毫无疑问，当每个行业都在与规模进行一场失败的战斗时，这确实是一个小时的需要——来自数百万(有时是数十亿)传感器、工具和设备的数据流的绝对规模。
虽然谷歌和Facebook等巨头有足够的预算来投资人工智能、机器学习并利用其优势，但普通公司如何从人工智能中分得一杯羹?
目前，所有数据都只是在积累，几乎没有做任何事情来转化为可用的情报。因此，数据和人是孤立的——不仅如此，迄今为止，任何数据分析的尝试通常都是从极其短视的角度出发的。也就是说，它是用一个工具或一个团队完成的，结果是一个人收到了一个更大范围的非常本地化的视角。例如，结果仪表板不包含洞察力来源的痕迹，并且在流程的一个阶段生成的数据表很可能无法用于更下游的任何流程。
每个人都在谈论人工智能和机器学习的大众化，谈论向大众开放。
不幸的事实是，正是同样的挑战导致了对人工智能和机器学习的需求，阻碍了其有效采用。
让我们来看看这些挑战。
需要减少周期时间
虽然大多数行业考虑投资机器学习以减少其产品/服务的周期时间，但实施机器学习本身的周期时间相当长。例如，收集和清理数据的过程漫长而乏味——数据科学家将大部分时间花在这项任务上。
技能鸿沟
技能短缺是几乎所有行业的普遍痛点。这一挑战可能是供应不足或可及性不足之一。无论如何，使用“智能”机器有助于解决问题。然而，采用这些智能机器需要另一群聪明人——数据科学家。现在，这为技能和短缺开辟了一个全新的领域。一方面，这些人通常技术娴熟(读起来非常昂贵)。另一方面，它们的数量少得令人痛苦(阅读保留成本要高得多)。
由于组织意识到在市场上保持竞争力在很大程度上取决于机器学习和人工智能，因此对在该领域受过培训的人员的需求巨大——远远超过供应。
这仅仅是因为人工智能、数据科学和机器学习只有掌握了所需数量的处理技术的科学家才能利用。这些科学家识别正确的数据，选择正确的算法，并为成功实施创造正确的条件。他们每天都要与业务利益相关者进行头脑风暴，以了解他们的需求、数据准备(收集、清理数据并将其转换为有意义的数据)、数据建模(创建、测试和优化每个模型)和迭代(直到结果)满意)。需要可扩展的学习。
企业采用机器学习的最大原因之一是他们需要处理从传感器和设备涌入的大量数据。对此的下意识反应是自动化处理这些数据。然而，这种数据处理通常是由人类指导或训练的——这就是我们所说的监督学习。
不幸的是，这种类型的机器学习无法解决当今大多数公司面临的一系列问题——人类难以预测的问题。事实上，由于缺乏可扩展或无监督的机器学习，困扰所有行业的20:80资产失败规则*仍未得到解决。在这种类型的机器学习中，机器本身进行学习，否则数据科学家会进行训练。这种学习的整个前提是机器能够检测人眼不可见的模式，因此可以检测人类无法使用手动方法预测的问题。
总结
人工智能不仅与算法有关，还与算法产生的价值有关。因此需要是让所有相关用户能够浏览晦涩的信息环境，以获得所需的智能，这些智能可用于在他们参与的每个步骤中推动业务目标。