机器学习通常是将业务资料转化为准确预测和可操作资讯的催化剂,但与许多新兴技术一样,采用新技术也面临挑战,包括资料、复杂性、成本和技能的缺乏。
![AWS认为,机器学习为实现效率和成本节省等基础收益提供了新的机遇。](/news/2020/02/14/1819392400S.jpg) |
AWS认为,机器学习为实现效率和成本节省等基础收益提供了新的机遇。 |
资料歧义
根据AWS企业机器学习指南的资料显示,企业可能会遇到与资料相关的各种问题。首先最重要的是,许多人没有意识到自己所有可能隐藏洞见的资料来源。即使他们已经识别出资料,也仍然缺少可供机器学习使用的标签资料。此外,由於资料通常可能具有基於人类标记者的隐藏偏见,因此,即使是标记资料也可能存在完整性问题。最後,企业通常会竭力确保采用正确的资料管理和控管政策,以允许适当的人员和程序安全地存取、储存和管理资料。
复杂性
机器学习工作流程可能耗时且反覆,这让许多组织和开发人员认为机器学习非常复杂且难以使用。从准备资料和选择演算法,到建置、培训和部署模型,以及再三反覆,涉及许多步骤。需要做出有关基础架构的决定,即选择合适的运算进行培训和推断,并考虑云端、内部部署和边缘部署。
成本约束
机器学习训练和推断可能会很昂贵,特别是因为模型需要反覆,才能提高预测的准确性。由於采用机器学习计划对许多公司来说是新事物,他们也没有内部经验或技能,因此常常不得不依靠昂贵的外部资源来启动专案。
技能不足
即使公司采用机器学习之类的新技术来推动业务转型,拥有适当的技能也往往是入门的障碍。机器学习计划需要机器学习专家来建置和训练机器学习模型,这包括机器学习开发人员、资料科学家和研究人员建置演算法和训练模型的技能。这些技能供给不足,而且通常在内部无法使用,这让企业难以与顾问和合作夥伴一起训练或补充技能。
机器学习入门
AWS认为,机器学习为实现效率和成本节省等基础收益,以及产品创新和刺激发现与研究等高价值收益提供了新的机遇。但组织应如何着手?对於许多人来说,采用机器学习首先要考虑所有资料来源和现有资料策略。他们确定效率低下的工作流程和业务程序,考虑所有数据来源和现有资料策略,确定基於云端的最隹基础架构和工具来扩展机器学习,最後确保掌握正确的技能,机器学习计划才能取得成功。