O'Reilly最新的調(diào)查數(shù)據(jù)顯示,大數(shù)據(jù)仍然只是1%,或者15%的企業(yè)游戲。大多數(shù)的企業(yè)(85%)依然沒有破解AI和機(jī)器學(xué)習(xí)的密碼。僅僅只有15%的“見多識廣”的企業(yè)在生產(chǎn)過程中運行一些數(shù)據(jù)模型超過了5年。更重要的是,這些企業(yè)更傾向于在一些重要的領(lǐng)域花費時間和精力,比如模型偏差和數(shù)據(jù)隱私。相對而言,那些還屬于初學(xué)者之列的企業(yè)仍然還在努力嘗試著尋找啟動按鈕。
不幸的是,對于那些希望通過自動快捷方式比如Google的AutoML或者通過聘請咨詢公司縮小數(shù)據(jù)科學(xué)差距的企業(yè),我們給出的答案是:實現(xiàn)數(shù)據(jù)科學(xué)的確需要花費時間,而且沒有捷徑可循。
聰明的企業(yè)專注于深層次數(shù)據(jù)
首先,值得注意的是,O'Reilly的調(diào)查數(shù)據(jù)來自于其自選的一群人:那些曾經(jīng)參加過O'Reilly活動的,或者參加過該公司在線研討會或通過其他途徑與之有接觸的人。這些人群對于數(shù)據(jù)科學(xué)都有前瞻性的興趣,即使(按照調(diào)查數(shù)據(jù)的顯示)他們中的大部分人并沒有從事太多的相關(guān)工作。對于那些沉浸在大數(shù)據(jù)體驗中的人來說,最好的客戶群體就是那些被稱為“見多識廣”的企業(yè),它們在生產(chǎn)過程中使用的數(shù)據(jù)模型已經(jīng)運行了5年以上。
從調(diào)查上可以發(fā)現(xiàn)一個有趣的現(xiàn)象,那就是這些企業(yè)是怎樣稱呼他們自己的數(shù)據(jù)專家的。具有豐富數(shù)據(jù)經(jīng)驗的企業(yè)稱之為數(shù)據(jù)科學(xué)家。而那些思維尚停留在上世紀(jì)90年代“數(shù)據(jù)挖掘”模式的企業(yè)則更傾向于稱其為“數(shù)據(jù)分析師”。如下圖所示。
調(diào)查發(fā)現(xiàn),無論企業(yè)選擇如何稱呼他們的數(shù)據(jù)專家,企業(yè)在AI和機(jī)器學(xué)習(xí)方面的經(jīng)驗越豐富,他們就越有可能依靠內(nèi)部數(shù)據(jù)科學(xué)團(tuán)隊建立模型,如下圖所示。
幾乎沒人關(guān)注云機(jī)器學(xué)習(xí)服務(wù)(至少現(xiàn)在還沒有)。那些只有2年以下生產(chǎn)經(jīng)驗的企業(yè)傾向于依賴外部的顧問來搭建機(jī)器學(xué)習(xí)模型。對于這樣的企業(yè)而言,這種感覺就像一種不用投入人力而享受數(shù)據(jù)科學(xué)收益的機(jī)會,但這是一個非常愚蠢的方法。
企業(yè)的數(shù)據(jù)越復(fù)雜,其數(shù)據(jù)科學(xué)團(tuán)隊就越能建立模型,并評估項目成功的關(guān)鍵指標(biāo)。縱觀所有的企業(yè),產(chǎn)品經(jīng)理對于項目成功的作用是36%,管理團(tuán)隊的數(shù)據(jù)是29%,數(shù)據(jù)科學(xué)團(tuán)隊的貢獻(xiàn)是21%。
對于那些經(jīng)驗豐富的企業(yè)來說,產(chǎn)品經(jīng)理的作用依然占到34%,數(shù)據(jù)科學(xué)團(tuán)隊27%,幾乎與管理團(tuán)隊(28%)相同。
對那些缺乏經(jīng)驗的企業(yè)而言,管理團(tuán)隊占到31%,數(shù)據(jù)科學(xué)團(tuán)隊占比較少(16%)。這不是個問題,事實是這些數(shù)據(jù)科學(xué)團(tuán)隊最適合計算出如何使用數(shù)據(jù)并衡量其成功。
太多時候,是外行指導(dǎo)外行
這種依賴管理層來推動數(shù)據(jù)科學(xué)的想法引起了人們的注意。調(diào)查顯示,不少高管自稱是數(shù)據(jù)驅(qū)動的,但卻無視了數(shù)據(jù)其實并不支持那些靠直覺驅(qū)使的決策(62%的人承認(rèn)這么做)。
那些缺乏大數(shù)據(jù)悟性的企業(yè)似乎愿意口頭提供數(shù)據(jù),但他們根本不明白有效數(shù)據(jù)科學(xué)的細(xì)微差別。他們?nèi)狈Ρ貍涞慕?jīng)驗來確保可以獲得有意義的、無偏見的數(shù)據(jù)洞察力。
關(guān)于如何理解機(jī)器學(xué)習(xí)模型,以及如何相信該模型所導(dǎo)致的結(jié)果,更多有成熟經(jīng)驗的企業(yè)顯然掌握了Gartner博客網(wǎng)絡(luò)中的一位博主Andrew White的評估方法:
AI的創(chuàng)新之處就在于AI可以重新定義新的基線,換句話說就是那些我們認(rèn)為太過復(fù)雜的東西和非常規(guī)的東西,目前都可以利用AI來實現(xiàn)。和之前的技術(shù)相比,AI應(yīng)該可以處理更加復(fù)雜而且具有認(rèn)知能力的工作。
這個新的現(xiàn)實只有在AI自動處理的結(jié)果是合理的時候才有意義。如果這個新奇的工具所得出的決策和結(jié)果讓人類無法理解,那人們就會放棄這個工具。因此在某種程度上,能否理解AI所做出的決策也非常重要。
然而,理解決策和理解算法如何工作是兩回事。人是可以掌握輸入、選擇、權(quán)重以及結(jié)果的原理的,而即便算法能夠在一定程度上將所有這些結(jié)合到一起,但我們依然無法證明這一進(jìn)程。如果結(jié)果和輸入之間的差距太大,那么人對算法的信任就很有可能會喪失——這是人的天性。
想要達(dá)到這種理解水平是無法通過花錢雇傭咨詢顧問能實現(xiàn)的。云端也不是現(xiàn)成的。運用工具比如Google的AutoML可以“使得那些具有有限機(jī)器學(xué)習(xí)專長經(jīng)驗的開發(fā)者能訓(xùn)練針對其業(yè)務(wù)需求的高質(zhì)量模型。”這聽起來非常好,但是想要從數(shù)據(jù)科學(xué)中受益需要有數(shù)據(jù)科學(xué)的經(jīng)驗。這不僅僅是調(diào)整模型的問題,更需要知道如何實現(xiàn),這需要大量的試錯經(jīng)驗。
另外,從事數(shù)據(jù)科學(xué)需要有人文的心態(tài),再次強(qiáng)調(diào),需要經(jīng)驗。沒有捷徑可循。實際上,這意味著那些早期投資于數(shù)據(jù)科學(xué)的企業(yè)應(yīng)該發(fā)現(xiàn)自己領(lǐng)先于那些沒有競爭優(yōu)勢的同行——這種差異很可能會持續(xù)下去。
對于那些希望迎頭趕上的企業(yè),Gartner分析師Svetlana Sicular最為經(jīng)典的忠告仍然在耳邊回響:“企業(yè)應(yīng)該在內(nèi)部多看看。其實內(nèi)部已經(jīng)有人比那些神秘的數(shù)據(jù)科學(xué)家更了解自己的數(shù)據(jù)。”只要企業(yè)明白要在企業(yè)完成好的數(shù)據(jù)科學(xué)需要花費時間,并且給予其人員學(xué)習(xí)和成長的空間,他們就不再需要尋找捷徑。
-
人工智能
+關(guān)注
關(guān)注
1791文章
47208瀏覽量
238290 -
機(jī)器學(xué)習(xí)
+關(guān)注
關(guān)注
66文章
8408瀏覽量
132575
發(fā)布評論請先 登錄
相關(guān)推薦
評論