87%的机器学习项目失败的十大理由
发布时间：2021-07-25 19:17:08 所属栏目：大数据 来源：互联网
导读：如今人们总是能听到有关机器学习的新闻，而机器学习技术确实有更多发展潜力。调研机构Gartner公司预测，对于很多组织来说，80%的人工智能项目仍是一种难以获得成功的炼金术。根据VentureBeat公司发布的Transform2019研究报告，87%的人工智能项目将永远无法投
|
如今人们总是能听到有关机器学习的新闻，而机器学习技术确实有更多发展潜力。调研机构Gartner公司预测，对于很多组织来说，80%的人工智能项目仍是一种难以获得成功的炼金术。根据VentureBeat公司发布的“Transform2019”研究报告，87%的人工智能项目将永远无法投入生产。
为什么会这样呢?为什么这么多项目失败?
1.没有足够的专业知识
其中一个原因是，机器学习技术对人们来说仍然是新技术。此外，大多数组织仍不熟悉软件工具和所需的硬件。
如今，从事数据分析或软件开发工作并完成了一些数据科学项目的一些人却将自己标榜为数据科学家。
事实上，组织需要经验丰富的真正数据科学家来处理大多数机器学习和人工智能项目，尤其是在定义成功标准、最终部署和模型的持续监控方面。
2.数据科学与传统软件开发之间的脱节
数据科学与传统软件开发之间的脱节是另一个主要因素。传统的软件开发往往更具可预测性和可衡量性。
数据科学研究通过多次迭代和试验而向前发展。有时，由于选择的度量标准不会驱动用户行为，因此整个项目将不得不从部署阶段返回到计划阶段。
传统的基于敏捷的项目交付可能不适用于数据科学项目。对于在常规软件开发项目的每个任务周期结束时一直在努力交付清晰结果的领导者来说，这将造成大规模的混乱。
3.数据量和质量
众所周知，数据集越大，采用人工智能系统进行的预测就越好。除了数据量增加的直接影响之外，随着数据量的增加，还会出现许多新的挑战。
在许多情况下，组织将不得不合并来自多个源的数据。一旦开始这样做，就会意识到它们同步的次数很少，这将导致很多混乱。有时，组织最终将合并不应该合并的数据，这将导致数据点具有相同的名称但含义不同。
错误的数据会带来无法采取行动或无法提供真知灼见的结果，也会导致误导性结果。
4. 标记数据
（编辑：宿州站长网） 【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! |
