18年的10个企业机器学习预测都在这了！

　　【资讯】本文中所做的预测是通过“机器学习在企业中”的这个视角分享的。因此，可能涉及机器学习研究中令人兴奋的世界的曲折和变化比较少，这里更关心的是当期望利用技术达到其季度、年度或更长期的战略业务目标时，典型的企业的相关经验。

　　因此，让我们首先根据最近关于行业现状的市场研究结果来设定基调。这是一个众所周知的事实，科技巨头已经把他们的美元大举投入获取机器学习、AI的人才上。事实上，麦肯锡全球研究院（MGI）估计，2016年投入的390亿美元中，高达270亿美元的资金来自顶尖35家高科技和先进制造企业的研发和并购投资，这些投资来自风投或私募股权公司，他们对ML研究的集体影响是不可否认的：Google / DeepMind / Brain（210），Carnegie Mellon（108），麻省理工学院（93），斯坦福大学（81），伯克利大学（Berkeley） 81）和微软（70）。　　

　　MGI的报告还显示，风险投资、私募股权和并购活动中的大部分已经投向核心机器学习技术（70亿美元），其中计算机视觉（35亿美元）遥遥领先，其他小众AI领域如自然语言（0.9亿美元）、自动驾驶汽车（0.5亿美元）、智能机器人（0.5亿美元）和虚拟代理（0.2亿美元）等。

　　有了这样的投资水平，可以说未来机器学习融入经济的希望是很高的。但是，这里仍然有比较糟糕的地方：如，采用率仍然远低于潜力。 MGI报告：

　　“科技领域之外的人工智能采用还处于早期，往往是实验阶段，很少有企业大规模部署。在对全球10个国家和14个行业的3000名具有人工智能意识的C级管理人员的调查中，只有20％的人表示他们目前使用任何与人工智能有关的技术，或者是其业务的核心部分。许多公司表示，他们不确定商业案例或投资回报如何。对160多例使用案例的审查显示，人工智能在商业上的部署仅占12%。”

　　更为复杂的是，行业间的采用率非常不平衡，在软件/互联网、电信、金融科技等大型企业中出现了偏差。该研究还发现积极的人工智能采用者在公司和其他人之间的利润差异很大。这很可能很好的指出了没有因果关系的相关性，但经济学人智库的另一项调查已经发现，大多数具有战略头脑的管理人员不愿意等待，并冒着被更敏捷的新事物所吸引的风险。

　　在这个复杂的背景下，这里是对于2018年的预测的前10名的汇总。有些是为了实际目的，延续相关2017年预测，剩下的则全是关于AI的最新的预测：

　　预测＃1

　　更多的企业机器学习涉足者将成熟为真正的“信徒”

　　2018年，ML（“机器学习”）成熟度将成为成千上万涉足有限的试点项目的公司的主题。根据麦肯锡的调查，超过一半的投资AI / ML的企业还没有看到他们的投资带来的回报。随着对技术的惊叹让位于消化利弊的更客观的观点，企业领导者将与技术对手更加密切地合作，以加倍现有的努力。

　　ML并不一定是“即插即用”的，大多数从业者都是通过第一手的经验来学习的，但在实体经济中，许多高管仍然不知道。尤其是，类型化的举措几乎总是比预期要花费更长的时间。无论企业高管是否耐心看到这些项目的实际回报，这都是人们猜测的结果。与此同时，针对更多更具体的方面的努力将会蓬勃发展。

　　预测＃2

　　数据交换项目带来数据湖，以支持特征库

　　有经验的ML从业者都知道，ML / AI计划失败的很大一部分原因与昂贵的数据湖有关，首席信息官和首席数据官员将取而代之，加速数据工程的工作，创建特色工程知识库以支持高价值预测用例。一些公司甚至会进一步通过授权或外包给特定于领域的第三方功能存储库公司来加强内部工作。易于使用的共享特性库将会是非常成功的故事，因为它们不再需要重新创建每个定制应用程序的轮子，而是促进跨部门协作。在顶级ML平台的基础上，提供更成熟的自助服务数据争用功能，并在组织中更广泛的分析受众将有权探索更新的使用案例。这种情况仍然意味着需要额外的投资，但是这样做足够经济，可以产生经过深思熟虑的机器学习，从而最终证明支出是合理的。

　　预测＃3

　　机器学习人才需求的高峰将通过重新培训员工来平衡

　　近年来，各个企业都在花重金找寻各个领域的专家和人才。在许多情况下，这意味着深度学习专家，即机器人应用的强化学习会像深度学习一样吸引人，但使用起来还是很困难，在这方面的专家也很少。

　　因此，到2018年，大多数首席信息官和首席数据官都会考虑对现有员工重新进行技能培训，以达到更广泛的跨“文化”扫盲。数据科学家将难以证明复杂模型的合理性，因为易于使用的核心ML平台会以更少的努力提供更高质量的基线。数据科学家不会消失，但可能不会成为2018年年底最“性感”的工作。

　　预测＃4

　　黑匣子机器学习方法将会使负担过度、产生不足

　　尽管进一步采用机器学习，人类将仍然是决策制定的核心。《Fortune》全球2000强技术专家不需要昂贵的咨询顾问，也不会引进顶尖的学术人才，而是通过详细了解其行业的商业环境和价值链动态来代替专业知识。机器学习的简单经济学指出，作为接近于零的预测值，人类判断的价值才会带来更多的需求。

（编辑：鞍山站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!