由AI趋势工作人员提供
机器学习有可能使更多的业务流程自动化，而不是目前企业软件中的自动化，基于所有前几代的软件开发方法。
这是位于丹麦的ERP软件供应商Unit4的首席技术官Claus Jepsen提出的建议。
丹麦Unit4公司首席技术官克劳斯-杰普森
"根据我的经验，通常只有不到20%的业务流程在企业软件中被自动化。我相信，在短短两到三年内，我们可以看到高达80%的常规业务流程被ML自动化，"Jepsen在 福布斯最近的一个账户中表示 。
机器学习的大部分内容，他描述为通过人工智能算法创造自动化的能力，是统计分析，从计算数字、识别模式和根据过去的结果预测未来的结果。所有这些都可以通过标准的逻辑编程来完成。
ML能够改善商业结果的程度 "目前是微不足道的，"他建议，以财务预测的准确性为例，对许多更大的因素敏感，而不是算法如何随着时间的推移完善自己。" Jepsen说："如果你一开始就没有统一、准确和完整的数据，简单地将ML应用于它本身并不会导致更好的商业决策。
界定业务问题是软件开发人员一直面临的同样挑战。"就Gartner的 炒作周期而言，ML目前正处于期望值膨胀的高峰期，"他说。"你不能简单地把ML扔在一桶大数据上，并期望它神奇地提出一个完美的商业计划。"
业务流程中需要一些判断或预测的点，以及准确度的小幅提高会对业务有很大好处的点，是ML自动化的候选人。围绕着让人工智能发挥作用的努力的人类是至关重要的。他们需要决定用例，并确保数据的质量足够高，以便发挥作用，然后再给算法一个任务，然后训练它。
"迄今为止，人类的思维是宇宙中最好的模式匹配机器，"杰普森说。"普通的两岁小孩在看过两三只猫后可能就能正确识别，而ML算法可能需要看到2000只才能确定。但是，一旦经过训练，ML擅长处理大量的数据，而且处理速度非常快，同时日复一日地执行重复的、乏味的任务，不会感到厌烦。"
机器学习在非洲大行其道
这种机器学习将自动化扩展到软件开发迄今为止所取得的成就之外的洞察力，延伸到了非洲，那里的机器学习正在取得进展。据 《非洲智能CIO》的报道，IDC分析师预计，随着企业继续投资于使用人工智能软件和平台的项目，中东和非洲的人工智能支出有望保持强劲增长势头 。
IDC对IT领导者的调查发现，ML改善了客户和员工的体验，并导致企业的创新率加快。
Fady Richmany，高级总监和总经理，阿联酋戴尔技术公司
同样的挑战也适用：挑选一个好的候选业务问题，用ML实现自动化，并确保数据可用，使其发挥作用。作为其中的一部分， "识别和了解他们试图解决的问题是否可以通过机器学习而不是传统软件更好、更准确地解决，是关键，"阿联酋戴尔技术公司高级总监兼总经理Fady Richmany说。
谈到ML的候选应用，Richmany说："企业可以利用机器学习来保留客户，因为ML系统可以研究客户行为，并确定保留客户的潜在步骤。此外，他们可以利用ML帮助进行市场研究和客户细分，使他们能够在正确的时间提供正确的产品和服务，同时还能获得对特定客户群体购买模式的宝贵见解，以更好地满足他们的需求。"
ML平台购买或构建的考虑因素
致力于追求机器学习的人工智能软件开发的公司面临着一个决定，即是购买还是构建所需的ML平台。
西雅图Kaskada公司的数据科学负责人Charna Parkey在最近的 builtin中指出："构建一个解决方案需要数年时间和人力" 。Kaskada正在建立一个机器学习平台，旨在实现功能工程的协作和生产中的可重复成功。
例如，Airbnb花了三个月的时间来决定在他们的ML平台中建立什么，并花了四年时间来建立它；他们称之为Bighead。它的开发人员使用了一系列的开源技术，努力用他们自己的服务和用户界面来 "修复生产道路上的差距"。这意味着他们必须支持多种框架、功能管理以及模型和数据转换。在类似的经历中，Uber已经在其名为Michaelangelo的平台上工作了5年。而Netflix在四年多前就开始了它的平台，据Kaskada说，该平台还在继续开发中。
寻找所需人才始终是一个挑战。基本的决定是，是雇佣一个经过经典培训的数据科学家，还是雇佣一个领域专家并提升技能。"我选择了提升技能，"卡斯卡达说，而且她并不孤单。普华永道在2020年调查的约46%的组织报告说，他们正在推出人工智能提升技能，以处理向更多人工智能的转变，38%的组织正在实施认证计划。
她说，购买一个预建的ML平台可以节省构建的初始成本，节省 "定制的、脆弱的工作流程 "的整合成本，而且它还带有专门的外部支持。它还减少了新员工上岗使用专有软件的时间。转移到预建平台的成本包括必须采用新的工作流程，而不是根据公司现有的工作流程进行建设，也许还要告诉开发人员他们最喜欢的工具已经不再流行了。
"不是所有的平台都能支持你的全部ML业务或你公司的独特需求，"Kaskada建议。"仔细评估。"
新书。 真实世界的人工智能：负责任的机器学习的实用指南
一本新书的作者建议，在应用ML的现实世界中，人们刚刚开始了解这些挑战。 真实世界的人工智能：负责任的机器学习的实用指南这本书的作者是Alyssa Simpson Rochwerger和Wilson Pang，他们是应用机器学习的两位资深从业者。Rochwerger是IBM Watson的前产品总监，Pang是Appen的首席技术官，Appen是一家专注于提高ML应用的数据质量的公司，位于澳大利亚的Chatswood。
"在大公司的试验阶段，只有20%的人工智能能够进入生产阶段，而且许多人未能像他们所能提供的那样为他们的客户提供服务，"Rochwerger和Pang在《 真实世界的人工智能 》中写道 ， 根据最近在 TechTalks上对该书的描述 。 "在某些情况下，这是因为他们试图解决错误的问题。在其他情况下，这是因为他们没有考虑到所有的变量或潜在的偏见，这对一个模型的成功或失败至关重要。"
当涉及到数据时，现实世界与人工智能的学术根基发生了冲突。
"当在现实世界中创建人工智能时，用于训练模型的数据远比模型本身更重要，"Rochwerger和Pang在《 现实世界人工智能》中写道 。"这是对学术界所代表的典型范式的颠覆，在学术界，数据科学博士们把大部分的注意力和精力都花在创建新模型上。但学术界用于训练模型的数据只是为了证明模型的功能，而不是解决实际问题。在现实世界中，可用于训练工作模型的高质量和准确的数据的收集是非常棘手的。"
