型科技公司通常擁有許多頂尖的機器學習/深度學習科學家和工程師，多年來一直在研究新的算法并將其應用到他們的產品中。由于麥肯錫報告中強調的發(fā)展，更多的組織可以在他們的應用程序中采用機器學習模型，并為他們的客戶和用戶帶來好處。

應用機器學習的挑戰(zhàn)

近十年來，人們對人工智能的主流興趣有所復蘇和增長，這主要歸功于深度神經網絡執(zhí)行以前被認為超出計算機能力的任務。在同一時期，機器學習研究社區(qū)在人工智能的一些挑戰(zhàn)性領域取得了令人印象深刻的進展，包括計算機視覺和自然語言處理。

機器學習的科學突破之所以成為可能，很大程度上是因為收集、存儲和訪問不同領域數(shù)據(jù)的能力不斷增強。與此同時，處理器和云計算的進步使得以以前認為不可能的速度和規(guī)模訓練和運行神經網絡成為可能。

在深度學習取得一些里程碑式的成就之后，新聞周期宣傳(往往夸大)了當代人工智能的能力。今天，許多公司試圖將自己表現(xiàn)為“AI優(yōu)先，“或者推銷他們的產品使用深度學習領域最新最棒的技術。

然而，將從研究實驗室?guī)У綄嶋H產品中存在幾個挑戰(zhàn)，這就是為什么大多數(shù)機器學習策略都失敗了。與傳統(tǒng)軟件相比，創(chuàng)建和維護使用機器學習的產品需要不同的基礎設施、工具和技能。組織需要數(shù)據(jù)湖來收集和存儲數(shù)據(jù)，需要數(shù)據(jù)工程師來建立、維護和配置數(shù)據(jù)基礎設施，使訓練和更新模型成為可能。他們需要數(shù)據(jù)科學家和工程師來準備為他們的應用提供動力的數(shù)據(jù)和模型。他們需要分布式計算專家，使模型以省時、經濟的方式大規(guī)模運行。他們需要能夠使ML系統(tǒng)適應他們的商業(yè)模式的產品經理和能夠將ML管道集成到他們的產品中的軟件工程師。

隨之而來的數(shù)據(jù)、硬件和人才成本企業(yè)人工智能對于較小的組織來說，在策略上進行長期投資通常過于困難。

應用人工智能的發(fā)展

該報告根據(jù)五個可量化的指標對技術趨勢進行了排名:搜索引擎查詢、新聞出版物、專利、研究出版物和投資。值得注意的是，這種定量測量并不總是描繪出趨勢相關性的最準確的畫面。但是隨著時間的推移跟蹤它們可以很好地估計一項技術是如何經歷宣傳、采用和生產力循環(huán).

通過調查和采訪來自20個不同行業(yè)的專家進一步證實了它的發(fā)現(xiàn)，這更好地描述了機遇和挑戰(zhàn)。

并沒有完全解釋資本市場目前正在經歷的低迷。根據(jù)研究結果，除了“搜索引擎查詢”類別(這是一個灰色區(qū)域，因為人工智能術語和趨勢在不斷發(fā)展)，應用人工智能在所有可量化的指標上都有所增長。(衡量投資也非常主觀，取決于你如何定義“應用人工智能”——例如，如果一家獲得巨額融資的公司將機器學習作為其產品的一小部分，這是否會算作對應用人工智能的投資?)

就行業(yè)相關性而言，報告中提到的一些應用程序包括推薦引擎、檢測和預防和時間序列分析，如管理價格波動、需求預測等用例。有趣的是，這些是算法已經發(fā)展多年的機器學習領域。雖然在用例中只提到過一次計算機視覺，但是一些應用可能會從中受益。

該報告還提到了機器學習的一些更高級的領域，如生成式深度學習模型(例如，自動駕駛汽車的模擬引擎，生成化學化合物)，變壓器型號(例如，藥物發(fā)現(xiàn))，圖形神經網絡和機器人技術。

這進一步推動了一點，即采用應用人工智能的主要障礙不是糟糕的機器學習算法，而是缺乏工具和基礎設施來有效使用眾所周知和經過測試的算法。這些制約因素限制了應用人工智能在沒有大量資源和渠道的公司中的使用稀缺的機器學習人才.

近年來，在這些方面取得了巨大的進展。與此同時，服務基礎的數(shù)據(jù)存儲技術已經發(fā)展得更加靈活、可互操作和可伸縮。與此同時，一些企業(yè)人工智能公司已經開始開發(fā)和提供特定行業(yè)的解決方案。

所有這些發(fā)展都減少了在其商業(yè)模式中采用機器學習的財務和技術障礙。在許多情況下，公司可以將服務集成到他們的應用程序中，而無需深入了解后臺運行的算法。

根據(jù)麥對行業(yè)專家的調查，56%的受訪者表示他們的組織已經采用了人工智能，高于調查的50%。表明，采用人工智能可以帶來經濟效益:27%的受訪者將他們公司5%或更多的歸功于人工智能。

研究進展

報告中包含的第二個人工智能相關技術趨勢是“機器學習的產業(yè)化”。這是一個模糊的術語，與應用人工智能類別有很多重疊，因此該報告將其定義為“一個可互操作的技術工具棧，用于自動并擴大其使用，以便組織可以實現(xiàn)其全部潛力。”

這一領域的進步所基于的技術與導致應用人工智能發(fā)展的技術(更好的數(shù)據(jù)存儲平臺、硬件棧、開發(fā)工具和平臺等)然而，近年來取得令人印象深刻發(fā)展的一個特定領域是機器學習操，這是一套簡化模型的培訓、部署和維護的工具和實踐。

平臺提供了管理、處理和標記數(shù)據(jù)的工具;訓練和比較不同的機器學習模型;數(shù)據(jù)集和模型的版本控制;部署模型并監(jiān)控其性能;并且隨著模型的性能衰退、環(huán)境變化以及新數(shù)據(jù)變得可用而更新模型。越來越多和越來越成熟的平臺將以前以特別方式拼命執(zhí)行的幾個不同任務結合在一起。

根據(jù)該報告，機器學習的產業(yè)化“可以將應用的生產時間框架縮短90%(從概念證明到產品)，并將開發(fā)資源減少40%。”

企業(yè)人工智能仍然面臨挑戰(zhàn)

盡管應用人工智能取得了進步，但該領域仍有一些差距需要彌合。報告指出，人才和資金等資源的可用性仍然是企業(yè)人工智能進一步發(fā)展的兩個障礙。目前，資本市場處于低迷狀態(tài)，包括人工智能在內的所有行業(yè)都面臨著為初創(chuàng)公司和公司融資的問題。

然而，盡管人工智能資本的蛋糕越來越小，但資金并沒有完全停止。根據(jù)一份告，已經實現(xiàn)產品/市場匹配并準備積極增長的公司仍在設法獲得巨額融資。這表明，沒有利潤來啟動新的戰(zhàn)略的公司將很難獲得外部資金。但是已經壟斷了市場份額的應用平臺將繼續(xù)吸引投資者的興趣。

報告提到的另一個重要挑戰(zhàn)是數(shù)據(jù)風險和漏洞。對于應用機器學習來說，這正成為一個越來越重要的問題。就像它的開發(fā)生命周期一樣機器學習的安全威脅前景是不同的不同于傳統(tǒng)軟件。大多數(shù)軟件開發(fā)平臺中使用的安全工具并不是為了檢測而設計的對立的例子, 數(shù)據(jù)中毒, 成員推理攻擊、以及針對模型的其他類型的威脅。

幸運的是，安全和機器學習社區(qū)正在一起開發(fā)創(chuàng)建安全管道的工具和實踐。隨著應用人工智能的不斷發(fā)展，我們可以預計其他行業(yè)將加快采用，這反過來將進一步加快該領域的創(chuàng)新步伐。