大家都知道，机器学习（ML）是人工智能的关键技术之一，也是一项逐渐走向成熟的应用技术。具体说来，这一技术可以为未来的数据科学带来变革，能够让应用企业作出基于更多数据分析的驱动决策，从而改善用户的业务体验。
那么，目前ML究竟在哪些方面，以及多大程度上改进了企业的经营状态？近日，Forrester Consulting基于对位于北美的150位公司数据负责人和决策者的调查，得出ML在业务经营决策上的一些重要表现。在这些调查结论中，有哪些是可以给到我们帮助和借鉴的？
先来看一些关键的信息。
- 机器学习所影响的业务中，自动化的异常检测(Anomaly Detection)是未来一到三年所要达成的首要任务；
- 在技术的实现路径上，数据孤岛、可解释性差和透明度低等是阻碍向前的主要障碍，因而减缓了技术成熟度的完善进度。
- 如果能够更加专注于业务成果，并且尽可能与在ML技术上有大量实践和验证有效的公司建立合作关系，将更有利于这一技术的落地。
只有四分之一的ML应用处于成熟期
在机器学习的开发和发布时长上，大部分受访者选择了1到5年之间，占比总计72%。其中，一半以上的人表示他们的应用发布在1到2年。而实际上，成熟的机器学习战略需要3年及以上的沉淀期，达到这个标准的占比只有四分之一左右，其中只有5%的企业已经应用5年以上。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
此外，有53%的受访者计划通过利用ML来提高业务效率。
在当下的大数据和数据分析战略上，有46%的人选择了使用多云（包括私有云）；44%选择研究堆栈性能，从而更好地利用数据进行模型架构；41%选择扩大规模以满足增长的数据量的需求。
而在未来的一年到三年中，ML的主要战略应用方向为：自动检测异常数据（40%）、透明应用的自动接收和基础设施的更新（39%），以及让AI应用符合新的监管和伦理要求（39%）等。
解决技术管理上的数据孤岛最具挑战
除了技术能力，机器学习在人员和流程管理上也面临不小的挑战。其中，认为打破内部数据孤岛最具挑战性的比例为41%，39%的人选择了将学术模型转化为可以部署的产品。此外，分别有38%的人选择了降低AI风险和打破外部的数据孤岛，还有36%的人认为最大的困难在于处理大规模、多样化和混乱的数据集。
无论是数据孤岛、模型转化，还是数据集混乱，都体现出学术与商业化之间的鸿沟，尤其是在模型的转化上，当使用ML并将其进行用例扩展时，很多人发现数据流的透明度、可追溯性以及可解释性都很难得到清晰的呈现。
也正因此，在ML落地前景不明确的情况下，管理层会认为基于机器学习的业务实现很难看到商业价值。而如果与投资回报没有明确关系，管理者在这一技术上的投入意向就会明显下降。有73%的受访人认为机器学习在数据透明、可追溯和可解释性上还存在挑战，投入意向的不明朗加剧了技术落地的困难，良性的循环还有待形成。
三分之二的决策者仍会加大ML的应用
然而，即便面临着诸多挑战，决策者在对机器学习决定投入时也难免战战兢兢，但大部分受访者认为应用ML还是非常必要的。有三分之二的决策者（67%）认为，全方位加大ML技术的应用对组织的战略规划非常重要。而在当前使用的工具集当中增加机器学习的技术能力和应用，认为这一点很重要的被访者也占到了66%。
在业务层面，机器学习被寄予发挥作用的前三领域包括：数据的平台互享、企业内的数据流动追踪，以及推动更快的行动。
至于和第三方合作的情况，37%的受访者表示已经建立合作，并打算发展伙伴关系；30%的人表示有合作关系，但并不准备发展为更为深入的伙伴关系。此外，还有19%和11%的受访者表示未来一年中有合作计划，或者有合作兴趣。
超过六成以上的受访者表示通过合作关系来弥补自身在机器学习上的短板和人员的短缺，说明合作共赢仍然是发展这一技术的重要途径。与在机器学习领域有落地经验的第三方合作，可以在模型开发、人员培训和挖掘更多数据来源上形成合力。
文章参考和图片来源：
Operationalizing Machine Learning Achieves Key Business Outcomes
