Matt Asay著 陳琳華譯

技術(shù)人才的缺乏正在持續(xù)阻礙人工智能革命。這也是為什么聰明的企業(yè)在進行技術(shù)部署的同時投入巨資變革企業(yè)文化的原因。對此，谷歌為我們帶來了他們的“谷歌模式”。

我們正在被越來越復(fù)雜的機器學(xué)習(xí)技術(shù)所包圍。目前的情況非常糟糕，因為很少有人知道如何使用它們。

據(jù)市場研究機構(gòu)451 Research的最新調(diào)查數(shù)據(jù)顯示，技術(shù)人才的缺乏正持續(xù)阻礙人工智能革命。事實上，人的因素，而非技術(shù)因素，一直是導(dǎo)致每次技術(shù)革命都低于預(yù)期的原因。這就是為什么聰明的企業(yè)在進行技術(shù)部署的同時會投入巨資變革企業(yè)文化的原因。

沒有哪家企業(yè)會容忍其他企業(yè)利用機器學(xué)習(xí)來侵蝕自己的利益。我們看到人工智能和機器學(xué)習(xí)在公開的財務(wù)分析電話會議中被提及的次數(shù)正不斷增加。所有高管都希望自己的企業(yè)在機器學(xué)習(xí)方面做得很好。盡管人工智能提及頻率在最近一個季度有所下降，但長期趨勢是向好的，即便是在沒有可獲得豐厚回報的巨額投資的情況下。

在451 Research就機器學(xué)習(xí)的最大障礙展開調(diào)查過程中，36%的受訪者表示他們不知道“開啟”按鈕在哪里，另有32%的受訪者表示他們負擔(dān)不起或者不知道如何處理數(shù)據(jù)。調(diào)查結(jié)果如圖1所示。

即便如此，仍有49%的受訪者聲稱他們從小規(guī)模部署的機器學(xué)習(xí)中獲得了“競爭優(yōu)勢”。如圖2所示。

這一結(jié)果與對大數(shù)據(jù)的早期調(diào)查沒有什么不同，當(dāng)時企業(yè)聲稱自己一下子就從大數(shù)據(jù)中獲得了巨大的優(yōu)勢，但在后續(xù)的調(diào)查中他們承認自己對正在做的工作毫無頭緒。

沒有人想成為機器學(xué)習(xí)或大數(shù)據(jù)領(lǐng)域的菜鳥，但是涉足這些領(lǐng)域的正確做法并不像供應(yīng)商新聞稿里說的那樣容易。451 Research的調(diào)查數(shù)據(jù)顯示，大約有50%的企業(yè)已經(jīng)部署或計劃在明年部署機器學(xué)習(xí)算法，但是如果這50%的企業(yè)在機器學(xué)習(xí)領(lǐng)域的部署中取得長足的進展，那么我會感到非常震驚。大多數(shù)人仍在摸著石頭過河，希望它們都會給予自己豐厚的回報。

難怪麥肯錫的分析表明，機器學(xué)習(xí)/人工智能需要再過十年才能融入日常使用之中。因為改變是需要時間的。

對于想要在大機器學(xué)習(xí)浪潮中勝出的企業(yè)而言，正確的策略可能不是坐在那里等待世界發(fā)生改變。在云端，Pivotal正在銷售可讓企業(yè)自己構(gòu)建云服務(wù)的軟件，以及能夠改變企業(yè)文化從而擁抱這些云服務(wù)的針對性服務(wù)。在支持或推動類似的技術(shù)轉(zhuǎn)型過程中，IBM、HPE、SAP和甲骨文等公司也一直在市場中做同樣的事情。這些企業(yè)清楚地認識到銷售技術(shù)只是成功了一半。除非有人使用他們的軟件，否則努力終將會失敗。

在機器學(xué)習(xí)方面，谷歌正在全力促進企業(yè)文化變革，但是他們的方法與Pivotal不同。

谷歌沒有像Pivotal那樣開設(shè)“道場”，讓機器學(xué)習(xí)大師訓(xùn)練有志者。相反，谷歌擁有TensorFlow等開源的關(guān)鍵技術(shù)，可以讓那些有志于機器學(xué)習(xí)的員工在實踐中學(xué)習(xí)。被稱為“適合所有人的開源機器學(xué)習(xí)框架”的TensorFlow為整整一代的人工智能實踐者的成長鋪平了道路，有志者可以通過這種“谷歌模式”學(xué)習(xí)機器學(xué)習(xí)/人工智能。而這又可以吸引許多同樣的實踐者在谷歌的云產(chǎn)品上運行他們的機器學(xué)習(xí)工作負載，并在那里進行最佳優(yōu)化。

即使這些實踐者不這樣做，開源TensorFlow也可通過以零成本方式提升對機器學(xué)習(xí)技術(shù)的訪問來降低機器學(xué)習(xí)的成功門檻。

作為InfoWorld的長期撰稿人和前知識產(chǎn)權(quán)律師，Matt Asay目前是Adobe開發(fā)者生態(tài)系統(tǒng)主管。文中表達的觀點僅為他自己的觀點，而非他所在公司的觀點。

原文網(wǎng)址

https：//www.infoworld.com/article/3310596/machine-learning/machine-learning-how-to-go-from-theory-to-reality.html