原标题：2020企业机器学习行情陈述：七大发现
Algorithmia近来发布的陈述提醒了与2020年机器学习运用更遍及有关的应战。陈述发现，大多数公司将在2020年处于机器学习展开的前期阶段，但要进入更高档的阶段，企业有必要战胜许多妨碍。
Algorithmia的《2020年企业机器学习行情》陈述对745名技能专业技能人员进行了查询，确认企业计划在2020年怎么布置机器学习以及一路面对的关键问题。陈述宣称，与机器学习布置有关的最大应战包含扩展规划、版别操控和预算编制。
Algorithmia的首席履行官Diego Oppenheimer说：“人工智能和机器学习将成为咱们一生看到的最具影响力的技能进步。为了协助企业展开机器学习作业，陈述将数据分为以下七大发现：
1. 面向机器学习的数据科学兴起
Oppenheimer说：“数据科学的作用是获取这些公司搜集的许多数据并加以解读”，技能进步使许多公司生成更多数据，这导致需求更多的数据科学家。
跟着机器学习遍及开来，需求的这种添加会继续到2020年：陈述发现，近60%的企业将招聘1名至10名数据科学家。
Gartner发现，其间一半以上的企业会展开至少一个机器学习项目，可是2020年估计布置数量会翻一番。跟着机器学习项目添加，陈述发现企业会开端看到新的数据科学职衔，包含机器学习工程师、机器学习开发人员、机器学习架构师、数据工程师、机器学习运维以及人工智能(AI)运维。
2. 减少本钱为重中之重
陈述还研讨了公司期望从机器学习获得的优点。陈述发现，整体而言，前三大运用场合包含下降公司本钱(38%)、获取客户洞察力和情报(37%)以及改进客户体会(34%)。
Oppenheimer说：“在许多情况下，机器学习可以减少过错，这可以在必定程度上协助公司开源节流。比方针对需求录入或处理许多数据、或许需求许多人、简单犯错且速度稍慢的作业，机器学习可以大幅度的提高自动化程度，使成果更精确。它可以解放履行底子数据录入作业的那些人，处理更高档的使命，人更适合处理这类使命。”
陈述发现，大中型公司首要致力于减少本钱，而小公司对改进客户体会更感兴趣。
小公司在尽力留住客户并具有安稳的事务，大公司或许没有这问题。Oppenheimer说，考虑怎么运用机器学习时，优化是一大运用场合。
3. 企业许多处于尚不老练的前期阶段，为了AI而AI
陈述发现，到2020年，企业的机器学习项目仍将处于前期阶段：21%的企业称它们会评价运用场合，20%的企业自称是机器学习出产环境的前期选用者。
可是受访者标明，到2020年末，他们将处于不同阶段。约23%的人标明他们会在出产环境中运用模型，22%的人标明会开端开发模型。
Oppenheimer说：“将来无法幻想哪家公司不运用机器学习和数据科学来优化事务。问题在于，许多团队在不了解终究成果需求什么姿态的情况下轻率投入。事实上，你有必要了解事务优化需求什么姿态。”
4. 绵长的布置之路
公司花很长时刻来布置机器学习。针对只是一个机器学习模型，受访者标明他们最多要花90天的时刻来布置。陈述发现，近20%的公司称需求的时刻超越90天。
这样的一个进程或许需求一段时刻，因为机器学习项目太新了，现在的数据科学家或许并不彻底了解该办法，这可以解说为什么新的数据科学家职衔会在2020年呈现。
陈述称，大公司的布置之路更绵长。Oppenheimer称，底子原因是因为企业规划越大，同意环节就越多，需求人员来监管项目。
5. 规划扩展问题
陈述发现，受访者以为扩展模型的规划是最大应战(43%)，高于上一年的30%。陈述称，这一应战或许与涣散的安排结构有关，这常常导致规划扩展进程中东西、结构和编程言语等方面呈现一些显着的反常问题。
Oppenheimer说：“一大妨碍是东西许多。构建模型的职工一般不是最拿手扩展规划的人选。企业需求认识到这些团队需求有不同的技能，然后意识到结构方面的发展非常快。机器学习范畴可以用一日千里来描述。”
陈述中供给的一种解决方案是在企业内部建立立异中心。陈述称，这种中心专用于机器学习之类的立异项目，可以以灵敏方法来运作，完成机器学习作业标准化。
6. 预算与机器学习老练度不一致
陈述发现，机器学习预算整体上在添加，可是因项目的老练阶段而异。
处于机器学习老练中期阶段的公司将机器学习预算添加了1%至25%，而处于立异高档阶段的公司中这么做的份额占到39%。陈述发现，处于机器学习老练度较高水平的企业中约30%标明，它们将预算添加了26%至50%。
该数据标明“假如你能证明成功，会获得更多的预算，”Oppenheimer说。“咱们已看到许多公司在全面添加机器学习和数据科学方面的预算。但关于长时间添加预算的公司而言，它们到了必定水平的老练度，正将机器学习和数据科学融合到更广泛的部分中，因而需求更多的预算才能与之匹配。”
7. 确认机器学习在整个企业获得的成功
陈述发现，确认机器学习成功的两大目标是事务衡量目标和对机器学习模型功能的技能评价。
Oppenheimer说：“归根结底看成效。”他弥补道，团队有必要确以为何需求施行机器学习项目并找到那些终究目标，而不是只是为了AI而施行AI。
原文标题：State of enterprise machine learning in 2020: 7 key findings，作者：Macy Bayern
责任编辑：
