为什么87％的数据科学项目从未投入生产？

 
“如果你的竞争对手正在应用人工智能，并且他们正在寻找可以让他们加速的洞察力，那么他们真的会非常非常迅速地剥离，”IBM的数据科学和人工智能首席技术官Deborah Leff在转型台上表示2019。
在他们的小组中，“这对于’做AI’甚至意味着什么呢？ Gap的数据和分析高级副总裁Leff和Chris Chapo深入研究了许多公司仍在努力或仅仅未能实现人工智能战略的原因，尽管事实上大公司的固有优势已经超过小公司现在已经走了，范式已经彻底改变了。通过AI，快速公司的表现优于缓慢的公司，无论其规模如何。而小型，无名公司实际上正在从巨头那里抢夺市场份额。
但是，如果这是一种普遍的理解，那么AI在经验上提供了竞争优势，为什么只有13％的数据科学项目，或者每10个中只有一个实际投入生产？
“有时候人们会想到最大的[原因]之一，我需要做的就是把钱投入到问题中或投入技术，而另一端则取得成功，而这种情况不会发生，”查波说。 “我们没有这样做，因为我们没有正确的领导支持，以确保我们为成功创造条件。”
另一个关键的参与者是数据，Leff补充说，这是一把双刃剑 – 它使得所有这些分析和功能成为可能，但大多数组织都是高度孤立的，拥有者根本就没有合作，而领导者则不是促进沟通。
“我让数据科学家看着我，说我们可以做那个项目，但我们无法访问数据，”莱夫说。 “而且我说，你的管理层允许继续下去？”
但数据的问题始终是它以不同的格式存在，结构化和非结构化，视频文件，文本和图像，保存在不同的地方，具有不同的安全性和隐私要求，这意味着项目在开始时就会慢慢爬行，因为需要收集和清理数据。
与这些孤岛密切相关的第三个问题是缺乏协作。自20世纪50年代以来，数据科学家就已经出现了 – 他们是坐在地下室工作的人。但现在这是一项团队运动，而且这项工作的重要性现在已经融入公司的结构中，团队中的每个人都能够与其他人协作是至关重要的：数据工程师，数据管理员，人员了解数据科学，分析或BI专家，一直到DevOps和工程。
“这是一个让公司回归的重要场所，因为他们不习惯以这种方式进行合作，”莱夫说。 “因为当他们获取这些见解，然后他们将它们翻过墙，现在你要求工程师改写由数据科学家创建的数据科学模型，通常是如何解决的？”
“好吧，”查波说，“事实并非如此。”
例如，他的公司早期数据科学项目之一创建了尺寸配置文件，可以确定满足需求所需的尺寸和分布范围。四年前，数据科学团队将算法交给了一名工程师，并用Java重新编码并实施。两周前，他们意识到它被打破了三年半。
Chapo说：“它已经被打破，因为没有人拥有它，我们没有数据科学团队能够不断迭代模型，将其视为资产，并且拥有数据操作以确保其运行良好。” “我们开始将这些工作方式变为现实。但这很难，因为不能一蹴而就。“
“今天我们所有人面临的最大机遇之一就是弄清楚我们如何教育整个组织的商业领袖，”莱夫说。 “以前，领导者不一定知道数据科学家在做什么。现在，数据科学家已经走到了最前沿，商业领袖理解这些概念实际上非常重要。“
她补充说，人工智能不会取代经理人，但使用人工智能的管理人员将取代那些不使用人工智能的管理人员。
我们开始看到企业领导者想要了解机器学习是如何工作的，以及AI对他们真正意味着什么，以及如何成功地利用它。莱夫说，那些领导者将成为最需要的人。
Chapo补充说，成功的另一个关键因素是保持简单。
“人们通常会想象一个世界，我们正在做这个惊人的，花哨的，独角兽，喷洒 – 小精灵尘埃的AI项目，”他说。 “现实是，开始简单。而且你实际上可以证明你的方式进入复杂性。这就是我们真正开始不仅更快地展示价值的地方，而且还帮助那些并不精通数据的企业对此感到满意。“