由于机器学习的最新进展，人工智能(AI)目前正在撼动市场，如第四次工业革命中最具革命性的技术。商业领域的每个人都在谈论它，就像它将永远改变我们的世界，并且在许多方面，它已经存在。最近的研究表明，67%的企业高管将人工智能视为自动化流程和提高效率的有用手段。但一般消费者认为这是增加社会公平的有力工具，超过40%的人认为人工智能将扩大对低收入人群的大多数基本服务(医疗，法律，交通)的使用。

然而，自动化流程的这种令人难以置信的转变的速度可能更高，并且目前存在一些问题正在困扰它。哪些是阻碍机器学习采用的最重要障碍?(深度学习是公司开始采用的另一种人工智能形式。更多信息，请参阅这些痛点，防止公司采用深度学习。)

缺乏组织

公司，特别是较大的公司，是一个复杂的生物。就像一个神话般的水,, 它有许多人经常需要做出相同的决定，例如首席信息官(CIO)，首席数字官(CDO)以及显然首席执行官(CEO)。所有这些官员都经营自己的部门，这些部门应该同时以同样的努力水平推动他们的人工智能工作。可以说，在现实生活中，这种情况很少发生。

澄清谁“拥有”机器学习项目并因此负责领导其在公司内部的实施是第一步。在几个成熟的数据和分析团队需要同步其运营的组织中，很多人最终都会在无数较小的项目上稀释他们的工作。较小的试点项目可能有助于全面了解机器学习科学，但往往无法实现核心业务所需的自动化效率。

IT服务管理(ITSM)可能是解决此问题的一种有效解决方案，可帮助各个IT团队了解，例如，那些可以产生大量收入的业务部门，其中自动化可以提高利润率或减少错误百分比。

培训不足

机器学习是一项古老而又新颖的技术。基本的人工智能可以追溯到80年代早期，但最近现代深度学习算法的发展帮助这项技术取得了巨大的飞跃。事实上，在这个领域拥有足够深入知识的真正专家非常缺乏，特别是因为Google和Facebook 在博士学位上汲取了80%的机器学习工程师

许多组织都知道他们的极限，不超过20%的组织认为他们自己的IT专家拥有解决AI所需的技能。对机器学习技能的需求正在迅速增长，但那些拥有所需专业知识和才能的人现在是真正的摇滚明星。然而，许多拥有深度学习算法的足够训练的人可能缺乏正式的资格，例如硕士学位证明这一点。请记住：这个领域仍然是新的 - 今天开创它的许多人都是那些机器学习博士根本不存在的时代的老年程序员。

许多人力资源专业人员现在必须努力解决雇用合适候选人的困难，这些工作的复杂性可能超出了他们自己的专业知识。今天，即使告诉机器学习工程师，数据科学家和前端开发人员的能力之间的差异，对于非本地人来说也是一项复杂的壮举。然而，最终，基于人工智能的招聘可能会成为帮助所有人力资源经理的自己的解决方案。

无法访问的数据和隐私保护

在他们用最先进的机器学习算法学习任何东西之前，需要向AI提供数据。大量的数据。但是，大多数情况下，这些数据尚未准备好供消费，特别是当它以非结构化形式出现时。数据聚合过程既复杂又耗时，尤其是当数据单独存储或与不同的处理系统存储时。所有这些步骤都需要由不同类型的专家组成的专门团队的全力关注。(有关数据结构的更多信息，请参阅结构化数据是什么?检查结构化，非结构化和半结构化数据。)

只要包含大量敏感信息或个人信息，数据提取通常也无法使用。虽然这些信息的混淆或加密最终使其可用，但是必须将额外的时间和资源用于这些繁重的操作。要解决上游问题，需要匿名化的敏感数据必须在收集后立即单独存储。

信任和可信度

灵活性不是所有人都具备的特质。当一个深度学习算法不能以一种简单的方式解释给一个不是程序员或工程师的人时，那些可能希望打赌AI来利用新商机的人可能会开始逐渐减少。在一些更传统的实体行业中尤其如此。事实上，大多数情况下，历史数据实际上是不存在的，并且需要针对实际数据测试算法以证明其效率。很容易理解，在石油和天然气钻井等某些行业中，不太理想的结果可能导致大量(和不必要的)风险。

在数字化转型方面仍然落后的许多公司可能需要彻底改革其整个基础设施，以便以有意义的方式采用人工智能。结果可能需要很长时间才能看到，因为在实验结果出来之前需要收集，消耗和消化数据。启动大规模机器学习项目并不能保证投资是值得的，这需要一定程度的灵活性，资源和勇气，这是许多企业可能缺乏的。

在一系列奇怪的事件中，许多仍然减缓或阻碍人工智能发展的障碍都与人的本性和行为有关，而不是与技术本身的局限有关。

那些仍然怀疑机器学习潜力的人没有明确的答案。这是一条从未被践踏的道路，在这个开发阶段仍然需要现场实验。再一次，轮到我们利用帮助人类达到最高峰的特征之一：我们的适应能力。只有这次我们需要将这项技能传授给我们的智能机器。