人工智能和机器学习的宣传机器已经完全节流了，人们可以原谅一个人认为从Mega-Techs到街角商店的每个组织都在转向AI的流程或决策。如果你仍然坚持想弄清楚AI和机器学习如何能够适应你的操作，别担心---------------------------------------------------公司可能会增加对机器学习和机器学习开发的投资，但在大部分情况下，公司仍处于早期的学习阶段。

这是由Algorithmia发布的一项对750名技术经理和专业人士的调查的主要结果，该调查专门研究这些东西。受访者代表积极参与构建机器学习生命周期的公司。虽然公司正在增加他们的机器学习投资，但从模型部署到缩放和测试的挑战仍然存在。（在这一相关职位中探讨了对工作角色的影响。这份报告的作者指出了推进机器学习的挑战，包括规模、版本控制和模型的重现性，以及获得高级主管的支持。此外，时间往往不在ML项目的一侧。“在各种规模的公司，数据科学家至少花费25%的时间部署模型，这表明四分之一的数据科学能力因基础设施方面的挑战而丧失。数据科学团队需要能够尽快部署他们的工作，以防止他们的洞察力被事件所克服；模型和数据变化很快，市场机会也是如此。因此，10天来得太晚的洞察力被事件所克服，不再有用。”.

该报告指向了人工智能和机器学习的各种组件中的一些，例如计算机视觉和机器学习框架的新的迭代，包括Pyrew1.0、开源机器学习框架和TentsortFlow2.0，开源框架源自Google。报告的作者甚至提到了一些涉及量子计算机的机器学习，但这些机器学习的距离太远了。该报告还增加了AI和ML应用程序的硬件。

报告的作者重申，尽管这些工具已经就位，但大多数企业的机器学习开发仍处于早期阶段。“对于ML团队来说，模型部署生命周期需要继续变得更加高效和无缝。”只有9%的公司报告说至少有5年、5年的生产“先进型号”，高于去年调查的5%。目前，另有15%的受访者表示，他们是“中期采用者”，生产时间在2至4年之间。调查显示，这些领导者中有许多是软件公司和IT公司。

拥有成熟机器学习部署生命周期的公司正在受益于可衡量的结果，包括降低成本、欺诈检测和客户满意度。“节省成本被视为机器学习的主要好处，这很可能是基于调整算法所涉及的编程时间更少，以及减少用于手工任务的薪资。排在第二位的是营销和销售部门正在争取的好处，包括产生客户的洞察力和智慧，以及改善客户体验。报告的作者指出：“毫无疑问，有无数种方法可以让公司将机器学习应用于特定的商业问题。”例如，ML可以用来进行预测建模，对客户流失进行评估，或者将自然语言处理应用于数百万推特，以分析积极情绪。

该研究的作者发现，目前有两种衡量人工智能和机器学习计划成功的指标：传统的业务指标，如有保证的ROI，以及对机器学习模型性能的更技术性的评估。58%的受访者表示，如果他们能创造ROI、减少客户流失、帮助产品采用或提升品牌忠诚度，他们的努力是成功的。另有58%的人表示，当模型精度、精度、速度和漂移达到阈值时，机器学习努力是成功的。