AI 應(yīng)用調(diào)查報告：85%企業(yè)支持，人才短缺成為障礙

編者按：O’Reilly最近又對AI行業(yè)發(fā)起調(diào)查，并編寫成報告，最新趨勢告訴我們，AI正在從原型走向生產(chǎn)。雖然AI產(chǎn)業(yè)進步神速，但障礙仍然存在，比如人才稀缺、制度支持力度不夠。本文編譯自原題為“AI adoption in the enterprise 2020”的文章。

去年，我們感覺到大家對AI的興趣已經(jīng)接近狂熱，所以我們就AI應(yīng)用發(fā)起調(diào)查。調(diào)查完成之后我們分析結(jié)果，認為AI行業(yè)處在快速變化的階段，所以我們又發(fā)起一次調(diào)查，想搞清眼下AI主要應(yīng)用于哪些行業(yè)。

調(diào)查花了幾周時間，也就是2019年12月的幾周，收到1388份回應(yīng)報告。最新的調(diào)查告訴我們在企業(yè)領(lǐng)域AI應(yīng)用到了怎樣的程度（已經(jīng)從原型向生產(chǎn)階段過渡），調(diào)查還涉及具體技術(shù)和工具的流行程度，應(yīng)用者面臨怎樣的挑戰(zhàn)，以及其它一些問題。

下面讓我們總結(jié)一下：

關(guān)鍵調(diào)查結(jié)果：

——約有85%的受訪機構(gòu)聲稱它們正在評估AI，或者將AI應(yīng)用于生產(chǎn)。只有15%的機構(gòu)在AI方面沒有采取任何行動。

——超過一半的受訪機構(gòu)是“AI技術(shù)成熟的應(yīng)用者”，換言之，它們正在用AI完成分析、生產(chǎn)任務(wù)。

——在成熟AI應(yīng)用者中，監(jiān)督式學習是最流行的機器學習技術(shù)，在那些仍在評估AI的機構(gòu)中，機器學習是最流行的技術(shù)。

——在AI應(yīng)用時，缺少機器學習和AI技能并不是最大障礙。22%的受訪者認為，缺少制度支持是最大問題。

——只有很少的企業(yè)用正式治理控制手段為自己的AI活動提供支持。

AI仍然在發(fā)展。有許多企業(yè)正在評估AI，用AI做實驗，不過在應(yīng)用時，主要用于“生產(chǎn)部署”（production deployments）。這種發(fā)展仍然處在初期階段，企業(yè)還要做很多工作才能讓AI變得更堅固。不論怎樣，應(yīng)用者為了打造穩(wěn)定的AI生產(chǎn)線，還有一大堆工作要做。

受訪者分布

受訪者代表所在機構(gòu)和企業(yè)接受調(diào)查，他們來自25個行業(yè)，來自軟件行業(yè)的受訪者占17%。從受訪樣本看，“科技行業(yè)”所占的比重并不是很高，“計算機、電子、硬件”也屬于科技行業(yè)的重要板塊，它只占了樣本的7%還不到。至于“其它”類別，它包括12個行業(yè)，占受訪者的22%。

數(shù)據(jù)科學家占主導(dǎo)，企業(yè)高管具有代表性

大約六分之一的受訪者是數(shù)據(jù)科學家，高管（比如主管、副總裁、CxO）占了樣本的26%。從調(diào)查看，受訪者的確嚴重偏向數(shù)據(jù)，有30%的受訪者是數(shù)據(jù)科學家、數(shù)據(jù)工程師、AIOps工程師，或者是管理他們的人。大約四分之三的受訪者宣稱自己從事的工作與數(shù)據(jù)有關(guān)。在所有受訪者中，超過70%從事科技類工作。

地區(qū)分布

約有50%的受訪者來自北美，其中大多來自美國，美國受訪者占了40%。然后是西歐受訪者，占了23%，亞洲占15%。南美、東歐、大洋洲、非洲占15%。

分析：今天的AI應(yīng)用現(xiàn)狀

在受訪者代表的機構(gòu)中，超過一半在AI應(yīng)用方面已經(jīng)進入“成熟”階段，也就是用AI分析、生產(chǎn)，還有大約三分之一正在評估。再看去年的AI調(diào)查結(jié)果，54%的受訪機構(gòu)聲稱在評估AI，只有27%進入“成熟”階段。在2020年的調(diào)查中，只有15%的受訪機構(gòu)沒有設(shè)立任何AI項目。

約有85%的機構(gòu)正在使用AI，當中大多用于生產(chǎn)，這是一個值得關(guān)注的亮點。似乎2019年制定的實驗性AI項目今年開始開花結(jié)果。

AI主要用在哪里呢？約有一半受訪者說他們用在研發(fā)領(lǐng)域，排名第二的是IT，有三分之一的受訪者選擇（請注意，這里可以多選）。

在選項中有兩個屬于企業(yè)的“功能部門”，也就是“營銷/廣告/PR”和“運營/設(shè)施/車隊管理”，每個都有大約20%的受訪者選擇。由此可以看出，受訪機構(gòu)看到了AI在功能部門的價值。

采用AI面臨的挑戰(zhàn)

在大多機構(gòu)內(nèi)，獲得并保留AI特殊技能仍然是AI應(yīng)用的一大障礙。今年，約有超過六分之一的受訪者聲稱招募并留下AI人才是AI應(yīng)用的一大障礙。2019年，大約只有18%的受訪者這樣認為。

但是缺少高技能人才并不是最大障礙。2020年，大約22%的受訪者認為缺少機構(gòu)支持才是最大問題，2019年也有很多人這樣認為。2019年和2020年，在AI應(yīng)用的各大障礙中，“缺少高技能人才、很難招到必要人才”排在第三位；“難以確認合適的商務(wù)用例”排在第二位，約有20%的受訪者選擇。

AI/ML技能短缺

我們還問調(diào)查者：在他們的機構(gòu)中，哪些機器學習（ML）和AI技能最欠缺。58%的受訪者認為最欠缺ML模型師、數(shù)據(jù)科學家，選擇的人最多。理解及維護一系列商務(wù)用例排在第二位，約有一半人選擇。還有40%的受訪者選擇“在數(shù)據(jù)工程領(lǐng)域缺少必要技能”。最后，還有約四分之一的人選擇“機構(gòu)缺少計算基礎(chǔ)設(shè)施技能”。

這項調(diào)查有一個地方很有趣：2020年的結(jié)果和2019年驚人相似。2019年的問題到了2020年仍然是問題，比例也基本一樣。2019年，57%的受訪者選擇“缺少機器學習建模和數(shù)據(jù)科學專家”，今年的比例是58%。這些技能都是機構(gòu)必需的，而且不太容易解決。例如，數(shù)據(jù)科學家是“混合物種”，不但要掌握精深的理論、技術(shù)知識，還要具備面向特定領(lǐng)域的實際商業(yè)知識。

可惜，很多數(shù)據(jù)科學家缺少實踐，所以機構(gòu)只能在工作中對新晉數(shù)據(jù)科學家培訓。正因如此，才會有那么多受訪者認為：嚴重缺少理解和維護特定商務(wù)用例的人才是一大問題，2019年有47%的受訪者選擇，今年上升到49%。數(shù)據(jù)科學家利用自己掌握的特定專業(yè)知識為AI找到適合的商務(wù)用例。機器學習建模師在實踐中積累知識，然后用這些特定商業(yè)知識補充技術(shù)知識。這兩種類型的從業(yè)者都需要提升軟技能，在團隊工作、傾聽、移情過程中提升。提升需要時間，也是經(jīng)驗的結(jié)果。

管理AI/ML風險

我們還問了受訪者這樣一個問題：當你們搭建部署ML模型時有哪些風險需要控制（多選）？調(diào)查結(jié)果顯示，所有機構(gòu)（尤其是AI項目處于“成熟”階段的機構(gòu)）全都認為應(yīng)該警惕設(shè)計使用ML/AI技術(shù)的內(nèi)在風險。

在“成熟”機構(gòu)中，大約有三分之二的人選擇“意料之外的結(jié)果/預(yù)測”，這是最大的單一風險因素。在“成熟”機構(gòu)中，排名第二的單一風險因素是“對ML模型的可解釋性和透明度進行控制”，約有55%的人選擇；至于“正在評估”的機構(gòu)，公平、偏見和道德風險排在第二位，有40%的人選擇。在“成熟”機構(gòu)眼中，公平、偏見和道德風險排在第三位，有48%的受訪者選擇。與正在評估的企業(yè)相比，“成熟”機構(gòu)更愿意對模型退化進行檢查，所以在“成熟”機構(gòu)中，AI模型退化是是第四大風險因素（約46%的人選擇）。

在調(diào)查時給出的選項有9個，因為是多選，受訪者可以全部選擇。我們發(fā)現(xiàn)，41%的受訪者至少選擇了4個，61%的受訪者至少選擇3個。

監(jiān)督式學習成主導(dǎo)、深度學習持續(xù)升溫

在所有AI應(yīng)用者中，監(jiān)督式學習技術(shù)仍然是最流行的ML技術(shù)。2019年，超過80%的成熟應(yīng)用者已經(jīng)使用這種技術(shù)，當時約有三分之二的受訪機構(gòu)還處在評估階段。到了2020年，約有73%的成熟AI活動已經(jīng)使用監(jiān)督式學習技術(shù)。

有一點需要注意，2020年，對于那些處于評估階段的機構(gòu)來說，深度學習技術(shù)已經(jīng)取代監(jiān)督式學習技術(shù)成為最流行的技術(shù)。數(shù)據(jù)可以說明一切：對于正在評估AI的機構(gòu)，有55%聲稱他們正在使用深度學習技術(shù)，有54%聲稱正在使用監(jiān)督式學習技術(shù)（多選）。對于成熟的AI應(yīng)用者，約有66%的受訪者聲稱他們正在使用深度學習技術(shù)，排在第二位，排在第一的是監(jiān)督式學習技術(shù)。

與正在評估的組織相比，在成熟接受者中，ML或者AI技術(shù)的使用率更高。換言之，二者有著很大的區(qū)別。例如，在成熟接受者中，大約23%的AI活動用到了遷移學習（Transfer learning）技術(shù)，而評估者只有12%。另外，在成熟者中機回圈（Human-in-the-Loop）AI模型更加流行。

在工作中選擇什么工具呢？78%的受訪者選擇至少2種ML技術(shù)，59%選擇至少3種，39%至少選擇4種。

主導(dǎo)性工具越來越重要

在AI工作中，TensorFlow仍然是最流行的工具。2019年和2020年，大約55%的受訪者選擇了它，比重保持不變。TensorFlow地位穩(wěn)固還告訴我們一個事實：深度學習、神經(jīng)網(wǎng)絡(luò)越來越流行。

2019年最流行的AI開發(fā)工具到了2020年仍在流行。在最流行的5種AI工具中，有4種要么以Python作為基礎(chǔ)，要么以Python作為主導(dǎo)。TensorFlow、Scikit-learn和Keras 保持穩(wěn)定，PyTorch份額增長，達到36%。

數(shù)據(jù)治理還不是當務(wù)之急

有超過五分之一的受訪機構(gòu)宣稱，它們引入了正式數(shù)據(jù)治理流程和（或）工具，用來支持或者補充AI項目。

26%的受訪者回應(yīng)稱會在2021年之前引入正式數(shù)據(jù)治理流程和（或）工具，35%預(yù)計會在未來3年引進，這是好消息。也有壞消息，AI接受者認為數(shù)據(jù)治理只是補充，并非基本要素。

數(shù)據(jù)溯源（Data provenance）、數(shù)據(jù)沿襲 ( data lineage ) 、一致性數(shù)據(jù)定義、豐富的元數(shù)據(jù)管理及其它良好的數(shù)據(jù)治理技術(shù)將會融入AI項目，并非疊加在AI項目之上。

我們可以將數(shù)據(jù)治理看成是軟件開發(fā)過程中的“可觀察性”（observability）部分：翻新已有系統(tǒng)讓它具備可觀察性是很難的，將可觀察能力植入系統(tǒng)倒是容易一些。同樣的，為系統(tǒng)或者服務(wù)建立數(shù)據(jù)治理能力容易一些，事后添加難一些。

要點匯總

回看調(diào)查報告我們總結(jié)一些要點，機構(gòu)在推進AI項目時可以參考：

——如果沒有制定計劃對AI進行評估，那你是時候迎頭趕上了。現(xiàn)在市場上有很多開源工具、庫、教程及其它，還有平易近人的通用語言（比如Python），進入AI的門檻大大降低。大多企業(yè)都在用AI做實驗，落后是有風險的。

——AI項目與軟件架構(gòu)、基礎(chǔ)設(shè)施、運營的主導(dǎo)趨勢保持一致。

——你可以從更宏觀的角度考慮：到處都在使用AI，不限于研發(fā)和IT。在調(diào)查中，許多受訪者聲稱他們在客戶服務(wù)、營銷、運營、財務(wù)及其它領(lǐng)域使用AI。

——要對組織進行培育，不能只是訓練模型。在AI應(yīng)用過程中，制度支持仍然是最大的障礙。如果你覺得AI能帶來助益，那就應(yīng)該花點時間解釋關(guān)鍵問題，比如如何保持期待、為什么可以期待、有何期待。

——在AI執(zhí)行過程中會有風險存在，現(xiàn)在我們對風險有了更好的理解。當我們向高管、利益相關(guān)方解釋，告訴他們執(zhí)行AI項目時有何期待，解釋起來會更容易一些。

大總結(jié)

很明顯，AI正在變得成熟起來，雖然許多用例看起來很原始，但它仍然一天一天變得成熟。應(yīng)用者正在采取積極措施控制常見風險。不論是成熟還是不成熟的應(yīng)用者，它們都在用復(fù)雜技術(shù)做實驗，開發(fā)自己的AI產(chǎn)品和服務(wù)。應(yīng)用者使用多種ML和AI工具，但使用的語言基本只有一種，也就是廣泛流行的Python。如果想擴大AI實踐規(guī)模，企業(yè)還有幾件事要做：解決數(shù)據(jù)治理和數(shù)據(jù)調(diào)理問題。

譯者：小兵手