機器學習：如何從理論走向現(xiàn)實

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雜的機器學習技術(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，一直是導致每次技術(shù)革命都低于預期的原因。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)利用機器學習來侵蝕自己的利益。我們看到人工智能和機器學習在公開的財務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)在機器學習方面做得很好。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就機器學習的最大障礙展開調(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)模部署的機器學習中獲得了“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習或大數(shù)據(jù)領域的菜鳥，但是涉足這些領域的正確做法并不像供應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習算法，但是如果這50%的企業(yè)在機器學習領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，機器學習/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習浪潮中勝出的企業(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)建云服務的軟件，以及能夠改變企業(yè)文化從而擁抱這些云服務的針對性服務。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。

在機器學習方面，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“道場”，讓機器學習大師訓練有志者。相反，谷歌擁有TensorFlow等開源的關鍵技術(shù)，可以讓那些有志于機器學習的員工在實踐中學習。被稱為“適合所有人的開源機器學習框架”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”學習機器學習/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習工作負載，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習技術(shù)的訪問來降低機器學習的成功門檻。

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