毫無疑問，當每個行業(yè)都在與規(guī)模進行一場失敗的戰(zhàn)斗時，這確實是一個小時的需要——來自數百萬(有時是數十億)傳感器、工具和設備的數據流的絕對規(guī)模。

　　雖然谷歌和Facebook等巨頭有足夠的預算來投資人工智能、機器學習并利用其優(yōu)勢，但普通公司如何從人工智能中分得一杯羹?

　　目前，所有數據都只是在積累，幾乎沒有做任何事情來轉化為可用的情報。因此，數據和人是孤立的——不僅如此，迄今為止，任何數據分析的嘗試通常都是從極其短視的角度出發(fā)的。也就是說，它是用一個工具或一個團隊完成的，結果是一個人收到了一個更大范圍的非常本地化的視角。例如，結果儀表板不包含洞察力來源的痕跡，并且在流程的一個階段生成的數據表很可能無法用于更下游的任何流程。

　　每個人都在談論人工智能和機器學習的大眾化，談論向大眾開放。

　　不幸的事實是，正是同樣的挑戰(zhàn)導致了對人工智能和機器學習的需求，阻礙了其有效采用。

　　讓我們來看看這些挑戰(zhàn)。

　　需要減少周期時間

　　雖然大多數行業(yè)考慮投資機器學習以減少其產品/服務的周期時間，但實施機器學習本身的周期時間相當長。例如，收集和清理數據的過程漫長而乏味——數據科學家將大部分時間花在這項任務上。

　　技能鴻溝

　　技能短缺是幾乎所有行業(yè)的普遍痛點。這一挑戰(zhàn)可能是供應不足或可及性不足之一。無論如何，使用“智能”機器有助于解決問題。然而，采用這些智能機器需要另一群聰明人——數據科學家?，F在，這為技能和短缺開辟了一個全新的領域。一方面，這些人通常技術嫻熟(讀起來非常昂貴)。另一方面，它們的數量少得令人痛苦(閱讀保留成本要高得多)。

　　由于組織意識到在市場上保持競爭力在很大程度上取決于機器學習和人工智能，因此對在該領域受過培訓的人員的需求巨大——遠遠超過供應。

　　這僅僅是因為人工智能、數據科學和機器學習只有掌握了所需數量的處理技術的科學家才能利用。這些科學家識別正確的數據，選擇正確的算法，并為成功實施創(chuàng)造正確的條件。他們每天都要與業(yè)務利益相關者進行頭腦風暴，以了解他們的需求、數據準備(收集、清理數據并將其轉換為有意義的數據)、數據建模(創(chuàng)建、測試和優(yōu)化每個模型)和迭代(直到結果)滿意)。需要可擴展的學習。

　　企業(yè)采用機器學習的最大原因之一是他們需要處理從傳感器和設備涌入的大量數據。對此的下意識反應是自動化處理這些數據。然而，這種數據處理通常是由人類指導或訓練的——這就是我們所說的監(jiān)督學習。

　　不幸的是，這種類型的機器學習無法解決當今大多數公司面臨的一系列問題——人類難以預測的問題。事實上，由于缺乏可擴展或無監(jiān)督的機器學習，困擾所有行業(yè)的20:80資產失敗規(guī)則*仍未得到解決。在這種類型的機器學習中，機器本身進行學習，否則數據科學家會進行訓練。這種學習的整個前提是機器能夠檢測人眼不可見的模式，因此可以檢測人類無法使用手動方法預測的問題。

　　總結

　　人工智能不僅與算法有關，還與算法產生的價值有關。因此需要是讓所有相關用戶能夠瀏覽晦澀的信息環(huán)境，以獲得所需的智能，這些智能可用于在他們參與的每個步驟中推動業(yè)務目標。