許多企業(yè)并沒有采用機器學(xué)習(xí)的4個原因
雖然機器學(xué)習(xí)好處多多,為什么并非誰都在采用它?這些絆腳石是其中幾個最主要的原因。
人工智能(AI)目前正在席卷市場,如同第四次工業(yè)革命最具革命性的技術(shù)那樣。商業(yè)界的每個人都在談?wù)撍?,似乎它將永遠(yuǎn)改變這個世界,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視為實現(xiàn)流程自動化、提高效率的一種有效手段。但是普通消費者也將它視為促進(jìn)社會公平的一種有力工具,超過40%的人認(rèn)為AI將讓低收入人群更有機會享用最基本的服務(wù)(醫(yī)療、法律和交通等)。
然而,自動化流程改造社會的步伐原本可以更快,有幾個問題目前讓它陷入困境。阻礙采用機器學(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,這些部門本該齊心協(xié)力推動公司的人工智能工作。但是這一幕在實際場合下很少出現(xiàn)。
第一步是明確誰“擁有”機器學(xué)習(xí)項目,因此誰負(fù)責(zé)帶頭在公司內(nèi)部實施。在幾個早已建立的數(shù)據(jù)和分析團(tuán)隊需要確保同步的企業(yè),許多團(tuán)隊卻將精力分散到無數(shù)小項目上,這并不罕見。小型試點項目也許有助于總體了解機器學(xué)習(xí)科學(xué),但常常無法獲得核心業(yè)務(wù)所需要的自動化效率。
IT服務(wù)管理(ITSM)也許是一種有效的方案可以解決這個問題,幫助各個IT團(tuán)隊明白公司中哪些部門帶來相當(dāng)大的收入,自動化又可以提高利潤或減少錯誤率。
2.培訓(xùn)不足機器學(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)展幫助這項技術(shù)向前邁進(jìn)了一大步。從事于這個領(lǐng)域且專業(yè)知識足夠扎實的真正的專家寥寥無幾,尤其當(dāng)谷歌和Facebook搶走了80%擁有博士學(xué)位的機器學(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專家擁有處理AI的必需技能。對機器學(xué)習(xí)技能的需求在迅速增長,但如今擁有所需專長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)算法方面受過充分培訓(xùn)的那些人當(dāng)中許多可能沒有正式的資格(比如碩士學(xué)位)來證明這一點。記住:這個領(lǐng)域還很新――今天的許多開拓者是從根本就沒有機器學(xué)習(xí)博士學(xué)位的時代走過來的傳統(tǒng)程序員。
現(xiàn)在許多人力資源專業(yè)人員得克服這個難題:為復(fù)雜性可能超過專業(yè)技能本身的崗位招到合適人選。今天,連講述機器學(xué)習(xí)工程師、數(shù)據(jù)科學(xué)家和前端開發(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.無法訪問的數(shù)據(jù)和隱私保護(hù)在AI借助最先進(jìn)的機器學(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)時候,這些數(shù)據(jù)還沒有準(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)聚合過程復(fù)雜又費時,尤其是數(shù)據(jù)分開來存儲或使用不同的處理系統(tǒng)時。所有這些步驟都需要由不同類型的專家組成的專門團(tuán)隊全神貫注來完成。
只要數(shù)據(jù)里面含有大量的敏感或個人信息,提取的數(shù)據(jù)也常常無法使用。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間和資源。為了解決上游問題,需要匿名化的敏感數(shù)據(jù)一旦收集就要分開來存儲。
4.信任和可信度靈活性不是所有人都擁有的特征。當(dāng)無法向不是程序員或工程師的人簡單地解釋深度學(xué)習(xí)算法時,希望借助AI來利用新商機的那些人可能會開始減少。在一些比較傳統(tǒng)的實體行業(yè)尤為如此。實際上,大多數(shù)時候,歷史數(shù)據(jù)實際上并不存在,需要對照實際數(shù)據(jù)來測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。
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。效果可能很久過后才顯現(xiàn)出來,因為在試驗出成果之前需要收集、使用和消化數(shù)據(jù)。啟動一個無法保證值得投入的大型機器學(xué)習(xí)項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。
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),而不是與這項技術(shù)本身的局限有關(guān)。
對于仍然懷疑機器學(xué)習(xí)潛力的那些人來說,沒有明確的答案。這是一條從未走過的道路,在這個發(fā)展階段仍需要現(xiàn)場試驗。我們再一次需要利用當(dāng)初幫助人類達(dá)到最非凡高度的一種特質(zhì):我們的適應(yīng)能力。只不過這一回我們需要將這個技能教給智能機器。