ForresterConsulting代表CapitalOne进行的一项新调查显示，缺乏坚实的数据基础和可靠的数据工作流程阻碍了公司在机器学习和人工智能方面取得进展。进步更大。根据今天发布的一份新报告，虽然企业在将机器学习(ML)和人工智能(AI)投入生产方面取得了一些成功，但如果数据管理问题不成为障碍，他们将能够取得更多成就由第一资本。进步。该报告部分基于今年7月对北美150名数据管理决策者进行的Forrester调查，发现73%的决策者认为数据流的透明度、可追溯性和可解释性是阻碍机器运行的关键问题学习和人工智能应用。调查还发现，57%的受访者表示，他们的数据科学家和企业主之间的内部孤岛阻碍了机器学习的部署。CapitalOne高级副总裁兼数据分析主管DavidKang表示：“我们仍处于机器学习算法本身不会成为人们成功障碍的阶段。”“关键是数据！”CapitalOne委托进行调查时，他们认为最大的挑战将集中在机器学习的可操作性上。随着机器学习和人工智能应用的发展，MLOps（MachineLearningOperations）已经成为一门独立的学科，也是CapitalOne正在投资的领域。但报告出来的时候，数据决策者最关心的是关于在建立坚实的数据基础方面缺乏进展，包括数据工程和数据基础设施，康说。“在某些方面，这令人失望。但在其他方面，这并不奇怪。因为大规模利用数据需要持续关注思考和重新思考数据生态系统中的每一项功能——它是如何产生和使用的，它是如何被监控的，它是如何被使用的。”“管理方式不同。数据生态系统的转型之旅仍在进行中。这不是你做了一次就忘记的事情。它需要持续关注。”CapitalOne的调查与其他近期研究的结果相似。这些研究发现，数据管理问题已经减缓了机器学习和人工智能的采用速度和程度。其中包括Databricks在9月强调了数据管理不善对AI的危险；8月由Collibra委托IDC进行的一项研究发现，数据编目、遗留、质量管理和治理等具有“数据智能”特征的公司之间存在相关性，以及市场成功。如果这些研究有一个共同的主题，那就是虽然现有的机器学习和人工智能技术在复杂性方面发展迅速，但企业发现他们在一些核心数据管理任务上做得不好，而这些任务对于实现必要的目标至关重要。对于这些技术进步。企业可能会发现ML或AI应用程序对有限的概念验证(POC)产生积极影响，但未能采取必要的步骤来确保在更广泛的实际生产中顺利推出。您想要扩展的技术开始对市场产生影响可能还需要一段时间。总是有这样的诱惑，即这些概念开始看到结果，然后突然发现自己在某个地方有一堆数据孤岛和一堆其他数据工程基础设施挑战。数据科学仍然是一门相当新的学科，许多公司都在努力填补职位空缺。CapitalOne的报告发现，57%的受访者表示他们打算利用合作伙伴关系来填补数据科学从业者之间的空白。Kang说，内部专业知识的缺乏也使得公司构建核心数据基础设施变得更加重要，可以在该基础设施上构建和复制更高级的ML和AI用例。CapitalOne调查还发现了其他阻碍机器学习和人工智能采用的问题。该公司发现，36%的受访者认为“庞大、多样化、混乱的数据集”是主要障碍，38%的受访者认为人工智能风险是最大的挑战。38%的人认为跨组织和外部数据合作伙伴的数据孤岛是对机器学习成熟度的挑战。数据管理“故障”似乎并没有减缓人工智能和机器学习的投资（至少现在还没有）。CapitalOne调查发现，61%的决策者计划在未来三年内添加新的机器学习功能和应用程序。超过一半(53%)的受访者目前优先考虑使用机器学习来提高业务效率。那么，公司在机器学习方面做了什么？该调查的另一个有趣的花絮是，自动异常检测是机器学习的首要用例，40%的受访者将其报告为他们的首要用例。这引起了Kang的共鸣，他帮助CapitalOne构建了一个基于机器学习的异常检测系统。ML和AI的其他主要用例包括：自动化应用程序和基础设施更新(39%)，以及满足负责任和道德AI的新监管和隐私要求(39%)。
