世界正看到科技的進步。機器學習的實現(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。看到公司因機器學習（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。以下是導致這種情況的一些原因：

?機器學習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)會導致不理想的結(jié)果。這是最常見的問題處理，特別是當任務(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，要么是受到一些嚴格的規(guī)定的指導。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、準確度，并且能夠幫助公司做出更好的決策，這是當前的需要。

?數(shù)據(jù)科學家在實現(xiàn)機器學習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習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，機器學習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