很多机器学习策略会失败

本、提高精度、更好的客户体验以及推出新功能，但是机器学习并不是万能的，在将人工智能和机器学习技术应用到组织的业务和运营之前，必须克服一些障碍。

组织在将人工智能技术整合到运营中时面临的三个关键挑战是技能、数据和策略，Rackspace公司的调查报告清楚地说明了一些机器学习策略遭遇失败的原因。

机器学习与数据有关

机器学习模型以计算资源和数据为基础。采用云计算服务，对训练和运行人工智能模型所需的硬件的访问变得更加容易和负担得起。

但在计划和采用人工智能战略的不同阶段，数据仍然是一个主要障碍。在Rackspace公司的调查中，34%的受访者表示，数据质量较差是机器学习研发失败的主要原因，另有31%的受访者表示，他们缺乏现成的生产数据。

这凸显了将机器学习技术应用于现实问题时的主要障碍之一。尽管人工智能研究社区可以访问许多公共数据集来训练和测试其最新的机器学习技术，但要将这些技术应用于应用程序时，要获得高质量的数据并不容易。这在工业、卫生和政府部门尤其如此，因为这些部门的数据往往很少或受到严格的监管。

当机器学习计划从研究阶段转移到生产阶段时，数据问题再次出现。在使用机器学习来提取具有价值的见解方面，数据质量仍然是最大的障碍。数据工程问题也带来了一个严重的问题，例如数据孤岛、缺乏连接不同数据源的人才，以及以更具意义的方式处理数据的速度不够快。

数据是从机器学习模型中获取可行见解时最关键的要素

Rackspace Technology公司首席技术官Jeff DeVerter表示，初创企业和成熟企业都面临数据问题，不过规模是两者之间的关键区别。DeVerter评论说：“初创企业往往没有足够的资源来实施高质量的数据管道，并随着时间的推移对其进行持续的管理。而成熟企业通常更具规模，而面临的是更严格的要求。”

组织应对人工智能策略的数据挑战的最佳方法是对其数据基础设施进行全面评估。消除孤岛应该成为每个机器学习计划中的关键优先事项。组织还应具有清理数据的正确程序，以提高其机器学习模型的准确性和性能。

对人工智能的人才需求仍然很高

（编辑：三明站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!