但是在实施机器学习时,企业可能只看到了其积极的方面,可能会忘记将会面临许多机器学习的挑战。
解决这些机器学习问题对于数字化转型计划的成功至关重要。
企业在实施机器学习时面临的7种挑战
即使是简单的机器学习项目,很多企业都在开始自己的旅程,只有解释机器学习的积极意义,企业才有更多的动力采用。
以下是企业将要解决的7项机器学习挑战,以便可以更好地了解其实施,甚至可以决定是否适合采用。
(1)耗时的部署
·一些企业表示,他们需要大约一年的时间才能在其组织中完全实现机器学习思想。
·尽管这些交付时间是不可取的,但即使是简单的机器学习项目也可能需要数月才能实施。其原因很简单,机器学习是一种新兴的技术,企业可能无法发现它对于组织的全部潜力。
·企业可能想沉迷于传统的“反复试验”中,这比较耗时。解决机器学习这些问题的方法是,能够以很小的规模部署它,并检查其在其他功能上的可行性。
(2)高估交付结果
·企业可能会面临挑战,认为其机器学习和深度学习项目将提供比企业预期更好的结果。机器学习本身就是这样,它有望快速而准确地提供结果。
·但是,企业经常会发现情况并非如此。实施机器学习和深度学习需要处理大量数据,并且可能会很快就会失败。
·最佳的机器学习问题和解决方案需要时间和资源,因为这一技术实际上从数据中学习了一切。
(3)数据不可用
·虽然企业可能知道如何使用机器学习项目来处理数据,但是数据的可用性可能是一个重要的挑战。具有大量组件的数据并不是机器学习模型的真正价值贡献者。
·另一方面,企业知道数据是关键,但不一定知道想要哪种数据。虽然机器学习就像处理非结构化数据一样轻而易举,但是企业可能希望从结构化数据获得可见的结果。
(4)数据安全性问题
·当今最大的机器学习挑战之一是数据安全性。即使企业收集大量数据,安全性也是其始终要关注的问题之一。机器学习模型不能固有地区分敏感数据和不敏感数据。存储在具有风险的服务器上的机密数据可能会破坏整个机器学习项目。
·企业必须首先加密数据,并将其存储在机器学习模型可以安全访问的服务器中。机密数据只能由决策者进行监督。
(5)扩展的挑战
·Algorithmia公司的一项研究表明,在使用机器学习的大型企业中,58%的企业表示在扩展计划方面面临挑战。大多数可扩展的机器学习问题是由于硬件问题、模块化或数据不可用而引起的。
·即使到现在,大多数企业仍在使用传统数据处理系统,这些系统为不同类型的数据提供了不同的存储空间。这使得其扩展变得困难,因为机器学习并不像它那样工作。
·企业需要为机器学习项目提供一个集中的数据中心,以从单一来源访问数据。它使机器学习模型的数据处理更加简单。
(6)缺乏机器学习专家
·尽管很多开发人员已经走上机器学习之旅,但缺乏熟练的机器学习专家仍然是最大的机器学习挑战之一。企业可能找不到能够满足其要求的开发人员。
·即使到现在,理解复杂的机器学习算法所需的技能仍然有限。如果没有适合的机器学习专家,企业可能会在实施中面临一些挑战。企业需要寻求与拥有机器学习专家的其他组织的合作。
(7)昂贵的部署
·最大的机器学习问题可能是机器学习的部署成本昂贵。实现机器学习需要招募数据科学家、项目经理和具有高度专业技术的开发人员。
·由于缺乏人才,雇用这些人的成本很高,很难招募到经验丰富的专家。另一方面,由于机器学习项目需要处理大量数据,因此部署需要额外的基础设施。
·如果没有适当的基础设施,测试将变得困难。没有进行测试,正确的实现是机器学习的主要挑战。要解决这个问题,企业需要咨询可以提供机器学习专家和服务的公司。它不会降低成本,但会相对降低实施费用。
获得的收益超越机器学习的挑战
如果企业拥有合适的团队并且时机合适,那么可以克服机器学习实施中的所有挑战。这些挑战只会使企业面对采用机器学习模型的复杂性。
企业不必担心这些机器学习问题。具有了一定的耐心,就可以看到显著的结果,例如生产率、效率和员工工作满意度的提高。
因此,在机器学习方面,企业应该遵循“快速行动并打破常规”的方法。遵循相同的方法,它使企业可以在最初阶段理解机器学习的所有挑战,然后重申模型以发挥最大优势。