機器學習在企業級場景中的實踐與探討

IBM在機器學習落地中的挑戰和經驗如下：

挑戰1：企業級平臺——“工欲善其事，必先利其器”

企業級機器學習平臺同任何企業級平臺或者應用一樣，首先面臨的是模型的可操作性問題，需接受準確性、高性能、可重復性、可測量性、適應性、魯棒性等多方面的考量；其次，當模型部署后，還需應對生命周期的管理和協作問題，包括模型的管理、模型的升級換代、模型中不同人員間的協作等等問題。對此，IBM的策略為結合新開源軟件、企業數據和IBM特有的企業軟件經驗開發IBM 企業級機器學習平臺，且IBM 數據科學平臺榮獲了Gartner 和 Forrester 報告雙料冠軍。

挑戰2：場景——“沒有場景的AI只是空中樓閣”

海量歷史數據的場景為王。原因在于：其一，機器學習落地成功的項目與場景的選擇密相關；其二，機器學習離不開海量數據的支持。IBM有許多人工智能助力交通管控、機器學習輔助城市規劃、機器學習預測租房價格等多個場景案例和成果成效。

挑戰3：人才——“AI領域最貴的是人才”

在企業級落地機器學習的項目中，人才是一個非常重要的因素。一方面原因是，機器學習需要人去教會機器怎么學習，另一方面原因是，企業人才和技能的儲備不足，而企業也不會等真正儲備夠后才開始做項目。在此方面，IBM提供了多種路徑和平臺，包括認知學堂、IBM機器學習中心及產品案例和應用。

人工智能項目在真正落實的時候，動力和阻力很多時候是來自于技術之外的，包括組織架構、思想、企業文化層面。第一，從技術的角度而言，人工智能已經到了一個可以嘗試性的解決很多問題的階段,但是不能低估人工智能在實驗室和企業級客戶當中作為項目落地兩者之間的差別。第二,在機器學習項目落地過程中，很多非技術的東西在影響著項目的成敗，需從頂層設計之時加以考慮。