2020年企业机器学习状况：7个关键发现

SEE：机器学习对IT和您的职业的影响（免费PDF）（TechRepublic）Algorithmia上周四发布的报告揭示了与2020年增加的机器学习使用相关的挑战。大多数公司将在2020年进入机器学习发展的早期阶段，但是要进入更高级的阶段，组织必须克服各种障碍，找到报告。 

Algorithmia的2020年企业机器学习状况报告对745名技术专业人员进行了调查，以确定组织如何计划在2020年部署机器学习以及与之相关的关键问题。根据该报告，与机器学习部署相关的最大挑战包括扩展，版本控制和预算。 

Algorithmia首席执行官Diego Oppenheimer表示：“人工智能和机器学习将成为一生中最具影响力的技术进步。为了帮助组织进行机器学习，该报告将其数据分为以下七个主要发现：  

七个关键发现 

1.数据科学在机器学习中的兴起

Oppenheimer说：“数据科学的作用是获取这些公司收集的大量数据并加以利用。”技术的进步使公司产生了更多数据，这导致需要更多的数据科学家。 。

随着机器学习的普及，需求的增长将持续到2020年：该报告发现，近60％的组织将雇用1至10名数据科学家。

Gartner发现，这些组织中的一半以上至少有一个机器学习项目，但是到2020年底，这些部署预计将增加一倍。随着机器学习项目的预期增加，该报告发现企业将开始看到新的数据科学职位，包括机器学习工程师，机器学习开发人员，机器学习架构师，数据工程师，机器学习运营和人工智能（AI）运营。 

2.削减成本为重中之重 

该报告还研究了公司希望摆脱机器学习的领域。报告发现，总体而言，前三个用例包括降低公司成本（38％），产生客户见解和情报（37％）以及改善客户体验（34％）。 

Oppenheimer说：“机器学习具有在很多情况下减少错误的能力，这可以帮助公司赚更多钱并节省资金。” “就像在需要大量数据输入或处理，可能涉及很多人，容易出错且速度稍慢的工作中一样，机器学习可以自动完成很多工作并使之更加精确。它可以解放那些人正在执行基本数据输入的人员可以执行更高级的任务，这些人员更适合。”

报告发现，特别是大中型公司主要侧重于削减成本，而小公司对改善客户体验更感兴趣。 

较小的公司正在努力留住客户并拥有稳定的业务-较大的公司可能没有这个问题。在考虑如何使用机器学习时，优化是一个巨大的用例，Oppenheimer说。 

例如，当一个客户上线并从一名客户服务员工变成另一位客户服务员工时，这“对每个人来说都是令人沮丧的体验，而这对于组织而言确实是非常昂贵的，”奥本海默说。“就您提出问题而言，目前正在做大量工作，另一边的代理商正在将其输入Google搜索框。许多与他们有关的客户服务信息正在出现。利用所有数据科学更快地为客户提供服务。所有这些都有助于改善客户体验，最终使客户[忠诚]。”

3.出于人工智能的考虑，在早期成熟度和人工智能方面人满为患

报告发现，到2020年，组织中的机器学习项目仍将处于早期阶段：21％的企业表示他们将评估用例，而20％的企业将自己确定为机器学习生产的早期采用者。 

受访者表示，到2020年底，他们将处于不同阶段。约23％的人表示将在生产中使用模型，而22％的人表示将开始开发模型。 

Oppenheimer说：“您不会想象将来没有使用机器学习和数据科学来优化业务的业务。” “问题在于，很多团队都在不了解最终结果的样子的情况下介入其中。事实是，您需要了解业务优化的外观是什么样的。”

4.漫长的部署之路

公司花费很长时间来部署机器学习。对于一个单一的机器学习模型，受访者表示他们最多可以花90天的时间进行部署。报告发现，将近20％的公司表示他们需要超过90天的时间。 

这个过程可能需要一段时间，因为机器学习项目太新了，以至于当前的数据科学家可能并不完全熟悉该过程，这回溯了为什么新的数据科学家职位会在2020年浮出水面，Oppenheimer说。 

报告称，大公司的部署之路更长。Oppenheimer说，主要原因是因为组织规模越大，批准越多，需要更多的人来监督该项目。 

5.缩放问题

报告中，受访者认为扩展模型是最大的挑战（43％），高于去年的30％。报告称，这一挑战很可能与分散的组织结构有关，这通常会导致扩展过程中工具，框架和编程语言的冲突。 

奥本海默说：“一大障碍是工具很多。” “构建模型的员工通常不是使用缩放比例的最佳人选。组织需要认识到这些团队需要具有不同的技能，然后才能意识到框架的发展非常迅速。机器学习空间正在以闪电般的速度前进。”

报告中提供的一种解决方案涉及在组织内部创建创新中心。该报告称，这些中心专门用于诸如机器学习之类的创新项目，并且可以以敏捷方式工作以标准化机器学习工作。 

6.预算与机器学习成熟度之间的差距

报告发现，机器学习预算总体上在增加，但是根据项目的成熟阶段而有所不同。 

处于机器学习成熟中期阶段的公司将其机器学习预算提高了1％至25％，而处于创新高级阶段的公司中有39％的企业也这样做了。报告发现，大约30％处于机器学习成熟度较高水平的组织表示，他们将预算增加了26％至50％。 

该数据表明，“如果您能证明成功，那么您将获得更大的预算，”奥本海默说。“我们已经看到各家公司都在增加机器学习和数据科学方面的预算。但是对于那些已经进行了最长时间的公司，它们已经达到一定的成熟度，正在将其构建到更大的部分中业务，因此需要更大的预算才能与之相关。”
 
7.确定整个组织的机器学习成功 

报告发现，确定机器学习成功的前两个指标是业务指标和对机器学习模型性能的技术评估。 

奥本海默说：“归根结底，这关乎结果。” “很多事情都围绕着让人们参与到了解终点的过程中。”

他补充说，团队必须确定为什么要实施机器学习项目并找到最终目标，而不是仅仅为了AI而实施AI。 

有关更多信息，请查看ZDNet上的“ 在企业中管理AI和ML”。