大家都知道，機器學(xué)習(xí)（ML）是人工智能的關(guān)鍵技術(shù)之一，也是一項逐漸走向成熟的應(yīng)用技術(shù)。具體說來，這一技術(shù)可以為未來的數(shù)據(jù)科學(xué)帶來變革，能夠讓應(yīng)用企業(yè)作出基于更多數(shù)據(jù)分析的驅(qū)動決策，從而改善用戶的業(yè)務(wù)體驗。

那么，目前ML究竟在哪些方面，以及多大程度上改進了企業(yè)的經(jīng)營狀態(tài)？近日，F(xiàn)orrester Consulting基于對位于北美的150位公司數(shù)據(jù)負(fù)責(zé)人和決策者的調(diào)查，得出ML在業(yè)務(wù)經(jīng)營決策上的一些重要表現(xiàn)。在這些調(diào)查結(jié)論中，有哪些是可以給到我們幫助和借鑒的？

先來看一些關(guān)鍵的信息。

• 機器學(xué)習(xí)所影響的業(yè)務(wù)中，自動化的異常檢測(Anomaly Detection)是未來一到三年所要達成的首要任務(wù)；
• 在技術(shù)的實現(xiàn)路徑上，數(shù)據(jù)孤島、可解釋性差和透明度低等是阻礙向前的主要障礙，因而減緩了技術(shù)成熟度的完善進度。
• 如果能夠更加專注于業(yè)務(wù)成果，并且盡可能與在ML技術(shù)上有大量實踐和驗證有效的公司建立合作關(guān)系，將更有利于這一技術(shù)的落地。

只有四分之一的ML應(yīng)用處于成熟期

在機器學(xué)習(xí)的開發(fā)和發(fā)布時長上，大部分受訪者選擇了1到5年之間，占比總計72%。其中，一半以上的人表示他們的應(yīng)用發(fā)布在1到2年。而實際上，成熟的機器學(xué)習(xí)戰(zhàn)略需要3年及以上的沉淀期，達到這個標(biāo)準(zhǔn)的占比只有四分之一左右，其中只有5%的企業(yè)已經(jīng)應(yīng)用5年以上。

此外，有53%的受訪者計劃通過利用ML來提高業(yè)務(wù)效率。

在當(dāng)下的大數(shù)據(jù)和數(shù)據(jù)分析戰(zhàn)略上，有46%的人選擇了使用多云（包括私有云）；44%選擇研究堆棧性能，從而更好地利用數(shù)據(jù)進行模型架構(gòu)；41%選擇擴大規(guī)模以滿足增長的數(shù)據(jù)量的需求。

而在未來的一年到三年中，ML的主要戰(zhàn)略應(yīng)用方向為：自動檢測異常數(shù)據(jù)（40%）、透明應(yīng)用的自動接收和基礎(chǔ)設(shè)施的更新（39%），以及讓AI應(yīng)用符合新的監(jiān)管和倫理要求（39%）等。

解決技術(shù)管理上的數(shù)據(jù)孤島最具挑戰(zhàn)

除了技術(shù)能力，機器學(xué)習(xí)在人員和流程管理上也面臨不小的挑戰(zhàn)。其中，認(rèn)為打破內(nèi)部數(shù)據(jù)孤島最具挑戰(zhàn)性的比例為41%，39%的人選擇了將學(xué)術(shù)模型轉(zhuǎn)化為可以部署的產(chǎn)品。此外，分別有38%的人選擇了降低AI風(fēng)險和打破外部的數(shù)據(jù)孤島，還有36%的人認(rèn)為最大的困難在于處理大規(guī)模、多樣化和混亂的數(shù)據(jù)集。

無論是數(shù)據(jù)孤島、模型轉(zhuǎn)化，還是數(shù)據(jù)集混亂，都體現(xiàn)出學(xué)術(shù)與商業(yè)化之間的鴻溝，尤其是在模型的轉(zhuǎn)化上，當(dāng)使用ML并將其進行用例擴展時，很多人發(fā)現(xiàn)數(shù)據(jù)流的透明度、可追溯性以及可解釋性都很難得到清晰的呈現(xiàn)。

也正因此，在ML落地前景不明確的情況下，管理層會認(rèn)為基于機器學(xué)習(xí)的業(yè)務(wù)實現(xiàn)很難看到商業(yè)價值。而如果與投資回報沒有明確關(guān)系，管理者在這一技術(shù)上的投入意向就會明顯下降。有73%的受訪人認(rèn)為機器學(xué)習(xí)在數(shù)據(jù)透明、可追溯和可解釋性上還存在挑戰(zhàn)，投入意向的不明朗加劇了技術(shù)落地的困難，良性的循環(huán)還有待形成。

三分之二的決策者仍會加大ML的應(yīng)用

然而，即便面臨著諸多挑戰(zhàn)，決策者在對機器學(xué)習(xí)決定投入時也難免戰(zhàn)戰(zhàn)兢兢，但大部分受訪者認(rèn)為應(yīng)用ML還是非常必要的。有三分之二的決策者（67%）認(rèn)為，全方位加大ML技術(shù)的應(yīng)用對組織的戰(zhàn)略規(guī)劃非常重要。而在當(dāng)前使用的工具集當(dāng)中增加機器學(xué)習(xí)的技術(shù)能力和應(yīng)用，認(rèn)為這一點很重要的被訪者也占到了66%。

在業(yè)務(wù)層面，機器學(xué)習(xí)被寄予發(fā)揮作用的前三領(lǐng)域包括：數(shù)據(jù)的平臺互享、企業(yè)內(nèi)的數(shù)據(jù)流動追蹤，以及推動更快的行動。

至于和第三方合作的情況，37%的受訪者表示已經(jīng)建立合作，并打算發(fā)展伙伴關(guān)系；30%的人表示有合作關(guān)系，但并不準(zhǔn)備發(fā)展為更為深入的伙伴關(guān)系。此外，還有19%和11%的受訪者表示未來一年中有合作計劃，或者有合作興趣。

超過六成以上的受訪者表示通過合作關(guān)系來彌補自身在機器學(xué)習(xí)上的短板和人員的短缺，說明合作共贏仍然是發(fā)展這一技術(shù)的重要途徑。與在機器學(xué)習(xí)領(lǐng)域有落地經(jīng)驗的第三方合作，可以在模型開發(fā)、人員培訓(xùn)和挖掘更多數(shù)據(jù)來源上形成合力。

文章參考和圖片來源：

Operationalizing Machine Learning Achieves Key Business Outcomes