AI現狀 人才短缺成為障礙

去年，我們感覺到大家對AI的興趣已經接近狂熱，所以我們就AI應用發起調查。調查完成之后我們分析結果，認為AI行業處在快速變化的階段，所以我們又發起一次調查，想搞清眼下AI主要應用于哪些行業。

調查花了幾周時間，收到 1388 份回應報告。最新的調查告訴我們在企業領域 AI 應用到了怎樣的程度（已經從原型向生產階段過渡），調查還涉及具體技術和工具的流行程度，應用者面臨怎樣的挑戰，以及其它一些問題。

下面讓我們總結一下：

關鍵調查結果：

——約有 85% 的受訪機構聲稱它們正在評估 AI，或者將 AI 應用于生產。只有 15% 的機構在 AI 方面沒有采取任何行動。

——超過一半的受訪機構是“AI 技術成熟的應用者”，換言之，它們正在用 AI 完成分析、生產任務。

——在成熟 AI 應用者中，監督式學習是最流行的機器學習技術，在那些仍在評估AI的機構中，機器學習是最流行的技術。

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

受訪者分布

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

數據科學家占主導，企業高管具有代表性

大約六分之一的受訪者是數據科學家，高管（比如主管、副總裁、CxO）占了樣本的 26%。從調查看，受訪者的確嚴重偏向數據，有 30% 的受訪者是數據科學家、數據工程師、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據有關。在所有受訪者中，超過 70% 從事科技類工作。

地區分布

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 應用現狀

在受訪者代表的機構中，超過一半在 AI 應用方面已經進入“成熟”階段，也就是用 AI 分析、生產，還有大約三分之一正在評估。再看去年的 AI 調查結果，54% 的受訪機構聲稱在評估 AI，只有 27% 進入“成熟”階段。在 2020 年的調查中，只有 15% 的受訪機構沒有設立任何 AI 項目。

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

AI 主要用在哪里呢？約有一半受訪者說他們用在研發領域，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的“功能部門”，也就是“營銷/廣告/PR”和“運營/設施/車隊管理”，每個都有大約 20% 的受訪者選擇。由此可以看出，受訪機構看到了 AI 在功能部門的價值。

采用 AI 面臨的挑戰

在大多機構內，獲得并保留 AI 特殊技能仍然是 AI 應用的一大障礙。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

我們還問調查者：在他們的機構中，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、數據科學家，選擇的人最多。理解及維護一系列商務用例排在第二位，約有一半人選擇。還有 40% 的受訪者選擇“在數據工程領域缺少必要技能”。最后，還有約四分之一的人選擇“機構缺少計算基礎設施技能”。

這項調查有一個地方很有趣：2020 年的結果和 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據科學專家”，今年的比例是 58%。這些技能都是機構必需的，而且不太容易解決。例如，數據科學家是“混合物種”，不但要掌握精深的理論、技術知識，還要具備面向特定領域的實際商業知識。

可惜，很多數據科學家缺少實踐，所以機構只能在工作中對新晉數據科學家培訓。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%。數據科學家利用自己掌握的特定專業知識為AI 找到適合的商務用例。機器學習建模師在實踐中積累知識，然后用這些特定商業知識補充技術知識。這兩種類型的從業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，也是經驗的結果。

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）？調查結果顯示，所有機構（尤其是 AI 項目處于“成熟”階段的機構）全都認為應該警惕設計使用 ML/AI 技術的內在風險。

在“成熟”機構中，大約有三分之二的人選擇“意料之外的結果/預測”，這是最大的單一風險因素。在“成熟”機構中，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，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。與正在評估的企業相比，“成熟”機構更愿意對模型退化進行檢查，所以在“成熟”機構中，AI 模型退化是是第四大風險因素（約 46% 的人選擇）。

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

監督式學習成主導、深度學習持續升溫

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

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

與正在評估的組織相比，在成熟接受者中，ML 或者 AI 技術的使用率更高。換言之，二者有著很大的區別。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，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，59% 選擇至少 3 種，39% 至少選擇 4種。

主導性工具越來越重要

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 地位穩固還告訴我們一個事實：深度學習、神經網絡越來越流行。

2019 年最流行的 AI 開發工具到了 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，要么以 Python 作為主導。TensorFlow、Scikit-learn 和 Keras 保持穩定，PyTorch 份額增長，達到 36%。

數據治理還不是當務之急

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

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

數據溯源（Data provenance）、數據沿襲 ( data lineage ) 、一致性數據定義、豐富的元數據管理及其它良好的數據治理技術將會融入 AI 項目，并非疊加在 AI 項目之上。

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

要點匯總

回看調查報告我們總結一些要點，機構在推進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。大多企業都在用 AI 做實驗，落后是有風險的。

——AI 項目與軟件架構、基礎設施、運營的主導趨勢保持一致。

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

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

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

總結

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用者，它們都在用復雜技術做實驗，開發自己的 AI 產品和服務。應用者使用多種 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 實踐規模，企業還有幾件事要做：解決數據治理和數據調理問題。

原文鏈接：https://developer.aliyun.com/article/764536?spm=a2c6h.12873581.0.dArticle764536.603a66e35ETgGf&groupCode=aliyunmit