众所周知，机器学习（ML）是人工智能的关键技术之一，也是一种正在逐渐走向成熟的应用技术。具体来说，这项技术可以带来数据科学未来的变革，让应用企业基于更多的数据分析做出驱动决策，从而提升用户的业务体验。那么，ML目前以何种方式、在多大程度上改善了业务运营状况？最近，ForresterConsulting基于对北美150家公司数据负责人和决策者的调查，发现了ML在业务决策方面的一些重要表现。在这些调查结论中，哪些可以给我们提供帮助和参考？我们先来看一些关键信息。在受机器学习影响的业务中，自动化异常检测（AnomalyDetection）是未来一到三年要实现的首要任务；在技??术落地的路径上，数据孤岛、可解释性差和透明度低是阻碍进步的主要障碍，从而减缓了技术成熟度提升的进度。如果我们能够更加关注业务成果，并与在ML技术方面有大量实践和验证有效性的公司建立合作伙伴关系，将更有利于这项技术的落地。只有四分之一的ML应用程序处于成熟阶段。在机器学习的开发和发布时间方面，大部分受访者选择了1-5年，共计72%。其中超过半数的人表示他们的申请在1到2年内发布。事实上，一个成熟的机器学习策略需要3年或更长时间的沉淀期，而达到这个标准的企业只有四分之一左右，仅占应用了5年以上的企业的5%。此外，53%的受访者计划通过使用ML来提高业务效率。在目前的大数据和数据分析策略中，46%的人选择使用多云（包括私有云）；44%选择研究堆栈性能，以便更好地利用数据进行模型架构；41%选择扩大规模以满足不断增长的数据量需求。未来一到三年，ML的主要战略应用方向是：自动检测异常数据（40%）、自动接收透明应用和基础设施更新（39%）、让AI应用符合新标准。监管和伦理要求（39%）等解决技术管理中的数据孤岛是最大的挑战。除了技术能力，机器学习在人员和流程管理方面也面临着不小的挑战。其中，41%的人认为打破内部数据孤岛最具挑战性，39%的人选择将学术模型转化为可部署的产品。此外，38%的人选择降低AI风险和打破外部数据孤岛，其中36%的人认为最大的困难在于处理大规模、多样和混乱的数据集。无论是数据孤岛、模型改造，还是数据集混乱，都体现了学术与商业化的差距，尤其是模型的改造。在使用ML并扩展其用例时，许多人发现数据流的透明度、可追溯性和可解释性很难清晰呈现。也正是因为如此，当ML落地前景不明朗时，管理层会认为很难看到基于机器学习的业务变现的商业价值。而如果与投资回报率没有明确的关系，管理者对这项技术的投资意向将显着下降。73%的受访者认为机器学习在数据透明性、可追溯性和可解释性方面仍然存在挑战。投资意向的不确定性加剧了技术落地的难度，尚未形成良性循环。三分之二的决策者仍会增加ML的应用。然而，尽管面临诸多挑战，决策者在决定投资机器学习时难免会颤抖，但大多数受访者认为ML的应用还是非常有必要的。三分之二的决策者（67%）认为，在各个方面增加ML技术的应用对于组织的战略规划非常重要。66%的受访者认为将机器学习的技术能力和应用添加到当前使用的工具集中很重要。在业务层面，机器学习被委托发挥作用的前三大领域包括：数据的平台共享、企业内部数据流的跟踪和促进更快的行动。对于与第三方的合作，37%的受访者表示已经建立合作关系，并有意发展合作伙伴关系；30%表示他们有合作关系，但他们不准备发展更深层次的伙伴关系。此外，分别有19%和11%的受访者表示未来一年有合作计划或有意合作。超过60%的受访者表示，他们可以通过合作来弥补自己在机器学习和人员短缺方面的短板，说明合作共赢仍然是发展这项技术的重要途径。与在机器学习领域有经验的第三方合作，可以在模型开发、人才培养、挖掘更多数据源等方面形成合力。文章参考和图片来源：OperationalizingMachineLearningAchievesKeyBusinessOutcomes
