如果企業(yè)想在明年AI/ML實(shí)踐中取得實(shí)質(zhì)進(jìn)展，請(qǐng)留意這份調(diào)查揭示的2021年十大關(guān)鍵趨勢(shì)。

如果你對(duì)細(xì)節(jié)不感興趣，那么不妨記住該份報(bào)告最重要發(fā)現(xiàn)：企業(yè)正在提升AI/ML項(xiàng)目戰(zhàn)略高度并賦予優(yōu)先性，增加相應(yīng)招聘和開(kāi)支。不過(guò)，收獲付出仍面臨巨大挑戰(zhàn)。

十大關(guān)鍵趨勢(shì)具體如下。

1、各企業(yè)增加了了AI/ML的預(yù)算和項(xiàng)目?jī)?yōu)先性；

2、企業(yè)正在更廣泛的場(chǎng)景案例中采用AI/ML，客戶(hù)體驗(yàn)和工作流程自動(dòng)化被認(rèn)為最能應(yīng)對(duì)經(jīng)濟(jì)不穩(wěn)定，也是最受關(guān)注的領(lǐng)域；

3、盡管大多數(shù)企業(yè)擁有超過(guò)25個(gè)模型，40%的企業(yè)的采納模型甚至超過(guò)50個(gè)，但企業(yè)之間差距懸殊；

4、企業(yè)在部署AI/ML模型時(shí)面臨的主要挑戰(zhàn)是模型治理（Governance ）；

5、技術(shù)集成與兼容性（technology integration and compatibility）仍然是實(shí)現(xiàn)AI/ML成熟度主要挑戰(zhàn)；

6、隨著AI/ML項(xiàng)目利害關(guān)系和復(fù)雜性增加，協(xié)作的需求也在增加；

7、組織一致性是實(shí)現(xiàn)AI/ML成熟度的最大差距；

8、部署模型所需時(shí)間增長(zhǎng)了64%;

9、38%的企業(yè)將一半以上的數(shù)據(jù)科學(xué)家都用在模型部署上——并且，規(guī)模越大，情況越糟；

10、購(gòu)買(mǎi)第三方解決方案的企業(yè)每年在基礎(chǔ)設(shè)施上的花費(fèi)平均減少了19-21%，并且在生產(chǎn)中實(shí)際節(jié)約成本可能會(huì)更高。

2020年是許多企業(yè)勒緊褲腰帶的一年。2020年5月，Gartner曾預(yù)測(cè)隨著商業(yè)和技術(shù)領(lǐng)袖重新聚焦最重要的舉措，全球IT支出增長(zhǎng)會(huì)下降8%。 幸運(yùn)的是，最近由總部位于西雅圖的初創(chuàng)公司Algorithmia（為企業(yè)提供一個(gè)獨(dú)立于云計(jì)算的人工智能自動(dòng)化平臺(tái)）發(fā)布的一份報(bào)告《2021年企業(yè)機(jī)器學(xué)習(xí)趨勢(shì)報(bào)告》（2021 enterprise trends in machine learning）顯示，2020年的驚濤駭浪不僅沒(méi)有阻礙早已開(kāi)始的相關(guān)努力，許多企業(yè)反而明顯提升AI和ML項(xiàng)目的戰(zhàn)略高度并賦予優(yōu)先級(jí)，增加相應(yīng)的招聘和開(kāi)支。

這也是這家企業(yè)連續(xù)第三年發(fā)布此類(lèi)報(bào)告，也是迄今為止最為全面的一份。他們聯(lián)系到403名參與機(jī)器學(xué)習(xí)計(jì)劃的商業(yè)領(lǐng)袖（來(lái)自收入在1億美元或以上公司）。除了發(fā)現(xiàn)這些企業(yè)的IT部門(mén)正在增加相應(yīng)的預(yù)算和員工人數(shù)，今年的調(diào)查還揭示了企業(yè)應(yīng)該關(guān)注的十個(gè)關(guān)鍵趨勢(shì)。 報(bào)告提示，盡管預(yù)算和人員都在增加，但這并不等于勝利果實(shí)唾手可得。目前，市場(chǎng)仍然由早期采用者主導(dǎo)，企業(yè)需要繼續(xù)應(yīng)對(duì)模型部署和組織等方面的挑戰(zhàn)。 總體而言，報(bào)告作者仍然對(duì)AI/ML在2021年的潛力持樂(lè)觀態(tài)度。隨著市場(chǎng)空間不斷成熟，進(jìn)入門(mén)檻也在不斷降低，不論你的企業(yè)規(guī)模、所在行業(yè)如何以及有何獨(dú)特的基礎(chǔ)設(shè)施需求，是時(shí)候投資AI/ML了。

一

企業(yè)對(duì)AI/ML的資金、人力投入不斷增加

Algorithmia的2020年報(bào)告強(qiáng)調(diào)，各企業(yè)在疫情之前就已經(jīng)增加了對(duì)人工智能/ML的投資。然而，COVID-19的出現(xiàn)加速了這一進(jìn)程。 2021年的調(diào)查顯示，83%的企業(yè)增加了AI/ML的預(yù)算，數(shù)據(jù)科學(xué)家的平均人數(shù)同比增長(zhǎng)了76%。

76%的組織將AI/ML優(yōu)先于其他IT計(jì)劃。（本報(bào)告中的數(shù)據(jù)均為四舍五入到最接近的百分比，因此總和沒(méi)有達(dá)到100%）

64%的組織在過(guò)去一年提高了AI/ML的優(yōu)先級(jí)。

83%的組織同比增加了AI/ML預(yù)算。

受雇的數(shù)據(jù)科學(xué)家的平均人數(shù)同比增長(zhǎng)76%。

此外，客戶(hù)體驗(yàn)和工作流程自動(dòng)化被認(rèn)為最能應(yīng)對(duì)經(jīng)濟(jì)不穩(wěn)定，也是最受關(guān)注的領(lǐng)域。這意味著，2020年的巨變迫使企業(yè)把注意力集中在最重要的優(yōu)先事項(xiàng)。由于客戶(hù)體驗(yàn)和流程自動(dòng)化直接與ROI掛鉤（前者吸引新客戶(hù)以及留住現(xiàn)有客戶(hù)、后者降本增利潤(rùn)），業(yè)務(wù)模式最為清晰，客戶(hù)也最愿意買(mǎi)單。過(guò)去為做一個(gè)AI/ML項(xiàng)目而做的奢侈已經(jīng)不復(fù)存在。 報(bào)告顯示，企業(yè)正在更廣泛的場(chǎng)景案例中采用AI/ML，擁有超過(guò)5個(gè)AI/ML案例的組織的百分比同比增長(zhǎng)了74%。當(dāng)組織在這些領(lǐng)域獲得有形ROI時(shí)，也更有動(dòng)力嘗試其他領(lǐng)域創(chuàng)新。這也是企業(yè)擴(kuò)張AI應(yīng)用案例范圍關(guān)鍵原因之一，這些組織也試圖超越實(shí)驗(yàn)，實(shí)現(xiàn)更為顯著的ROI。

表示擁有超過(guò)5個(gè)的受訪者所占的百分比，AI/ML用例同比增長(zhǎng)了74%

50%或更多企業(yè)正在增加AI/ML使用。

值得注意的是，盡管大多數(shù)企業(yè)擁有超過(guò)25個(gè)模型，40%的企業(yè)的采納模型甚至超過(guò)50個(gè)，但是，企業(yè)之間的差距還是很大的： 規(guī)模較小的企業(yè)，擁有100個(gè)模型以上的僅占比7；規(guī)模最大的企業(yè)擁有100以上模型的占比41%。

世界上最大的企業(yè)正占據(jù)模型規(guī)模的頂端。

二

模型治理仍然是企業(yè)部署AI/ML的主要挑戰(zhàn)

企業(yè)在部署AI/ML模型時(shí)面臨的主要挑戰(zhàn)是模型治理（Governance ）。大約56%的企業(yè)將治理、安全性和可審核性問(wèn)題列為重點(diǎn)關(guān)注事項(xiàng)，67%企業(yè)的AI/ML需要遵守多個(gè)規(guī)則。

56%的組織在治理、安全性和可審核性方面面臨挑戰(zhàn)。

67%組織的模型必須遵守多種規(guī)則。

此外，技術(shù)集成與兼容性（technology integration and compatibility）仍然是實(shí)現(xiàn)AI/ML成熟度的主要挑戰(zhàn)。49%的組織仍將基本的集成問(wèn)題列為關(guān)注點(diǎn)。 而且，隨著AI/ML項(xiàng)目利害關(guān)系和復(fù)雜性增加，跨部門(mén)協(xié)作需求也在增加。強(qiáng)勁、持續(xù)的業(yè)績(jī)絕對(duì)依賴(lài)于這樣的團(tuán)隊(duì)建設(shè)方法。

成功的AI/ML計(jì)劃需要跨組織協(xié)調(diào)。

更廣泛角色正在領(lǐng)導(dǎo)或參與AI/ML戰(zhàn)略和運(yùn)營(yíng)，而且這種跨部門(mén)性在企業(yè)成功使用AI的衡量標(biāo)準(zhǔn)中也得到明顯體現(xiàn)。

企業(yè)正在為AI/ML項(xiàng)目的成功，采納各種度量標(biāo)準(zhǔn)。

最后，實(shí)現(xiàn)AI/ML成熟度方面，組織一致性（Organizational alignment ）企業(yè)之間的最大鴻溝。盡管很多企業(yè)在相關(guān)調(diào)查事項(xiàng)上將自己視為高度或中度成熟，但涉及組織一致性時(shí)，結(jié)果往往相反。

組織一致性是實(shí)現(xiàn)AI/ML成熟度的最大差距。

三

效率低下，AI/ML部署的最大陷阱

正如前文所示，企業(yè)越來(lái)越重視AI/ML，并增加了預(yù)算和人員。然而調(diào)查顯示，隨著企業(yè)對(duì)AI/ML投資的增加，模型部署花費(fèi)的時(shí)間反而更多了。因此，Algorithmia認(rèn)為，企業(yè)正在通過(guò)不斷增加的員工手動(dòng)擴(kuò)大AI/ML的工作規(guī)模，而不是解決運(yùn)營(yíng)效率方面的潛在問(wèn)題。 數(shù)據(jù)顯示，66%的企業(yè)需要一個(gè)月或更長(zhǎng)的時(shí)間開(kāi)發(fā)一個(gè)訓(xùn)練過(guò)的模型。在將模型部署到生產(chǎn)過(guò)程時(shí)，只有11%的企業(yè)表示他們能在一周內(nèi)完成，64%的企業(yè)需要一個(gè)月或者更長(zhǎng)時(shí)間。

只有11%的組織能夠在一周內(nèi)將模型投入生產(chǎn)。

然后，被開(kāi)發(fā)出的模型還必須投入生產(chǎn)，數(shù)據(jù)顯示，只有11%的人表示他們能在一周內(nèi)將一個(gè)經(jīng)過(guò)培訓(xùn)的模型部署到生產(chǎn)中。大多數(shù)組織（64%）需要一個(gè)月或更長(zhǎng)的時(shí)間。 這意味著，當(dāng)企業(yè)決定部署AI/ML時(shí)，從開(kāi)發(fā)一個(gè)訓(xùn)練過(guò)的模型到將其擴(kuò)展到生產(chǎn)地步還需要數(shù)年甚至數(shù)月的時(shí)間。更重要的是，部署一個(gè)模型（一旦它被開(kāi)發(fā)出來(lái)）所需要的時(shí)間實(shí)際上越來(lái)越長(zhǎng)。

部署一個(gè)模型所需要的時(shí)間逐年增加

另外，38%的企業(yè)將一半以上的數(shù)據(jù)科學(xué)家都用在模型部署上——并且，規(guī)模越大，情況越糟。數(shù)據(jù)科學(xué)家花在模型部署上的時(shí)間實(shí)際上也隨著生產(chǎn)中的模型數(shù)量的增加而增加。數(shù)據(jù)顯示，生產(chǎn)中擁有最多模型的組織在模型部署上花費(fèi)的數(shù)據(jù)科學(xué)家的時(shí)間最多。

38%的企業(yè)將一半以上的數(shù)據(jù)科學(xué)家用在模型部署上

這種方式極大限制了企業(yè)發(fā)展的長(zhǎng)期可持續(xù)性。如果企業(yè)專(zhuān)注于提高操作效率，數(shù)據(jù)科學(xué)家就可以專(zhuān)注于建立創(chuàng)新的模型，而不是執(zhí)行手工操作任務(wù)。

四

使用第三方MLOps使基礎(chǔ)設(shè)施上的花費(fèi)平均減少了19-21%

隨著AI/ML市場(chǎng)的成熟，企業(yè)對(duì)基礎(chǔ)設(shè)施的部署也出現(xiàn)了一些有趣的趨勢(shì)。 首先，企業(yè)有越來(lái)越復(fù)雜的環(huán)境來(lái)部署模型。在我們2021年的調(diào)查中，71%的受訪者表示他們使用混合環(huán)境（包括多個(gè)云或本地基礎(chǔ)設(shè)施提供商）來(lái)部署模型，42%的受訪者擁有混合環(huán)境，包括云和本地解決方案。而在2020年的調(diào)查中，擁有混合環(huán)境的企業(yè)比例還只有16%。

71%的組織擁有混合環(huán)境，42%擁有云和本地基礎(chǔ)設(shè)施的結(jié)合

關(guān)于如何使用模型部署和管理基礎(chǔ)架構(gòu)，企業(yè)有四種不同的選擇：1、從頭開(kāi)始構(gòu)建和維護(hù)自己的系統(tǒng)；2、將開(kāi)源組件集成到一個(gè)內(nèi)部維護(hù)的系統(tǒng)中；3、將商業(yè)點(diǎn)解決方案集成到一個(gè)內(nèi)部維護(hù)的系統(tǒng)中；4、使用由供應(yīng)商支持的第三方平臺(tái)。調(diào)查顯示，在擁有超過(guò)100個(gè)模型的組織中，60%的組織選擇從頭開(kāi)始構(gòu)建和維護(hù)他們自己的系統(tǒng)，但是在其他組織中只有35%的組織選擇這樣做。報(bào)告傾向認(rèn)為這些企業(yè)是AI/ML領(lǐng)域的早期采用者，構(gòu)建自己的方案是唯一選擇。 選擇第3或第4種方案的被統(tǒng)稱(chēng)為「購(gòu)買(mǎi)第三方解決方案」， 這對(duì)應(yīng)于MLOps是構(gòu)建還是購(gòu)買(mǎi)的決策。2021年調(diào)查數(shù)據(jù)顯示，購(gòu)買(mǎi)第三方解決方案的企業(yè)每年在基礎(chǔ)設(shè)施上的花費(fèi)平均減少了19-21%，并且在生產(chǎn)中實(shí)際節(jié)約成本可能會(huì)更高。（該報(bào)告使用了一種保守的方法來(lái)計(jì)算平均基礎(chǔ)設(shè)施成本，它折現(xiàn)了成本譜中較高的一端。由于大部分處于高成本范圍的企業(yè)都是從頭開(kāi)始構(gòu)建他們自己的解決方案，他們的平均成本可能被低估了）。

購(gòu)買(mǎi)第三方解決方案比自己建立解決方案便宜19-21%。

購(gòu)買(mǎi)第三方解決方案的組織也傾向于在模型部署上花費(fèi)更少的時(shí)間。

購(gòu)買(mǎi)第三方解決方案的組織會(huì)減少數(shù)據(jù)科學(xué)家在模型部署上的時(shí)間

最后，這些企業(yè)傾向于更快地將他們的模型投入生產(chǎn)。平均而言，他們將一個(gè)經(jīng)過(guò)訓(xùn)練的模型投入規(guī)模化生產(chǎn)所需的天數(shù)比白手起家的組織要少31%。

對(duì)于購(gòu)買(mǎi)第三方解決方案的組織來(lái)說(shuō)，部署模型所需的時(shí)間要少31%

「新冠疫情在許多領(lǐng)域挑戰(zhàn)了我們的假設(shè)。在這種快速變化的環(huán)境下，企業(yè)正在重新考慮他們的投資，并看到了AI/ML在不確定時(shí)期推動(dòng)收入和效率的重要性。」Algorithmia CEO Diego Oppenheimer說(shuō)。「在疫情之前，從事人工智能/ML項(xiàng)目的企業(yè)最擔(dān)心的是缺乏有技能的內(nèi)部人才。如今，企業(yè)更加擔(dān)心如何更快地將ML模型投入生產(chǎn)，以及如何確保它們的性能。讓人感到欣慰的是，這類(lèi)問(wèn)題的關(guān)鍵是在于如何最大化AI/ML投資的價(jià)值，而不是企業(yè)如何研究人工智能/ML。」

五

結(jié)論

2021年將是AI/ML計(jì)劃的關(guān)鍵一年。很多企業(yè)已經(jīng)感受到部署AI/ML的緊迫性和重要性，并且在優(yōu)先級(jí)、支出和人員配置方面不斷增長(zhǎng)投資。并且，利用第三方供應(yīng)商，企業(yè)將不再需要從頭開(kāi)始構(gòu)建和維護(hù)自己的基礎(chǔ)設(shè)施。 同時(shí)，2021年會(huì)從AI/ML中獲得最大收益的企業(yè)是那些投資于運(yùn)營(yíng)效率和規(guī)模的組織。這些企業(yè)能更有效地將他們的AI/ML投資用用于其業(yè)務(wù)產(chǎn)生最顯著的地方。2021年，那些采取大膽措施擴(kuò)大AI/ML規(guī)模的企業(yè)和其他企業(yè)之間的差距肯定會(huì)擴(kuò)大。企業(yè)是時(shí)候行動(dòng)起來(lái)做出改變了。

責(zé)任編輯：lq