Gartner预测AI下一章：机遇、风险与采纳障碍
机器学习和人工智能正逼近炒作周期的"期望膨胀峰值"阶段。
Gartner总监分析师Peter Krensky在网络研讨会上概述了ML/AI现状、未来五年及可能影响采纳、开发、部署的挑战。
据Krensky称，ML和AI接近炒作周期"期望膨胀峰值"。增强/虚拟现实已跌入峰值后的"幻灭低谷"，自动驾驶车和无人机过峰值但未触底。
尽管如此，AI/ML仍有大量未开发行业。"仅40%顶尖企业视AI为颠覆性变革。"Krensky说。"许多组织甚至整个行业才刚触及ML可能性边缘，留有大量空白地带。"
推动AI/ML持续发展的因素之一是学术、科学、企业核心理念的对齐。超90%行业用Python编写AI/ML算法和平台，广泛使用相同开源库(Apache、TensorFlow)和云基础设施(AWS、Azure)。
这种对齐带来更大行业协同效应，未来招聘人才时将显价值。
全行业稳步迁移上云，但约30-45%仍在本地运行AI/ML。Krensky认为许多组织在构建AI/ML项目上投入过多，回避预训练模型和云基础设施等低成本替代方案，而结果相差无几。
"我们必须习惯ML基础设施在云端、专有和开源组件不断演进的新常态。"Krensky说。"每年都有新开源框架冒出，两年前没听说过，现在天天谈论。"
审视AI实施方式，Gartner提出四种模型：
- 接力棒模式——AI处理任务繁琐部分，人工完成其余。
- 共生模式——AI弥补人类弱点，如秒级处理海量数据。
- 增强分析模式——AI作为人工操作员的训练师或向导，从数据提供分析洞察。例：AI项目建议古希腊铭文缺失词句。
- 理智检查模式——AI执行大部分功能，人工待命监控错误。例：客服机器人将棘手案例转人工。
Gartner调查显示，56%业务领袖称员工技能是AI/ML采纳最大挑战。Krensky提到，多数ML开发者年轻，经验不足五年，任职不足两年。
此外，Gartner认为项目成功需多专业人员协作。数据科学家、数据工程师、ML专家、领域专家各司其职，但组织常依赖知识广博的数据工程师。
第二大挑战是理解AI效益和用例。Krensky建议组织正确管理AI项目，不盲目全面投资，聚焦财务合算的几个关键领域。
数据范围和质量是第三大挑战，Krensky认为应列首位。缺乏妥善数据管理、质量检查和数据治理，AI/ML项目更易失败。
物联网技术