在過去的幾年里，人工智能在機器學習方面取得了驚人的進步，如深度學習。深度學習是機器學習的一個更廣泛的領域，它關注計算機的學習能力而不需要編程。深刻的學習已經(jīng)取得了一些難以置信的成功。

可以說，現(xiàn)代深度學習的時代可以追溯到2012年的ImageNet挑戰(zhàn)。ImageNet是一個數(shù)百萬的圖像數(shù)據(jù)庫，使用名詞，例如“草莓”，“檸檬”和“狗”等進行分類。在這個挑戰(zhàn)期間，卷積神經(jīng)網(wǎng)絡（CNN）可以達到16％的錯誤率（在此之前，最好的算法只能達到25％的錯誤率）。

深度學習最大的挑戰(zhàn)之一是需要訓練數(shù)據(jù)。需要大量的數(shù)據(jù)來訓練網(wǎng)絡來做最基本的事情。這些數(shù)據(jù)也必須相對干凈，才能創(chuàng)建具有任何有意義的預測價值的網(wǎng)絡。對于許多組織來說，這使機器學習變得不切實際。創(chuàng)建神經(jīng)網(wǎng)絡的機制不僅僅是具有挑戰(zhàn)性的（盡管這本身就是一個艱巨的任務），而且也是組織和構造足夠的數(shù)據(jù)來做一些有用的事情的方法。

世界上有大量的數(shù)據(jù)，根據(jù)調查研究，預計2025年全球數(shù)據(jù)量將超過180澤字節(jié)（1澤字節(jié)等于10的20次方）。全球有99％的數(shù)據(jù)尚未分析，超過80%的數(shù)據(jù)是非結構化的這意味著人們正在收集的數(shù)據(jù)中有很多機會和隱藏的寶藏。然而令人遺憾的是，這些數(shù)據(jù)中的很大一部分都沒有進行分析。

那么，企業(yè)可以做些什么呢？

企業(yè)需要考慮與今天的做法不同的數(shù)據(jù)。數(shù)據(jù)必須被認為是信息和分析的基石。必須收集回答一個問題或一組問題。這意味著它必須具有以下特征：

·準確性：雖然顯而易見，但數(shù)據(jù)必須準確。

·完整性：數(shù)據(jù)必須是相關的，并且必須提供回答問題所需的數(shù)據(jù)。數(shù)據(jù)不完整的一個明顯的例子是一個教室里有30個學生，但是老師計算的平均數(shù)只有15個。

·一致性：如果有一個數(shù)據(jù)庫表示一個班有30名學生，而另一個數(shù)據(jù)庫表明同班有31名學生，那么這是一個問題。

·唯一性：如果學生在兩個不同的數(shù)據(jù)庫中有不同的標識符，這是一個問題，因為這會帶來信息不完整或不一致的風險。

·及時性：數(shù)據(jù)可能會改變，人工智能模型可能需要更新。

除了數(shù)據(jù)本身之外，還有嚴重的制約因素，可能會阻礙分析和深入學習，其中包括安全性和訪問、隱私、合規(guī)性、知識產(chǎn)權保護，以及物理和虛擬障礙。這些限制需要考慮。如果它擁有所有的數(shù)據(jù)，但由于各種原因無法訪問數(shù)據(jù)，它并不能幫助企業(yè)。通常，需要采取諸如清理數(shù)據(jù)的步驟，以便不會有私人內容。有時需要在共享數(shù)據(jù)的各方之間達成協(xié)議，有時需要進行技術性的工作，才能將數(shù)據(jù)轉移到可以分析的地方。最后，需要考慮數(shù)據(jù)的格式和結構。例如，行業(yè)專家在研究美聯(lián)儲的個人項目的匯率從40年前回落的問題，然后發(fā)現(xiàn)其中有一個令人頭痛的時刻，那就是從1999年起有一個不連續(xù)點：歐元已經(jīng)取代了大多數(shù)歐洲貨幣。有一種方法可以緩解這個問題，但是令人深感不滿。因為遺留數(shù)據(jù)可能很豐富，但可能與當前的問題不兼容。

這個故事的寓意是人們被大量數(shù)據(jù)所困擾，但是這些條件通常不允許數(shù)據(jù)被使用。有時候，企業(yè)是幸運的，只要努力一點，就可以把數(shù)據(jù)塑造得很好。企業(yè)經(jīng)常需要重新思考如何將數(shù)據(jù)收集或轉換成可消費的表格。可以達成協(xié)議來共享數(shù)據(jù)或合并數(shù)據(jù)集，但完整性問題往往依然存在。

如前所述，成功的關鍵是從一個問題開始，然后構建培訓數(shù)據(jù)或收集正確的數(shù)據(jù)來回答問題。盡管收集培訓數(shù)據(jù)存在巨大障礙，但企業(yè)對數(shù)據(jù)科學家日益增長的影響力所顯示的更高質量的數(shù)據(jù)顯然是一種推動。專家非常樂觀地認為，高質量的培訓數(shù)據(jù)將會得到改善，從而使各種規(guī)模的企業(yè)更廣泛地采用人工智能。