根據云服務提供商Rackspace Technology的一項新調查，大多數公司都在努力制定可行的人工智能策略。這項調查包括制造業，金融，零售，政府和醫療保健等各個行業的1，870個組織，該調查表明，只有20％的公司擁有成熟的AI /機器學習計劃。

幾乎每個行業中機器學習的前景都是如此。

將機器學習模型應用于實際應用程序的好處包括更低的成本、更高的精度、更好的客戶體驗以及新功能。并且，正如許多組織和公司正在學習的那樣，在將機器學習的力量應用于您的業務和運營之前，您必須克服幾個障礙。

公司將AI技術集成到其運營中時面臨的三個關鍵挑戰是技能，數據和策略領域，Rackspace的調查清楚地說明了大多數機器學習策略為何失敗的原因。

機器學習模型以計算資源和數據為基礎。得益于各種云計算平臺，對訓練和運行AI模型所需的硬件的訪問變得更加容易獲得和負擔得起。

但是數據在規劃和采用AI策略的不同階段仍然是主要障礙。

在Rackspace調查中，有34％的受訪者表示數據質量差是機器學習研發失敗的主要原因，另有31％的受訪者表示他們缺乏可用于生產的數據。

這凸顯了將機器學習技術應用于現實問題時的主要障礙之一。盡管AI研究社區可以訪問許多公共數據集來培訓和測試其最新的機器學習技術，但要將這些技術應用于實際應用程序時，要獲得高質量的數據并不容易。在工業，衛生和政府部門中尤其如此，在這些部門中，數據通常很少或受到嚴格的監管。

當機器學習計劃從研究階段轉移到生產階段時，數據問題再次出現。在使用機器學習來提取有價值的見解方面，數據質量仍然是最大的障礙。數據工程問題也帶來了一個嚴重的問題，例如數據孤島，缺乏連接不同數據源的人才以及不夠快地以有意義的方式處理數據。

數據是從機器學習模型中獲取可行見解時最關鍵的問題

Rackspace Technology的首席技術官杰夫·德維爾特（Jeff DeVerter）表示，盡管規模似乎是兩者之間的關鍵區別，但初創企業和成熟公司都面臨數據問題。初創企業往往受制于并非所有正確的資源來實施高質量的數據管道，并隨著時間的流逝不斷地對其進行管理。企業通常擁有規模，而隨之而來的是嚴格的要求。

公司應對AI策略的數據挑戰的最佳方法是對其數據基礎架構進行全面評估。消除孤島應該成為每個機器學習計劃中的關鍵優先事項。公司還應具有清理數據的正確程序，以提高其機器學習模型的準確性和性能。

人工智能人才需求仍然很高

對于大多數公司而言，第二個難題是獲取機器學習和數據科學人才。根據Rackspace的調查，缺乏內部專業知識是導致機器學習研發計劃失敗的第二大原因。招聘中缺乏技能和困難也是采用AI技術的主要障礙。

許多公司都在努力獲取人才以實施其AI策略方面遇到困難

機器學習和深度學習直到最近才在生產環境中得到主流使用，因此許多較小的公司沒有可以開發AI模型的數據科學家和機器學習工程師。

數據科學家和機器學習工程師的平均薪水與經驗豐富的軟件工程師的薪水相稱，這使得許多公司很難組建一支能夠領導其AI計劃的才華橫溢的團隊。

盡管眾所周知，機器學習和數據科學人才的短缺，但沒有引起人們注意的一件事是需要更多的數據工程師，建立，維護和更新數據庫，數據倉庫和數據湖的人員。根據Rackspace的數據，許多計劃失敗了，因為公司沒有足夠的能力來調整其數據基礎結構以用于機器學習。嚴重缺乏公司的一些領域是：打破孤島、遷移到云、建立Hadoop集群以及創建可以利用不同平臺的功能的混合系統。這些缺點使他們無法在公司范圍內部署機器學習計劃。

大數據

隨著新的機器學習和數據科學工具的發展，人才問題已變得不那么嚴重。谷歌，微軟和亞馬遜已經推出了平臺，使開發機器學習模型變得更加容易。一個示例是Microsoft的Azure機器學習服務，該服務提供具有拖放組件的可視界面，使無需編碼即可輕松創建ML模型。另一個例子是Google的AutoML，它可以自動完成繁瑣的超參數調整過程。盡管這些工具不能代替機器學習人才，但它們為想要進入該領域的人們降低了障礙，并使許多公司能夠重新培養其在這些不斷發展的領域中的技術人才。

內部數據科學人才的匱乏不再是障礙，因為現在越來越多的服務可以使用他們自己的ML來幫助這方面，以及擁有這些人才的咨詢公司。

該領域的其他發展是云存儲和分析平臺的發展，它極大地降低了創建創建和運行AI系統所需的無縫數據基礎架構的復雜性。一個例子就是Google的BigQuery，這是一個基于云的數據倉庫，可以輕松地對存儲在各種來源中的大量數據進行查詢。

我們還看到機器學習工具中的兼容性和集成功能正在不斷增強，這將使組織更輕松地將ML工具集成到其現有軟件和數據生態系統中。

在進入AI計劃之前，每個組織都必須對內部人才，可用工具和集成可能性進行全面評估。知道您可以依靠自己的工程師多少以及雇用人才將花費多少，這將成為機器學習計劃成敗的決定性因素。另外，請考慮是否需要重新技能。如果您可以提高工程師的技能以從事數據科學和機器學習項目，那么從長遠來看，您會更好。

外包AI人才

近年來增長的另一個趨勢是AI計劃的外包。在Rackspace調查中，只有38％的受訪者依靠內部人才來開發AI應用程序。其余的要么完全外包他們的AI項目，要么雇用內部和外包人才。

大多數公司依靠外部人才來計劃和實施他們的AI計劃

現在有幾家公司專門研究和實施AI策略。一個例子是C3.ai，這是一家專門從事多個行業的AI解決方案提供商。C3.ai在諸如Amazon，Microsoft和Google之類的現有云提供商之上提供AI工具。該公司還提供AI咨詢和專業知識，以逐步引導客戶完成戰略制定和實施階段。

根據Rackspace的報告，成熟的提供商可以隨著時間的推移從戰略到實施再到維護和支持帶來一切。策略可以避開AI和機器學習工作可能失去動力或變得復雜的領域。動手專家還可以使組織免于清理和維護的麻煩。這些專業知識加在一起，可以為最終取得成功發揮一切作用。

但是，值得注意的是，將組織的AI戰略完全移交給外部提供商可能是一把雙刃劍。成功的策略需要AI專家與實施該策略的公司的主題專家之間的密切合作。

這與轉向DevOps開發方法并試圖將整個開發外包的公司非常相似。DevOps要求開發人員，業務分析師和業務中的其他人員之間保持緊密的合作關系。以同樣的方式，人工智能項目不僅需要戰略和技術專長，而且還需要與企業以及領導層建立緊密的合作伙伴關系。

必須精心完成外包AI人才的工作。盡管它可以加快開發和實施AI策略的過程，但您必須確保專家完全參與該過程。理想情況下，當您與外部專家一起工作時，您應該能夠建立自己的內部數據科學家和機器學習工程師團隊。

您如何評估您的AI策略？

最后，另一個使從事AI之旅的公司感到痛苦的領域是預測AI策略的結果和價值。鑒于機器學習在許多領域都是新的應用，因此很難預先知道AI策略將計劃和實施多長時間以及投資回報率是多少。反過來，在獲得對AI計劃的支持時，組織的創新者很難讓其他人參與進來。

在Rackspace調查的受訪者中，有18％的人認為缺乏明確的業務案例是采用AI策略的主要障礙。高管人員缺乏承諾也是最大的障礙之一。缺乏用例和高級管理層的承諾再次出現在機器學習過程中的主要挑戰中。

AI通常會四處尋找解決方案，以尋找組織內部的問題。我相信這是在組織內部廣泛采用的最大障礙之一。由于AI從業人員可以展示有關AI如何使他們的特定公司受益的實際示例-領導力將進一步為這些活動提供資金。像任何企業一樣，領導者需要知道它將如何幫助他們省錢或賺錢。

評估AI計劃的結果非常困難。根據調查，衡量AI計劃成功與否的前兩個關鍵績效指標（KPI）是利潤率和收入增長。可以理解，這種對快速利潤的關注部分是由于AI計劃的高成本。根據Rackspace的調查，組織平均每年在AI計劃上花費106萬美元。

但是，盡管良好的AI計劃可以帶來收入增長和更低的成本，但在許多情況下，機器學習的長期價值在于開發新的用例和產品。

如果短期財務收益與那些可以由這些短期收益提供資金的長期戰略不匹配，則可能是近視的。

如果您負責組織中的AI計劃，請確保清楚地列出AI策略的用例，成本和收益。決策者應清楚了解其公司將要開展的工作。他們應該了解投資人工智能的短期利益，但他們也應該知道從長遠來看會獲得什么。
編輯：lyn