深度学习的企业 - 直流牵引与挑战

而不是想出涉及深度学习，公司说，他们利用这种人工智能技术就已经在他们的组织存在的功能或任务拓展全新的流程或产品，根据由O'Reilly出版的新报告。

这项研究，题为“企业如何把AI合作，通过深入学习，”调查他们的3.300“AI”，“数据”和“编程”通讯的订户，以评估如何以及为什么他们的公司正在实施这一深度学习，以及在AI潜在的障碍和未来的利益。该刊物并未注意到用户这三种通讯是否是企业还是普通用户。

为了进一步研究在企业中使用深层的学习，研究人员还调查了参与者获得回答以下几个问题：

• 你要买什么应用深度学习？
• 什么是你深度学习的瓶颈？
• 你在做什么人才和培训？

你要买什么深层学习申请？

据调查，多数受访者表示，他们使用深度学习使结构化或半结构化的数据或文本的意义。奥赖利指出，这可能是因为深学习被看作是一个“升级”到传统的数据分析技术。

“升级与深度学习熟悉的应用程序是一个比开始新的东西更安全的投资;企业有很多已经结构化和半结构化数据;而目前可以利用计算机视觉（更不用说游戏的说）的企业数量是有限的“。

当它来到那名最有趣的受访者深刻的学习应用，13％指出，计算机视觉，紧随其后的是文本挖掘的11％，在百分之九提高现有的数据和机器学习系统。其他选项，呈现出三个％的利息或更少，分别为金融，预测，语音技术以及健康医疗。

下面图表所示的受访者如何细分回答了这个问题：

计算机视觉 - 它允许软件来分析，标签和标识图案和照片的其他方面 - 有在多种行业获得了利益，包括零售，汽车和农业，与像亚马逊，谷歌和Tesla发布使用人工智能技术产品的公司。

虽然亚马逊的专利历史证据表明，它会使用计算机视觉与增强现实一起，认识到和打扮上的虚拟镜人，谷歌和特斯拉声称他们的自动驾驶汽车使用技术来检测并避开障碍物和移动的物体。

从我们的研究中，我们已经看到，文本挖掘已经成为了浓厚的兴趣卫生保健工业和问候监管技术（RegTech），以及它们与跟踪，记录和维护的患者，客户和用户的背景和记录相关的其他部门。

什么是你深度学习瓶颈？

虽然该报告指出，目前已经有超过22,000博士与相关的深度学习和AI的背景下，它也补充说，发现和培养人才AI仍然是最大的障碍报道的调查参与者。根据下面的图表中，头号瓶颈所面临的受访者针对其公司成长深学习是一种“缺乏熟练的人。”

Despite the fact that only 11 percent of respondents say that their companies have hired for deep learning positions, O’Reilly estimates that the limited talent pool will grow even smaller as 28 percent of respondents say they are currently using deep learning and 54 percent say that it will play a large role in the future. O’Reilly predicts that as these numbers and deep learning interests increase, the search for trained talent will become even more challenging.

当我们与本洛里卡，O'Reilly的首席科学家数据说话，他解释了为什么确定需要AI人才是关键，以实现像深刻的学习和机器学习的过程。

“人们集中了很多的模型，但是当你到细节它是关于多建一个很酷的模式，”他解释说。

虽然他注意到云系统，可以限制从工作所需的工作人员数量，他指出，必须分析谁将会收集的数据以及如何机器学习软件将保持是非常重要的。

“你可能仍然需要人来确保数据管道的流动和模型的工作，”他补充说，“你可以喂数据到库中，并得到一个结果，但你仍然需要经验和培训来解释这些结果。”

洛里卡建议有数据工程师和手头上的数据科学家的组合，只是柜面典范“变坏”。

“有这个概念在那里你的模型变得陈旧概念漂移的，他们需要接受再培训。你需要有人认识到，或设置警报学习的一个自动化的方式“。

虽然似乎很难找到一个具有强大的机器学习经验，大公司已经开始还是把它做成了自己的作用。

“这些天，甚至还有所谓的机器学习工程师一个新的工作角色，哪种类型的桥梁，与人谁更在制作这些技术的专业差距，”他说。“我们现在在我们的调查发现是，那些在人工智能和机器学习更多的经验，企业往往有内部这个角色。”

等瓶颈包括：

• 硬件和计算机资源（9％）
• 数据相关的挑战（8％）
• 公司资源与文化（3％）
• 精度和深度学习模式的效率（1％）

奥赖利还指出，与会的有89％报告目前没有瓶颈，应用深度学习。

你在做什么了人才和培训？

为了应对技能差距的最常见障碍，参与者的75％报告说，他们公司内部和外部的培训计划已经实施了一般的AI技能。这项研究并没有指定AI技能是在这些方案的讨论。

虽然49％的人说这些培训项目是他们公司内完成，35％的人表示正式训练从第三方源来了。超过18％的人报告说，他们已经寻求从独立顾问的培训。除了指出的是，第三方来源可能是事件或相关的在线资源，也没有深究其他第三方的细节和它们如何从不同的顾问。

下图为受访者这样描述他们的训练策略图表：

第三方培训的一种形式可以包括研讨会或事件。在最近的AI在工业，我们采访了尼可拉斯Vasiloglou从MLTrain他与培训活动的历史如何帮助员工提升现有的技能，以适应AI。

Vasiloglou说，通常情况下，事件他出席了运行了两天，有五个小时，每天训练。虽然他说，这种格式，与会者有兴趣了解更多的训练时间，强大的AI事件都集中在基础知识，而不是烧了与会者的信息。

当涉及到培训活动中，受访者Vasiloglou同样说，最好的策略是“升级”相似或听上去很像技能，并且发送一个雇员的专业知识与AI以及网格，而不是从头训练的人。

“有两件事情，这些事件的人现在都失业了。首先，这是一个很好的方式来刷新基本面。

他解释说，这些基本面可能包括像线性代数主题。“如果你不知道[这些基本面】，你无法真正了解有多深学习 - 这是天大的事情 - 的作品，”他解释说。

Vasiloglou说，事件也可能让与会者开始更多地了解和讨论现代观念像神经网络。“基本上对他们来说是一个Kickstarter的。两天后，他们得到大约从哪里开始的，什么是重要的想法，”他说。

通过各种活动，他说，与会者都能够“获得大画面和连接点。”

他补充说，外面的培训可以比单独的研究更有帮助。

“如果你开始阅读博客和网络的断开笔记，你觉得AI是100个不同的东西，”他警告说。“但是，如果你只是学习的基础知识和基本原理，你就会意识到，这只是一个或两个概念。”

通过他出席活动，他说，他看到与会者背景的“超级组合”。虽然他指出，有经验或AI着迷的软件工程师，他也看到了谁可能没有时间来研究和在自己的时间或在工作环境中了解AI数据科学家。有时，他还指出，人们在这两个领域经验较少刚刚参加活动来获得对培训员工的最好方法“指针”。

总结思考

从这份报告和我们以往的研究中，我们看到在应用AI和深度学习公司以下主题：

• 研究报告指出，大多数有兴趣的计算机视觉和文本挖掘。同样，TechEmergence研究人员指出，计算机视觉产品已经越来越多地在零售和汽车行业发布的，而文本和数据挖掘技术在金融，医疗保健和其他文件或法规，重工业被使用。
• 同时公司继续扩大在深学习兴趣，也仍然是一个人才缺口。研究结果提示，公司已经实现了教育过程或投资于外面的培训。通过我们的采访我们也看到，公司在寻找和追求机器学习目标，合适的人才感兴趣。
• 无论训练风格，而不是从头训练某人或寻求与AI专业技术人才，很多企业说自己放在员工培训的人已经有可能涉及到深度学习的基本面背景。这些员工可能包括软件工程师和科学家的数据。

奥赖利和洛里卡都注意到，有一些事情密谋全新深度学习项目时要考虑的。

“从试验到生产这一举措比一些人更复杂，可能会根据项目的任务关键性认为，”洛里卡说。“我们正在进入这样一个时代，我们必须有超越的业务指标和机器学习度量所有这些因素。”

这篇文章是由O'Reilly Media公司赞助，写，编辑和我们的透明Emerj发表在对齐赞助内容指南。了解更多关于实现我们的AI-专注于执行我们的观众Emerj广告页面。

标题图片来源：CFA协会