机器学习项目失败的原因

数据科学与传统软件开发之间的脱节是另一个主要因素。传统的软件开发往往更具可预测性和可衡量性。

数据科学研究通过多次迭代和试验而向前发展。有时，由于选择的度量标准不会驱动用户行为，因此整个项目将不得不从部署阶段返回到计划阶段。

传统的基于敏捷的项目交付可能不适用于数据科学项目。对于在常规软件开发项目的每个任务周期结束时一直在努力交付清晰结果的领导者来说，这将造成大规模的混乱。

标记数据的不可用是另一个阻碍机器学习项目的挑战。《麻省理工学院斯隆管理评论》杂志指出，76%的人通过尝试自己标记和注释训练数据来应对这一挑战，而63%的人甚至尝试构建自己的标记和注释自动化技术。

这意味着数据科学家在标记过程中无法充分利用其专业知识。这是有效执行人工智能项目的主要挑战。

这就是许多公司将标记任务外包给其他公司的原因。但是，如果标记任务需要足够的领域知识，则将标记任务外包是一个挑战。如果组织需要保持数据集之间的质量和一致性，则必须投资于标记人员的标准化培训。

如果要标记的数据很复杂，则另一个选择是开发自己的数据标记工具。但是，与机器学习任务本身相比，这通常需要更多的成本。

很多人认为，只需要投入一些资金和技术来解决问题，其结果就会自动出现。

但是他们没有看到组织领导者提供正确的支持来确保成功所需的条件，而组织领导者有时对数据科学家开发的模型没有信心。

这可能是由于组织的领导者对人工智能缺乏了解，以及数据科学家无法向他们传达模型具有业务利益的原因。

最终，组织的领导者需要了解机器学习的工作原理以及人工智能对组织的真正意义。

（编辑：鹰潭站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!