对机器学习失败的原因的分析与解决方案

世界正看到科技的进步。机器学习的实现在很多领域都有帮助，也取得了令人瞩目的发明。然而，这并不是全部的现实。看到公司因机器学习（ML）而取得的进步，几乎每家公司都在尝试同样的方法，但都惨遭失败。这里可能出了什么问题？

专家们认为，这些公司实施的战略并没有像人们想象的那样奏效。以下是导致这种情况的一些原因：

•机器学习在很大程度上依赖于数据。以至于收集和分析的数据的质量直接反映在所取得的成果上。由于这是基础，质量差的数据会导致不理想的结果。这是最常见的问题处理，特别是当任务围绕卫生行业，政府，工业部门和类似的领域。这是因为，这里涉及的数据通常要么很少见，要么是受到一些严格的规定的指导。初创企业也倾向于面对这个问题，因为他们缺乏足够的资源来提供高质量的数据，从而得出必要的结论。

为了解决数据质量不高的问题，企业必须对其数据基础设施进行全面的评估。拥有正确的程序来清理数据，从而使数据具有良好的质量、准确度，并且能够帮助公司做出更好的决策，这是当前的需要。

•数据科学家在实现机器学习模型中的作用不能仅仅用语言来表达。这是大多数公司都在挣扎的地方。招聘能够处理机器学习计划并帮助部署模型的合适人才是公司失败的地方。这种情况通常出现在一些小公司，这些公司没有合适的人才，比如数据科学家、数据分析师、数据工程师等，他们可以开发人工智能模型。

•数据科学家、数据分析师或数据工程师的平均工资不是一个小数目。他们的薪水很高，而且在大多数情况下，他们的工作地点离有经验的软件工程师很近。小公司发现很难管理同样的问题，因此无法获得所需的专业知识。

•另一个公司似乎难以应对的领域是预测其所制定战略价值的能力。

•最高管理层缺乏承诺是另一个被视为无法得出富有成效结论的原因。

总之，毫无疑问，机器学习模型可以简化超出想象的事情。无数的组织也从中受益，未来几年将有更多的公司倾向于这一技术领域。然而，企业要想不失败并充分利用ML模式，首先必须打下坚实的基础。检查数据质量，招聘合适的人才，给他们高薪，再加上管理层的支持，可以帮助达到预期的效果。
编辑：lyn