具有成熟人工智能实践的组织的数据科学家倾向于转向scikit-learn、TensorFlow、PyTorch和Keras。此外,无论采用AI的哪个阶段,监督学习(82%)和深度学习(67%)都被认为是最流行的技术。


人工智能在企业中取得成功的最大障碍是,难以找到具备必要技能的人才。随着技术的腾飞,这完全困扰着每个技术市场的采用。简而言之,技术采用的最大的障碍是人。


AutoML强势“入侵”,AI该何去何从?


当然,事情并非以这种方式开始。一年前,O'Reilly的调查发现了公司文化和找出用例的最大困难,这些用例是AI的最大障碍。


一旦组织解决了这些问题并开始前进,他们很快就会受到在采用曲线早期困扰所有流行产品或流程的困扰:没有人知道如何理解它们。因此,O'Reilly的调查发现“缺乏熟练的人才”是采用AI的最大障碍(图A)。


在这种技能差距内,机器学习建模者和数据科学家(52%),了解业务用例(49%)和数据工程(42%)反映了最大的需求。几年前,让人们管理用于AI工作负载的必要基础架构一直是个问题,但今年只有24%的受访者提到了这个问题,“暗示公司正在解决云中的基础架构需求”,据该报告推测。


但是仍然有希望。


希望的来源之一是时间:随着时间的流逝,即使市场以新的方式来培训人才,公司仍在思考如何解决技能差距。


AutoML强势“入侵”,AI该何去何从?


数据科学中发生这种情况的一种方式是通过工具。如今,经验丰富的AI人士倾向于使用scikit-learn,TensorFlow,PyTorch和Keras,在调查中得分均超过45%(scikit-learn和TensorFlow均达到65%),但这是少数。在过去的两年中,那些在AI实践中自我识别为“成熟”的人(即正在生产的项目)约占响应者的四分之一。两年来,那些正在“评估”的人徘徊在大约三分之一。


对于那些评估或只是“考虑”的人,他们倾向于使用来自云供应商的更少的scikit-learn和更多的基于AutoML的工具。报告作者指出:“存在过度解释的风险,对AI较新的用户更倾向于使用特定于供应商的程序包,并且更倾向于在其中之一中使用AutoML。”


对于“成熟的”受访者,当被问及有关AutoML产品时,有51%的受访者表示他们根本没有使用AutoML。那些对AI缺乏经验(并且可能帮助技术的人更少)的人倾向于使用AutoML来帮助他们参与AI,而无需尝试聘请必要的人才来使用TensorFlow之类的东西。


总而言之,我们的AI技能短缺,因为技术更新的比我们快,正如Saurav Singla所写,AutoML试图通过“使机器学习任务更容易使用更少的代码并避免手动进行超调”来弥合技能差距。


免责声明

我来说几句

不吐不快,我来说两句
最新评论

还没有人评论哦,抢沙发吧~