人工智能（AI）的采用正在加速。企业正在寻找新的方法来部署人工智能来改变他们的业务并获得竞争优势。随着机器学习（ML）的力量被从大量数据中挖掘出来的洞察力所推动，人工智能不再仅仅是1%，而是迅速成为大众可以实现的目标。最近的调查首席信息官引述说，80%的公司正在考虑人工智能项目，这在一定程度上促成了上市的ML框架的爆炸式增长。事实上，组织平均使用七种不同的ML工具和框架，包括Tensorflow、Keras、sci kit learn、Pytorch等。所有这些工作的关键是打破从数据源到数据团队的整个分析工作流程中的筒仓。通过采用统一的分析方法，您可以引入运营效率来推动创新。在本系列博客的第三期中，我们关注2018年最具影响力的人工智能趋势，以及2019年我们应该为之感到兴奋的是，我们询问正在为人工智能成功铺平道路的领先公司，他们对人工智能采用率的上升有何看法，以及在未来一年将出现哪些新的挑战。2018年，我们看到人工智能越来越成为各行业的主流，但仍然很难驾驭并投入生产。你如何看待2019年的变化？更多来自工程和DevOps的参与"我看到工程和DevOps团队越来越多地参与人工智能。他们已经认识到人工智能是一种将继续存在的东西，需要不同于先前理解的方法。随着ML模型的集装箱化成为规范，数据科学家被视为21世纪的开发者，这将促进新工具和语言的采用和掌握。"史蒂芬·高尔斯华绥，库比数据科学主管简化生产流程"我是波士顿Databricks ML研讨会的特邀发言人，并就Databricks统一分析平台和雪花的使用举办了一次网络研讨会。老实说，大部分问题都是关于最后一英里的这一部分。因此，虽然我确信我们会继续改进我们的工艺和技术，但我也希望有机会代表Databricks宣传生产准备和流程。"Stephen Harrison，Rue Gilt Group的数据科学架构师将ML的承诺与业务需求联系起来"真正利用ML并不容易。这对管理人员很有吸引力，但不仅在算法方面，而且在存储、数据处理、软件开发等方面都需要大量的工作。这些人才很难找到，而且成本高昂，而且往往被要求在公司中成为"独角兽"。这个核心问题不会消失，但会出现更多垂直的具体解决方案，框架将寻求自动化更多的过程。ML集成专家在提供ML和业务之间的联系以确保实现价值方面是至关重要的。随着技术框架使部署变得更容易，组织将体验到ML的成功，而不是拥有最好的数据科学家，而是通过确保针对正确的业务挑战快速测试应用程序。"Bradley Kent，LoyaltyOne项目分析副总裁同样的挑战，不同的年份"在生产中部署人工智能的最大障碍是组织孤岛、人才以及缺乏能够支持端到端管道的数据和基础设施。好消息是，大多数企业正在数字化其流程，与Databricks等合作伙伴合作，并重新调整组织结构，以促进人工智能的部署。"尼尔森首席研究官马祖达尔（Mainak Mazumdar）在整个业务中整合ML专业知识"在库存过剩的情况下，我们不断改进团队合作的方式。为此，我们在组织的各个方面整合了机器学习。有一个AI或ML专家向CEO报告的重要性也非常重要，原因有两个。首先，它让人工智能和机器制造业在谈判桌上占有一席之地，带来了这项技术如何在不同部门相互交织的想法；其次，它向组织的其他成员表明，人工智能和人工智能对于创新和在快速发展的行业中的竞争至关重要。"Kamelia Aryafar，Overstock首席算法官人工智能正在取得进展，它似乎正处于一个理解和采用的阶段，它正在跨越鸿沟，并逐渐在所有企业和行业中得到广泛采用，以支持各种用例和业务需求。与过去几年的主要区别是，企业准备将ML模型和AI技术以比以往任何时候都更大规模地投入生产。在本系列博客的第4期中，我们将进一步探讨这个话题，因为不同的公司将分享他们与人工智能的进展，以及他们认为人工智能将如何影响2019年自己的业务的预测。免费试用Databricks。今天就开始吧