本文轉(zhuǎn)載自公眾號(hào)“讀芯術(shù)”(ID：AI_Discovery)

 機(jī)器學(xué)習(xí)領(lǐng)域的發(fā)展?jié)摿薮螅覀儗?duì)它了解得還不夠。根據(jù)Garner的預(yù)測(cè)：“2020年，有80%的人工智能項(xiàng)目還很神秘”，Transform 2019 of Venture Beat預(yù)測(cè)有87%的AI項(xiàng)目將永遠(yuǎn)不會(huì)投入生產(chǎn)。

為什么會(huì)這樣呢?為什么這么多項(xiàng)目失敗呢?

· 缺乏專業(yè)知識(shí)

首先是因?yàn)榇蠖鄶?shù)人對(duì)此技術(shù)依然很陌生，大多數(shù)公司組織仍不熟悉軟件工具和所需的硬件。

如今，似乎只要從事過(guò)數(shù)據(jù)分析或軟件開(kāi)發(fā)工作，完成了一些示例數(shù)據(jù)科學(xué)項(xiàng)目的人，在上過(guò)在線短期課程后都自詡數(shù)據(jù)科學(xué)家。事實(shí)上，大多數(shù)的機(jī)器學(xué)習(xí)和人工智能項(xiàng)目，尤其在定義成功標(biāo)準(zhǔn)以及最終部署和持續(xù)監(jiān)控模型時(shí)，都需要經(jīng)驗(yàn)更豐富的數(shù)據(jù)科學(xué)家。

· 數(shù)據(jù)科學(xué)與傳統(tǒng)軟件開(kāi)發(fā)之間的脫節(jié)

數(shù)據(jù)科學(xué)與傳統(tǒng)軟件開(kāi)發(fā)之間的脫節(jié)是另一個(gè)主要因素，傳統(tǒng)的軟件開(kāi)發(fā)往往更便于預(yù)測(cè)和測(cè)量。

· 數(shù)據(jù)科學(xué)依然是科研與工程的結(jié)合體

數(shù)據(jù)科學(xué)研究通過(guò)多次迭代和試驗(yàn)向前發(fā)展。有時(shí)，由于選擇的度量標(biāo)準(zhǔn)無(wú)法帶動(dòng)用戶行為，因此整個(gè)項(xiàng)目將不得不從部署階段重返計(jì)劃階段。

傳統(tǒng)項(xiàng)目或許不能和數(shù)據(jù)科學(xué)項(xiàng)目傳達(dá)一樣的結(jié)果。對(duì)于那些在傳統(tǒng)軟件開(kāi)發(fā)項(xiàng)目的每個(gè)任務(wù)周期結(jié)尾時(shí)能得到清晰交付結(jié)果的領(lǐng)導(dǎo)者而言，這可能令他們感到疑惑。

· 數(shù)據(jù)的質(zhì)量與規(guī)模

眾所周知，人工智能系統(tǒng)的數(shù)據(jù)基礎(chǔ)越廣，產(chǎn)生的預(yù)測(cè)就越好。除了數(shù)據(jù)量增多的直接影響外，隨著數(shù)據(jù)規(guī)模的增加，還會(huì)面臨許多新的挑戰(zhàn)。

在許多情況下必須合并來(lái)自多方的數(shù)據(jù)。這時(shí)，我們就會(huì)意識(shí)到它們并不是多次同步的。問(wèn)題也隨之而來(lái)，有時(shí)會(huì)合并不應(yīng)該被合并的數(shù)據(jù)，這將導(dǎo)致有相同名稱的數(shù)據(jù)點(diǎn)卻有不同的含義。錯(cuò)誤的數(shù)據(jù)產(chǎn)生的結(jié)果不僅沒(méi)有參考意義，還會(huì)產(chǎn)生誤導(dǎo)性。

· 數(shù)據(jù)標(biāo)注

據(jù)《麻省理工學(xué)院斯隆管理評(píng)論》稱，另一個(gè)使許多機(jī)器學(xué)習(xí)項(xiàng)目停滯的原因是數(shù)據(jù)標(biāo)注的不可用。

76%的人通過(guò)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行標(biāo)注和注釋來(lái)解決這一問(wèn)題，而63%的人甚至嘗試構(gòu)建自己的數(shù)據(jù)標(biāo)注和自動(dòng)化注釋技術(shù)。這意味著大量數(shù)據(jù)科學(xué)家會(huì)在數(shù)據(jù)標(biāo)記過(guò)程中無(wú)法運(yùn)用自己的專業(yè)知識(shí)，這是有效執(zhí)行人工智能項(xiàng)目所面臨的主要挑戰(zhàn)。

這就是許多公司將標(biāo)注任務(wù)外包給其他公司的原因。但是，如果標(biāo)注任務(wù)需要全面的專業(yè)領(lǐng)域知識(shí)，任務(wù)外包不會(huì)是好的解決方法。如果公司想保持?jǐn)?shù)據(jù)集的質(zhì)量和一致性，必須對(duì)數(shù)據(jù)標(biāo)注員進(jìn)行正式和標(biāo)準(zhǔn)化培訓(xùn)。

如果要標(biāo)注的數(shù)據(jù)很復(fù)雜，另一個(gè)選擇是開(kāi)發(fā)自己的數(shù)據(jù)標(biāo)注工具。但是這通常比機(jī)器學(xué)習(xí)任務(wù)本身需要更多的工程開(kāi)銷。

· 封閉化組織

數(shù)據(jù)是機(jī)器學(xué)習(xí)項(xiàng)目中最重要的部分。在大多數(shù)組織中，這些數(shù)據(jù)將有不同的安全性約束，并以結(jié)構(gòu)化、非結(jié)構(gòu)化、視頻文件、音頻文件、文本和圖像等多種形式儲(chǔ)存在不同位置。

將這些數(shù)據(jù)以不同的格式放在不同的位置本身是一個(gè)挑戰(zhàn)。但是，在組織處于封閉狀態(tài)、負(fù)責(zé)人不相互合作時(shí)，團(tuán)隊(duì)就會(huì)面臨加倍挑戰(zhàn)。

· 缺乏合作交流

另一個(gè)主要挑戰(zhàn)是數(shù)據(jù)科學(xué)家、數(shù)據(jù)工程師、數(shù)據(jù)管理員、商務(wù)智能專家、開(kāi)發(fā)運(yùn)營(yíng)(DevOps)和工程等不同團(tuán)隊(duì)之間缺乏協(xié)作。這對(duì)于從事數(shù)據(jù)科學(xué)工程方案的團(tuán)隊(duì)尤其重要，他們的工作方式和使用的技術(shù)之間存在很多差異。

工程團(tuán)隊(duì)將完成機(jī)器學(xué)習(xí)模型并將其投入生產(chǎn)。因此，他們之間需要有恰當(dāng)?shù)睦斫夂透咝У膮f(xié)作。

· 技術(shù)上不可行的項(xiàng)目

由于機(jī)器學(xué)習(xí)項(xiàng)目往往成本高昂，因此大多數(shù)企業(yè)傾向于以遠(yuǎn)大的“登月計(jì)劃”為目標(biāo)，試圖以此完全改變公司或產(chǎn)品并為企業(yè)帶來(lái)超額回報(bào)或投資。這樣的項(xiàng)目會(huì)使數(shù)據(jù)科學(xué)團(tuán)隊(duì)無(wú)法突破極限，并且永遠(yuǎn)無(wú)法完成這樣的項(xiàng)目。最終，企業(yè)領(lǐng)導(dǎo)者將對(duì)項(xiàng)目失去信心并停止投資。

企業(yè)最好將精力集中在單個(gè)可實(shí)現(xiàn)項(xiàng)目上，在力所能及的范圍內(nèi)針對(duì)分散的業(yè)務(wù)制定階段性的小目標(biāo)。

· 技術(shù)和業(yè)務(wù)團(tuán)隊(duì)之間的協(xié)調(diào)問(wèn)題

在機(jī)器學(xué)習(xí)項(xiàng)目啟動(dòng)時(shí)，業(yè)務(wù)團(tuán)隊(duì)和數(shù)據(jù)科學(xué)團(tuán)隊(duì)之間沒(méi)有明確期望、目標(biāo)和成功標(biāo)準(zhǔn)。這樣的項(xiàng)目將永遠(yuǎn)停留在研究階段，因?yàn)樗麄儾磺宄约旱哪繕?biāo)，便永遠(yuǎn)不知道自己是否正在取得進(jìn)展。

數(shù)據(jù)科學(xué)團(tuán)隊(duì)將主要專注于準(zhǔn)確性，而業(yè)務(wù)團(tuán)隊(duì)卻對(duì)財(cái)務(wù)收益或業(yè)務(wù)洞察力等指標(biāo)更感興趣。最終業(yè)務(wù)團(tuán)隊(duì)不會(huì)接受數(shù)據(jù)科學(xué)團(tuán)隊(duì)的成果。

· 缺乏數(shù)據(jù)策略

根據(jù)麻省理工學(xué)院斯隆管理評(píng)論，只有50%的員工人數(shù)超過(guò)10萬(wàn)的大型企業(yè)最有可能采用數(shù)據(jù)策略。在開(kāi)始機(jī)器學(xué)習(xí)項(xiàng)目之前制定可靠的數(shù)據(jù)策略至關(guān)重要。

你需要對(duì)以下內(nèi)容有清晰的了解，這是數(shù)據(jù)策略的一部分：

• 公司中的總數(shù)據(jù)
• 項(xiàng)目真正需要多少數(shù)據(jù)
• 項(xiàng)目涉及到的員工是否有權(quán)查看這些數(shù)據(jù)
• 如何將來(lái)源不同的數(shù)據(jù)匯總在一起的具體策略
• 如何清理和轉(zhuǎn)換這些數(shù)據(jù)

大多數(shù)公司開(kāi)始時(shí)都沒(méi)有計(jì)劃，或者根本沒(méi)有想到自己沒(méi)有數(shù)據(jù)。

· 缺乏領(lǐng)導(dǎo)支持

只要投入金錢(qián)和技術(shù)，問(wèn)題就能迎刃而解。這是大眾常見(jiàn)的誤解。領(lǐng)導(dǎo)者可能沒(méi)有提供正確的支持來(lái)確保已經(jīng)達(dá)到成功所需的條件。有時(shí)業(yè)務(wù)主管并不看好數(shù)據(jù)科學(xué)家開(kāi)發(fā)的模型。

這或許是由于業(yè)務(wù)負(fù)責(zé)人缺乏對(duì)人工智能的理解以及數(shù)據(jù)科學(xué)家無(wú)法將模型的商業(yè)價(jià)值準(zhǔn)確傳達(dá)給領(lǐng)導(dǎo)者。領(lǐng)導(dǎo)者需要了解機(jī)器學(xué)習(xí)的工作原理以及人工智能對(duì)企業(yè)的真正意義。

以上就是機(jī)器學(xué)習(xí)項(xiàng)目“九死一生”的原因所在。