作者 | Forrester Consulting

編譯 | 楊陽(yáng)

出品 | AI科技大本營(yíng)（ID：rgznai100）

大家都知道，機(jī)器學(xué)習(xí)（ML）是人工智能的關(guān)鍵技術(shù)之一，也是一項(xiàng)逐漸走向成熟的應(yīng)用技術(shù)。具體說(shuō)來(lái)，這一技術(shù)可以為未來(lái)的數(shù)據(jù)科學(xué)帶來(lái)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(dòng)決策，從而改善用戶的業(yè)務(wù)體驗(yàn)。

那么，目前ML究竟在哪些方面，以及多大程度上改進(jìn)了企業(yè)的經(jīng)營(yíng)狀態(tài)？近日，F(xiàn)orrester Consulting基于對(duì)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(yíng)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(lái)看一些關(guān)鍵的信息。

• 機(jī)器學(xué)習(xí)所影響的業(yè)務(wù)中，自動(dòng)化的異常檢測(cè)(Anomaly Detection)是未來(lái)一到三年所要達(dá)成的首要任務(wù)；

• 在技術(shù)的實(shí)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(jìn)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(shí)踐和驗(yàn)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(jī)器學(xué)習(xí)的開發(fā)和發(fā)布時(shí)長(zhǎng)上，大部分受訪者選擇了1到5年之間，占比總計(jì)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(shí)際上，成熟的機(jī)器學(xué)習(xí)戰(zhàn)略需要3年及以上的沉淀期，達(dá)到這個(gè)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(jì)劃通過(guò)利用ML來(lái)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(jìn)行模型架構(gòu)；41%選擇擴(kuò)大規(guī)模以滿足增長(zhǎng)的數(shù)據(jù)量的需求。而在未來(lái)的一年到三年中，ML的主要戰(zhàn)略應(yīng)用方向?yàn)椋鹤詣?dòng)檢測(cè)異常數(shù)據(jù)（40%）、透明應(yīng)用的自動(dòng)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(jī)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(xiǎn)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(wú)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(jìn)行用例擴(kuò)展時(shí)，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(huì)認(rèn)為基于機(jī)器學(xué)習(xí)的業(yè)務(wù)實(shí)現(xiàn)很難看到商業(yè)價(jià)值。而如果與投資回報(bào)沒(méi)有明確關(guān)系，管理者在這一技術(shù)上的投入意向就會(huì)明顯下降。有73%的受訪人認(rèn)為機(jī)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(huì)加大ML的應(yīng)用

然而，即便面臨著諸多挑戰(zhàn)，決策者在對(duì)機(jī)器學(xué)習(xí)決定投入時(shí)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(duì)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(jī)器學(xué)習(xí)的技術(shù)能力和應(yīng)用，認(rèn)為這一點(diǎn)很重要的被訪者也占到了66%。在業(yè)務(wù)層面，機(jī)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(tái)互享、企業(yè)內(nèi)的數(shù)據(jù)流動(dòng)追蹤，以及推動(dòng)更快的行動(dòng)。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(lái)一年中有合作計(jì)劃，或者有合作興趣。超過(guò)六成以上的受訪者表示通過(guò)合作關(guān)系來(lái)彌補(bǔ)自身在機(jī)器學(xué)習(xí)上的短板和人員的短缺，說(shuō)明合作共贏仍然是發(fā)展這一技術(shù)的重要途徑。與在機(jī)器學(xué)習(xí)領(lǐng)域有落地經(jīng)驗(yàn)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(lái)源上形成合力。文章參考和圖片來(lái)源：Operationalizing Machine Learning Achieves Key Business Outcomes