论文部分内容阅读
技术人才的缺乏正在持续阻碍人工智能革命。这也是为什么聪明的企业在进行技术部署的同时投入巨资变革企业文化的原因。对此，谷歌为我们带来了他们的“谷歌模式”。
我们正在被越来越复杂的机器学习技术所包围。目前的情况非常糟糕，因为很少有人知道如何使用它们。
据市场研究机构451 Research的最新调查数据显示，技术人才的缺乏正持续阻碍人工智能革命。事实上，人的因素，而非技術因素，一直是导致每次技术革命都低于预期的原因。这就是为什么聪明的企业在进行技术部署的同时会投入巨资变革企业文化的原因。
没有哪家企业会容忍其他企业利用机器学习来侵蚀自己的利益。我们看到人工智能和机器学习在公开的财务分析电话会议中被提及的次数正不断增加。所有高管都希望自己的企业在机器学习方面做得很好。尽管人工智能提及频率在最近一个季度有所下降，但长期趋势是向好的，即便是在没有可获得丰厚回报的巨额投资的情况下。
在451 Research就机器学习的最大障碍展开调查过程中，36%的受访者表示他们不知道“开启”按钮在哪里，另有32%的受访者表示他们负担不起或者不知道如何处理数据。调查结果如图1所示。
即便如此，仍有49%的受访者声称他们从小规模部署的机器学习中获得了“竞争优势”。如图2所示。
这一结果与对大数据的早期调查没有什么不同，当时企业声称自己一下子就从大数据中获得了巨大的优势，但在后续的调查中他们承认自己对正在做的工作毫无头绪。
没有人想成为机器学习或大数据领域的菜鸟，但是涉足这些领域的正确做法并不像供应商新闻稿里说的那样容易。451 Research的调查数据显示，大约有50%的企业已经部署或计划在明年部署机器学习算法，但是如果这50%的企业在机器学习领域的部署中取得长足的进展，那么我会感到非常震惊。大多数人仍在摸着石头过河，希望它们都会给予自己丰厚的回报。
难怪麦肯锡的分析表明，机器学习/人工智能需要再过十年才能融入日常使用之中。因为改变是需要时间的。
对于想要在大机器学习浪潮中胜出的企业而言，正确的策略可能不是坐在那里等待世界发生改变。在云端，Pivotal正在销售可让企业自己构建云服务的软件，以及能够改变企业文化从而拥抱这些云服务的针对性服务。在支持或推动类似的技术转型过程中，IBM、HPE、SAP和甲骨文等公司也一直在市场中做同样的事情。这些企业清楚地认识到销售技术只是成功了一半。除非有人使用他们的软件，否则努力终将会失败。
在机器学习方面，谷歌正在全力促进企业文化变革，但是他们的方法与Pivotal不同。
谷歌没有像Pivotal那样开设“道场”，让机器学习大师训练有志者。相反，谷歌拥有TensorFlow等开源的关键技术，可以让那些有志于机器学习的员工在实践中学习。被称为“适合所有人的开源机器学习框架”的TensorFlow为整整一代的人工智能实践者的成长铺平了道路，有志者可以通过这种“谷歌模式”学习机器学习/人工智能。而这又可以吸引许多同样的实践者在谷歌的云产品上运行他们的机器学习工作负载，并在那里进行最佳优化。
即使这些实践者不这样做，开源TensorFlow也可通过以零成本方式提升对机器学习技术的访问来降低机器学习的成功门槛。
作为InfoWorld的长期撰稿人和前知识产权律师，Matt Asay目前是Adobe开发者生态系统主管。文中表达的观点仅为他自己的观点，而非他所在公司的观点。
原文网址
https：//www.infoworld.com/article/3310596/machine-learning/machine-learning-how-to-go-from-theory-to-reality.html
我们正在被越来越复杂的机器学习技术所包围。目前的情况非常糟糕，因为很少有人知道如何使用它们。
据市场研究机构451 Research的最新调查数据显示，技术人才的缺乏正持续阻碍人工智能革命。事实上，人的因素，而非技術因素，一直是导致每次技术革命都低于预期的原因。这就是为什么聪明的企业在进行技术部署的同时会投入巨资变革企业文化的原因。
没有哪家企业会容忍其他企业利用机器学习来侵蚀自己的利益。我们看到人工智能和机器学习在公开的财务分析电话会议中被提及的次数正不断增加。所有高管都希望自己的企业在机器学习方面做得很好。尽管人工智能提及频率在最近一个季度有所下降，但长期趋势是向好的，即便是在没有可获得丰厚回报的巨额投资的情况下。
在451 Research就机器学习的最大障碍展开调查过程中，36%的受访者表示他们不知道“开启”按钮在哪里，另有32%的受访者表示他们负担不起或者不知道如何处理数据。调查结果如图1所示。
即便如此，仍有49%的受访者声称他们从小规模部署的机器学习中获得了“竞争优势”。如图2所示。
这一结果与对大数据的早期调查没有什么不同，当时企业声称自己一下子就从大数据中获得了巨大的优势，但在后续的调查中他们承认自己对正在做的工作毫无头绪。
没有人想成为机器学习或大数据领域的菜鸟，但是涉足这些领域的正确做法并不像供应商新闻稿里说的那样容易。451 Research的调查数据显示，大约有50%的企业已经部署或计划在明年部署机器学习算法，但是如果这50%的企业在机器学习领域的部署中取得长足的进展，那么我会感到非常震惊。大多数人仍在摸着石头过河，希望它们都会给予自己丰厚的回报。
难怪麦肯锡的分析表明，机器学习/人工智能需要再过十年才能融入日常使用之中。因为改变是需要时间的。
对于想要在大机器学习浪潮中胜出的企业而言，正确的策略可能不是坐在那里等待世界发生改变。在云端，Pivotal正在销售可让企业自己构建云服务的软件，以及能够改变企业文化从而拥抱这些云服务的针对性服务。在支持或推动类似的技术转型过程中，IBM、HPE、SAP和甲骨文等公司也一直在市场中做同样的事情。这些企业清楚地认识到销售技术只是成功了一半。除非有人使用他们的软件，否则努力终将会失败。
在机器学习方面，谷歌正在全力促进企业文化变革，但是他们的方法与Pivotal不同。
谷歌没有像Pivotal那样开设“道场”，让机器学习大师训练有志者。相反，谷歌拥有TensorFlow等开源的关键技术，可以让那些有志于机器学习的员工在实践中学习。被称为“适合所有人的开源机器学习框架”的TensorFlow为整整一代的人工智能实践者的成长铺平了道路，有志者可以通过这种“谷歌模式”学习机器学习/人工智能。而这又可以吸引许多同样的实践者在谷歌的云产品上运行他们的机器学习工作负载，并在那里进行最佳优化。
即使这些实践者不这样做，开源TensorFlow也可通过以零成本方式提升对机器学习技术的访问来降低机器学习的成功门槛。
作为InfoWorld的长期撰稿人和前知识产权律师，Matt Asay目前是Adobe开发者生态系统主管。文中表达的观点仅为他自己的观点，而非他所在公司的观点。
原文网址
https：//www.infoworld.com/article/3310596/machine-learning/machine-learning-how-to-go-from-theory-to-reality.html