随着各行各业的公司意识到采用 AI 不再仅仅是一种选择的现实，问题已转向如何简化其采用和实施。换句话说，如何打破围绕复杂 AI 世界中的极高障碍，并利用其在管理通过 Internet 收集的所有数据的规模和复杂性方面所提供的不可否认的优势。事情 （IoT） 已经？
毫无疑问，当每个行业都在与规模展开一场失败之战时，这确实是一个时刻的需要——从数百万（有时）数百万（有时）数十亿个传感器、工具和设备中流这些数据的绝对规模。
虽然像谷歌和Facebook这样的巨头有足够的花哨的预算来投资AI、机器学习和利用其优势，但普通公司如何从AI中分得一杯羹呢？
目前，所有数据只是被积累起来，很少做转化为可用的智能。因此，数据和人员都是孤立的——不仅仅是这样，迄今为止，任何数据分析的尝试通常都是从极短视的角度进行的。也就是说，它由一个工具或一个团队完成，结果，人们获得了一个非常大的上下文的非常本地化的观点。例如，结果仪表板不包含见解的来源，并且在流程的一个阶段生成的数据表很可能不适用于下游的任何流程。
每个人都在谈论AI和机器学习的民主化，关于向大众开放它。
不幸的事实是，正是同样的挑战导致了对 AI 和机器学习的需求，阻碍了其有效采用。
让我们来看看这些挑战。
需要缩短循环时间
虽然大多数行业考虑投资机器学习，以减少其产品/服务的周期时间，但实施机器学习的周期时间本身相当长。例如，收集和清理数据的过程是漫长而繁琐的——数据科学家将大部分时间花在这项任务上。
伟大的技能鸿沟
技能短缺是几乎所有行业常见的痛苦。这一挑战可能是供应不足或可及性不足。不管怎样，使用”智能”机器有助于解决问题现在，这开辟了一个全新的领域，既技能和短缺。其一，这些家伙通常非常熟练（阅读非常昂贵的雇用）。另一方面，它们的数量非常少（阅读成本更高）。
随着组织意识到，保持市场竞争力在很大程度上取决于机器学习和人工智能，因此对在现场接受培训的人员有着巨大的需求——远远超过供应。
这仅仅是因为AI、数据科学和机器学习只是被那些掌握了所需数量的处理技术的科学家所利用的。这些科学家识别正确的数据，选择正确的算法，并为成功实施创造合适的条件。他们每天与业务利益干系人进行头脑风暴，以了解他们的要求、数据准备（收集、清理和将数据转换为有意义的内容）、数据建模（创建、测试和优化每个模型）和迭代（直到结果令人满意）。
需要可扩展的学习
公司采用机器学习的最大原因之一是，他们需要应对来自传感器和设备的大量数据。对此，下意识的反应是自动处理这些数据。然而，这种数据处理通常由人类引导或训练，这就是我们所说的监督学习。
不幸的是，这种类型的机器学习无法解决当今大多数公司所面临的各种问题——这些担忧对于人类来说是难以预测的。事实上，困扰所有行业的 20：80 资产故障规则*仍然无法解决，因为需要可扩展或不受监督的机器学习。在这种类型的机器学习中，机器本身会进行数据科学家培训的学习。这种学习的整个前提是，机器能够检测人眼看不见的模式，因此，可以检测人类无法用手动方法预测的问题。
总结
AI 不仅仅是算法，而是算法生成的值。因此，对于小时的需求是，所有参与的用户都能够浏览模糊的信息环境，以获得必要的情报，这些情报可用于推动他们参与的每个步骤的业务目标