|
在了解到我在此前文章中提出的“数据科学很无聊”结论之后，来自加拿大某银行的高级经理 Michelle 提出了一项积极的 ML 议程，并跟我进行了热烈的讨论。
Michelle 负责监督该银行的 ML 概念验证（PoC）产品组合。在每个概念验证项目中，她都需要确定某种 ML 技术在 4 到 6 个月周期之内能否给企业带来价值。她希望让目标更进一步——不只是完成更多概念验证，而是真正部署更多 ML 项目。顺带一提，她目前的部署率仅为 13% 左右。
这就引出了两个重要问题: 我们为什么无法部署更多 ML 解决方案？又一波 AI 寒冬是否即将来临？
我先简要回答一下：是的，如果大家还没提升 ML 解决方案的部署率，那么又一轮 AI 寒冬确实来了。你和你的数据科学团队将成为对抗这波寒流的最后一道防线。如何对抗？解决五大核心挑战以继续保持发展势头。否则，你和你的团队将失去这份“二十一世纪最性感的工作”（不是我说的，但网上都这么传）。
2. 宏观图景：AI 的关注与供应情况
自 2012 年以来，我们经历了一波堪称形势大好的“AI 之春”，真可谓是智能春风吹满地。随着技术的突破、深度学习的一步步商业化以及计算资源成本的持续降低，再加上谷歌与英伟达等巨头厂商的推动，人们对 AI 的关注一路水涨船高。
但必须承认，从上世纪六十年代开始，几乎每十年就会兴起这么一波 AI 之春，但随后总会出现严重的 AI 寒冬，具体表现包括：1）怀疑态度占据主流；2）资金投入大幅削减。
现在人们的怀疑态度又占据主流了吗？好像是的（或者至少出现了端倪）。当今市场上出现了各种各样的观点，我们可以通过谷歌搜索趋势进行一番总结。简单来讲，目前的趋势是：虽然关注度仍然很高，但似乎正在趋于平缓。
（编辑：信阳站长网）
【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!
|
