由 dawei
时代变幻莫测，仅仅增加客户体验流畅度和沉浸感并不能减轻企业的压力。在这种情况下，投入数十亿美元开发可以改进产品的机器学习模型就可以理解了。但有一个问题。公司不能只是把钱砸在数据科学家和机器学习工程师身上，就希望可以有奇迹发生。据 VentureBeat 报道，大约 90% 的机器学习模型从未投入生产。换句话说，数据科学家的工作只有十分之一能够真正产出对公司有用的东西。
本文最初发布于 Towards Data Science，由 InfoQ 中文站翻译并分享。
为什么90％的机器学习模型从未应用于生产？
大多数机器学习模型从未部署。图片由作者提供。
企业正在经历艰难时期。我说的不是病毒流行和股市波动。
时代变幻莫测，仅仅增加客户体验流畅度和沉浸感并不能减轻企业的压力。在这种情况下，投入 数十亿美元 开发可以改进产品的机器学习模型就可以理解了。
但有一个问题。公司不能只是把钱砸在数据科学家和机器学习工程师身上，就希望可以有奇迹发生。
有数据为证。据 VentureBeat 报道，大约 90% 的机器学习模型从未投入生产。换句话说，数据科学家的工作只有十分之一能够真正产出对公司有用的东西。
尽管 十分之九 的科技高管相信，人工智能将成为下一次科技革命的中心，但人工智能的采用和部署尚未获得长足的发展，而这不能怪数据科学家。
企业尚未准备好采用机器学习
领导支持并不意味着投钱多
数据科学家的 就业市场非常好。企业在招聘，而且也已经准备好支付高薪。
当然，管理人员和企业负责人期望这些数据科学家能带来巨大的价值。然而，就目前而言，他们并没有为此提供便利。
GAP 数据分析高级副总裁 Chris Chapo表示：“有时人们会想，我所需要做的只是针对一个问题投入资金或技术，成功就会到来。”
为了帮助数据科学家在工作中发挥出色的作用，领导者不仅需要将资源引向正确的方向，还需要了解机器学习模型是干什么的。一个可能的解决方案是，让领导者们自己接受一些数据科学的入门培训，这样他们就可以在公司里把这些知识付诸实践。
数据访问难度大
公司不擅长收集数据。许多公司都是高度筒仓化的，这意味着每个部门都有自己收集数据的方式、首选格式、存储位置以及安全和隐私偏好。
另一方面，数据科学家经常需要来自多个部门的数据。筒仓化增加了清理和处理这些数据的难度。此外，许多数据科学家 抱怨，他们甚至无法获得他们需要的数据。如果你没有必要的数据，怎么开始训练一个模型呢？
也许在过去，筒仓化的公司结构以及无法访问的数据便于管理。但在一个技术飞速变革的时代，企业将需要加快步伐，在整个过程中建立起统一的数据结构。
对于数据科学家来说，能够获取所需的数据至关重要。图片由作者提供。