世界正看到科技的進步。機器學(xué)習(xí)的實現(xiàn)在很多領(lǐng)域都有幫助，也取得了令人矚目的發(fā)明。然而，這并不是全部的現(xiàn)實。看到公司因機器學(xué)習(xí)（ML）而取得的進步，幾乎每家公司都在嘗試同樣的方法，但都慘遭失敗。這里可能出了什么問題？

專家們認(rèn)為，這些公司實施的戰(zhàn)略并沒有像人們想象的那樣奏效。以下是導(dǎo)致這種情況的一些原因：

?機器學(xué)習(xí)在很大程度上依賴于數(shù)據(jù)。以至于收集和分析的數(shù)據(jù)的質(zhì)量直接反映在所取得的成果上。由于這是基礎(chǔ)，質(zhì)量差的數(shù)據(jù)會導(dǎo)致不理想的結(jié)果。這是最常見的問題處理，特別是當(dāng)任務(wù)圍繞衛(wèi)生行業(yè)，政府，工業(yè)部門和類似的領(lǐng)域。這是因為，這里涉及的數(shù)據(jù)通常要么很少見，要么是受到一些嚴(yán)格的規(guī)定的指導(dǎo)。初創(chuàng)企業(yè)也傾向于面對這個問題，因為他們?nèi)狈ψ銐虻馁Y源來提供高質(zhì)量的數(shù)據(jù)，從而得出必要的結(jié)論。

為了解決數(shù)據(jù)質(zhì)量不高的問題，企業(yè)必須對其數(shù)據(jù)基礎(chǔ)設(shè)施進行全面的評估。擁有正確的程序來清理數(shù)據(jù)，從而使數(shù)據(jù)具有良好的質(zhì)量、準(zhǔn)確度，并且能夠幫助公司做出更好的決策，這是當(dāng)前的需要。

?數(shù)據(jù)科學(xué)家在實現(xiàn)機器學(xué)習(xí)模型中的作用不能僅僅用語言來表達。這是大多數(shù)公司都在掙扎的地方。招聘能夠處理機器學(xué)習(xí)計劃并幫助部署模型的合適人才是公司失敗的地方。這種情況通常出現(xiàn)在一些小公司，這些公司沒有合適的人才，比如數(shù)據(jù)科學(xué)家、數(shù)據(jù)分析師、數(shù)據(jù)工程師等，他們可以開發(fā)人工智能模型。

?數(shù)據(jù)科學(xué)家、數(shù)據(jù)分析師或數(shù)據(jù)工程師的平均工資不是一個小數(shù)目。他們的薪水很高，而且在大多數(shù)情況下，他們的工作地點離有經(jīng)驗的軟件工程師很近。小公司發(fā)現(xiàn)很難管理同樣的問題，因此無法獲得所需的專業(yè)知識。

?另一個公司似乎難以應(yīng)對的領(lǐng)域是預(yù)測其所制定戰(zhàn)略價值的能力。

?最高管理層缺乏承諾是另一個被視為無法得出富有成效結(jié)論的原因。

總之，毫無疑問，機器學(xué)習(xí)模型可以簡化超出想象的事情。無數(shù)的組織也從中受益，未來幾年將有更多的公司傾向于這一技術(shù)領(lǐng)域。然而，企業(yè)要想不失敗并充分利用ML模式，首先必須打下堅實的基礎(chǔ)。檢查數(shù)據(jù)質(zhì)量，招聘合適的人才，給他們高薪，再加上管理層的支持，可以幫助達到預(yù)期的效果。
編輯：lyn