機器學習通常是將業務資料轉化為準確預測和可操作資訊的催化劑,但與許多新興技術一樣,採用新技術也面臨挑戰,包括資料、複雜性、成本和技能的缺乏。
![AWS認為,機器學習為實現效率和成本節省等基礎收益提供了新的機遇。](/news/2020/02/14/1819392400S.jpg) |
AWS認為,機器學習為實現效率和成本節省等基礎收益提供了新的機遇。 |
資料歧義
根據AWS企業機器學習指南的資料顯示,企業可能會遇到與資料相關的各種問題。首先最重要的是,許多人沒有意識到自己所有可能隱藏洞見的資料來源。即使他們已經識別出資料,也仍然缺少可供機器學習使用的標籤資料。此外,由於資料通常可能具有基於人類標記者的隱藏偏見,因此,即使是標記資料也可能存在完整性問題。最後,企業通常會竭力確保採用正確的資料管理和控管政策,以允許適當的人員和程序安全地存取、儲存和管理資料。
複雜性
機器學習工作流程可能耗時且反覆,這讓許多組織和開發人員認為機器學習非常複雜且難以使用。從準備資料和選擇演算法,到建置、培訓和部署模型,以及再三反覆,涉及許多步驟。需要做出有關基礎架構的決定,即選擇合適的運算進行培訓和推斷,並考慮雲端、內部部署和邊緣部署。
成本約束
機器學習訓練和推斷可能會很昂貴,特別是因為模型需要反覆,才能提高預測的準確性。由於採用機器學習計劃對許多公司來說是新事物,他們也沒有內部經驗或技能,因此常常不得不依靠昂貴的外部資源來啟動專案。
技能不足
即使公司採用機器學習之類的新技術來推動業務轉型,擁有適當的技能也往往是入門的障礙。機器學習計劃需要機器學習專家來建置和訓練機器學習模型,這包括機器學習開發人員、資料科學家和研究人員建置演算法和訓練模型的技能。這些技能供給不足,而且通常在內部無法使用,這讓企業難以與顧問和合作夥伴一起訓練或補充技能。
機器學習入門
AWS認為,機器學習為實現效率和成本節省等基礎收益,以及產品創新和刺激發現與研究等高價值收益提供了新的機遇。但組織應如何著手?對於許多人來說,採用機器學習首先要考慮所有資料來源和現有資料策略。他們確定效率低下的工作流程和業務程序,考慮所有數據來源和現有資料策略,確定基於雲端的最佳基礎架構和工具來擴展機器學習,最後確保掌握正確的技能,機器學習計劃才能取得成功。