IBM在機器學(xué)習(xí)落地中的挑戰(zhàn)和經(jīng)驗如下：

挑戰(zhàn)1：企業(yè)級平臺——“工欲善其事，必先利其器”

企業(yè)級機器學(xué)習(xí)平臺同任何企業(yè)級平臺或者應(yīng)用一樣，首先面臨的是模型的可操作性問題，需接受準(zhǔn)確性、高性能、可重復(fù)性、可測量性、適應(yīng)性、魯棒性等多方面的考量；其次，當(dāng)模型部署后，還需應(yīng)對生命周期的管理和協(xié)作問題，包括模型的管理、模型的升級換代、模型中不同人員間的協(xié)作等等問題。對此，IBM的策略為結(jié)合新開源軟件、企業(yè)數(shù)據(jù)和IBM特有的企業(yè)軟件經(jīng)驗開發(fā)IBM 企業(yè)級機器學(xué)習(xí)平臺，且IBM 數(shù)據(jù)科學(xué)平臺榮獲了Gartner 和 Forrester 報告雙料冠軍。

挑戰(zhàn)2：場景——“沒有場景的AI只是空中樓閣”

海量歷史數(shù)據(jù)的場景為王。原因在于：其一，機器學(xué)習(xí)落地成功的項目與場景的選擇密相關(guān)；其二，機器學(xué)習(xí)離不開海量數(shù)據(jù)的支持。IBM有許多人工智能助力交通管控、機器學(xué)習(xí)輔助城市規(guī)劃、機器學(xué)習(xí)預(yù)測租房價格等多個場景案例和成果成效。

挑戰(zhàn)3：人才——“AI領(lǐng)域最貴的是人才”

在企業(yè)級落地機器學(xué)習(xí)的項目中，人才是一個非常重要的因素。一方面原因是，機器學(xué)習(xí)需要人去教會機器怎么學(xué)習(xí)，另一方面原因是，企業(yè)人才和技能的儲備不足，而企業(yè)也不會等真正儲備夠后才開始做項目。在此方面，IBM提供了多種路徑和平臺，包括認知學(xué)堂、IBM機器學(xué)習(xí)中心及產(chǎn)品案例和應(yīng)用。

人工智能項目在真正落實的時候，動力和阻力很多時候是來自于技術(shù)之外的，包括組織架構(gòu)、思想、企業(yè)文化層面。第一，從技術(shù)的角度而言，人工智能已經(jīng)到了一個可以嘗試性的解決很多問題的階段,但是不能低估人工智能在實驗室和企業(yè)級客戶當(dāng)中作為項目落地兩者之間的差別。第二,在機器學(xué)習(xí)項目落地過程中，很多非技術(shù)的東西在影響著項目的成敗，需從頂層設(shè)計之時加以考慮。