96%的组织遇到人工智能和机器学习项目的问题

根据Dimensional Research报告，在启动人工智能和机器学习计划时，公司面临着培训数据质量和标签的问题。根据IDC的数据，预计2019年全球人工智能(AI)系统支出将达到358亿美元。这种增加的支出并不令人意外：随着数字化转型计划对企业生存至关重要，公司正在对先进技术进行大量投资。然而，根据Dimensional Research的一份报告，从事人工智能和机器学习的10个组织中有近8个表示项目已停滞不前。这些组织中的大多数(96%)表示他们遇到了数据质量问题，培训AI所需的数据标签以及建立模型信心。该报告由Dimensional Research代表Alegion进行，调查了227名参与有源AI和机器学习项目的技术专业人员。报告发现，随着处理如此大量的数据，人工智能和机器学习系统难以跟上。

“将机器学习模型应用到生产中的最大障碍是培训数据的数量和质量，”Alegion首席执行官兼联合创始人纳撒尼尔盖茨在一份新闻稿中表示。“这项研究强化了我们自己的经验，建立投资回报率驱动系统的新数据科学团队试图在内部解决培训数据准备工作，并且不堪重负。”

报告称，系统可能无法处理大量数据，但为了让AI系统脱离实际，他们自相矛盾地需要大量数据。数据科学团队被迫走钢丝，使用大量数据交付成功的项目，同时确保系统可以处理特定数量的信息。

为了应对这些挑战，约76%的受访者表示他们有时会尝试自行标记和注释培训数据。超过一半(63%)的人表示他们甚至尝试建立自己的标签和注释自动化技术。报告发现，最终，71%的团队表示他们将培训数据和其他机器学习项目活动外包出去。

有关更多信息，请查看TechRepublic关于组织如何充分利用机器学习的文章。