(shí)，尤其是當數據單獨存儲或與不同的處理系統存儲時(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)團隊的全力關(guān)注。
只要包含大量敏感信息或個(gè)人信息，數據提取通常也無(wú)法使用。雖然這些信息的混淆或加密最終使其可用，但是必須將額外的時(shí)間和資源用于這些繁重的操作。要解決上游問(wèn)題，需要匿名化的敏感數據必須在收集后立即單獨存儲。
信任和可信度
靈活性不是所有人都具備的特質(zhì)。當一個(gè)深度學(xué)習算法不能以一種簡(jiǎn)單的方式解釋給一個(gè)不是程序員或工程師的人時(shí)，那些可能希望打賭AI來(lái)利用新商機的人可能會(huì )開(kāi)始逐漸減少。在一些更傳統的實(shí)體行業(yè)中尤其如此。事實(shí)上，大多數情況下，歷史數據實(shí)際上是不存在的，并且需要針對實(shí)際數據測試算法以證明其效率。很容易理解，在石油和天然氣鉆井等某些行業(yè)中，不太理想的結果可能導致大量(和不必要的)風(fēng)險。
在數字化轉型方面仍然落后的許多公司可能需要徹底改革其整個(gè)基礎設施，以便以有意義的方式采用人工智能。結果可能需要很長(cháng)時(shí)間才能看到，因為在實(shí)驗結果出來(lái)之前需要收集，消耗和消化數據。啟動(dòng)大規模機器學(xué)習項目并不能保證投資是值得的，這需要一定程度的靈活性，資源和勇氣，這是許多企業(yè)可能缺乏的。
結論
在一系列奇怪的事件中，許多仍然減緩或阻礙人工智能發(fā)展的障礙都與人的本性和行為有關(guān)，而不是與技術(shù)本身的局限有關(guān)。
那些仍然懷疑機器學(xué)習潛力的人沒(méi)有明確的答案。這是一條從未被踐踏的道路，在這個(gè)開(kāi)發(fā)階段仍然需要現場(chǎng)實(shí)驗。再一次，輪到我們利用幫助人類(lèi)達到最高峰的特征之一：我們的適應能力。只有這次我們需要將這項技能傳授給我們的智能機器。
