如果企業想在明年AI/ML實踐中取得實質進展，請留意這份調查揭示的2021年十大關鍵趨勢。

如果你對細節不感興趣，那麼不妨記住該份報告最重要發現：企業正在提升AI/ML專案戰略高度並賦予優先性，增加相應招聘和開支。不過，收穫付出仍面臨巨大挑戰。

十大關鍵趨勢具體如下。

1、各企業增加了了AI/ML的預算和專案優先性；

2、企業正在更廣泛的場景案例中採用AI/ML，客戶體驗和工作流程自動化被認為最能應對經濟不穩定，也是最受關注的領域；

3、儘管大多數企業擁有超過25個模型，40%的企業的採納模型甚至超過50個，但企業之間差距懸殊；

4、企業在部署AI/ML模型時面臨的主要挑戰是模型治理（Governance ）；

5、技術整合與相容性（technology integration and compatibility）仍然是實現AI/ML成熟度主要挑戰；

6、隨著AI/ML專案利害關係和複雜性增加，協作的需求也在增加；

7、組織一致性是實現AI/ML成熟度的最大差距；

8、部署模型所需時間增長了64%;

9、38%的企業將一半以上的資料科學家都用在模型部署上——並且，規模越大，情況越糟；

10、購買第三方解決方案的企業每年在基礎設施上的花費平均減少了19-21%，並且在生產中實際節約成本可能會更高。

2020年是許多企業勒緊褲腰帶的一年。2020年5月，Gartner曾預測隨著商業和技術領袖重新聚焦最重要的舉措，全球IT支出增長會下降8%。

幸運的是，最近由總部位於西雅圖的初創公司Algorithmia（為企業提供一個獨立於雲計算的人工智慧自動化平臺）釋出的一份報告《2021年企業機器學習趨勢報告》（2021 enterprise trends in machine learning）顯示，2020年的驚濤駭浪不僅沒有阻礙早已開始的相關努力，許多企業反而明顯提升AI和ML專案的戰略高度並賦予優先順序，增加相應的招聘和開支。

這也是這家企業連續第三年釋出此類報告，也是迄今為止最為全面的一份。他們聯絡到403名參與機器學習計劃的商業領袖（來自收入在1億美元或以上公司）。除了發現這些企業的IT部門正在增加相應的預算和員工人數，今年的調查還揭示了企業應該關注的十個關鍵趨勢。

報告提示，儘管預算和人員都在增加，但這並不等於勝利果實唾手可得。目前，市場仍然由早期採用者主導，企業需要繼續應對模型部署和組織等方面的挑戰。

總體而言，報告作者仍然對AI/ML在2021年的潛力持樂觀態度。隨著市場空間不斷成熟，進入門檻也在不斷降低，不論你的企業規模、所在行業如何以及有何獨特的基礎設施需求，是時候投資AI/ML了。

一 企業對AI/ML的資金、人力投入不斷增加

Algorithmia的2020年報告強調，各企業在疫情之前就已經增加了對人工智慧/ML的投資。然而，COVID-19的出現加速了這一程序。

2021年的調查顯示，83%的企業增加了AI/ML的預算，資料科學家的平均人數同比增長了76%。

76%的組織將AI/ML優先於其他IT計劃。（本報告中的資料均為四捨五入到最接近的百分比，因此總和沒有達到100%）

64%的組織在過去一年提高了AI/ML的優先順序。

83%的組織同比增加了AI/ML預算。

受僱的資料科學家的平均人數同比增長76%。

此外，客戶體驗和工作流程自動化被認為最能應對經濟不穩定，也是最受關注的領域。這意味著，2020年的鉅變迫使企業把注意力集中在最重要的優先事項。由於客戶體驗和流程自動化直接與ROI掛鉤（前者吸引新客戶以及留住現有客戶、後者降本增利潤），業務模式最為清晰，客戶也最願意買單。過去為做一個AI/ML專案而做的奢侈已經不復存在。

報告顯示，企業正在更廣泛的場景案例中採用AI/ML，擁有超過5個AI/ML案例的組織的百分比同比增長了74%。

當組織在這些領域獲得有形ROI時，也更有動力嘗試其他領域創新。這也是企業擴張AI應用案例範圍關鍵原因之一，這些組織也試圖超越實驗，實現更為顯著的ROI。

表示擁有超過5個的受訪者所佔的百分比，AI/ML用例同比增長了74%

50%或更多企業正在增加AI/ML使用。

值得注意的是，儘管大多數企業擁有超過25個模型，40%的企業的採納模型甚至超過50個，但是，企業之間的差距還是很大的：

規模較小的企業，擁有100個模型以上的僅佔比7；規模最大的企業擁有100以上模型的佔比41%。

世界上最大的企業正佔據模型規模的頂端。

二 模型治理仍然是企業部署AI/ML的主要挑戰

企業在部署AI/ML模型時面臨的主要挑戰是模型治理（Governance ）。大約56%的企業將治理、安全性和可稽核性問題列為重點關注事項，67%企業的AI/ML需要遵守多個規則。

56%的組織在治理、安全性和可稽核性方面面臨挑戰。

67%組織的模型必須遵守多種規則。

此外，技術整合與相容性（technology integration and compatibility）仍然是實現AI/ML成熟度的主要挑戰。49%的組織仍將基本的整合問題列為關注點。

而且，隨著AI/ML專案利害關係和複雜性增加，跨部門協作需求也在增加。強勁、持續的業績絕對依賴於這樣的團隊建設方法。

成功的AI/ML計劃需要跨組織協調。

更廣泛角色正在領導或參與AI/ML戰略和運營，而且這種跨部門性在企業成功使用AI的衡量標準中也得到明顯體現。

企業正在為AI/ML專案的成功，採納各種度量標準。

最後，實現AI/ML成熟度方面，組織一致性（Organizational alignment ）企業之間的最大鴻溝。儘管很多企業在相關調查事項上將自己視為高度或中度成熟，但涉及組織一致性時，結果往往相反。

組織一致性是實現AI/ML成熟度的最大差距。

三 效率低下，AI/ML部署的最大陷阱

正如前文所示，企業越來越重視AI/ML，並增加了預算和人員。然而調查顯示，隨著企業對AI/ML投資的增加，模型部署花費的時間反而更多了。

因此，Algorithmia認為，企業正在透過不斷增加的員工手動擴大AI/ML的工作規模，而不是解決運營效率方面的潛在問題。

資料顯示，66%的企業需要一個月或更長的時間開發一個訓練過的模型。在將模型部署到生產過程時，只有11%的企業表示他們能在一週內完成，64%的企業需要一個月或者更長時間。

只有11%的組織能夠在一週內將模型投入生產。

然後，被開發出的模型還必須投入生產，資料顯示，只有11%的人表示他們能在一週內將一個經過培訓的模型部署到生產中。大多陣列織(64%)需要一個月或更長的時間。

這意味著，當企業決定部署AI/ML時，從開發一個訓練過的模型到將其擴充套件到生產地步還需要數年甚至數月的時間。更重要的是，部署一個模型(一旦它被開發出來)所需要的時間實際上越來越長。

部署一個模型所需要的時間逐年增加

另外，38%的企業將一半以上的資料科學家都用在模型部署上——並且，規模越大，情況越糟。資料科學家花在模型部署上的時間實際上也隨著生產中的模型數量的增加而增加。資料顯示，生產中擁有最多模型的組織在模型部署上花費的資料科學家的時間最多。

38%的企業將一半以上的資料科學家用在模型部署上

這種方式極大限制了企業發展的長期可持續性。如果企業專注於提高操作效率，資料科學家就可以專注於建立創新的模型，而不是執行手工操作任務。

四 使用第三方MLOps使基礎設施上的花費平均減少了19-21%

隨著AI/ML市場的成熟，企業對基礎設施的部署也出現了一些有趣的趨勢。

首先，企業有越來越複雜的環境來部署模型。在我們2021年的調查中，71%的受訪者表示他們使用混合環境(包括多個雲或本地基礎設施提供商)來部署模型，42%的受訪者擁有混合環境，包括雲和本地解決方案。而在2020年的調查中，擁有混合環境的企業比例還只有16%。

71%的組織擁有混合環境，42%擁有云和本地基礎設施的結合

關於如何使用模型部署和管理基礎架構，企業有四種不同的選擇:1、從頭開始構建和維護自己的系統；2、將開源元件整合到一個內部維護的系統中；3、將商業點解決方案整合到一個內部維護的系統中；4、使用由供應商支援的第三方平臺。

調查顯示，在擁有超過100個模型的組織中，60%的組織選擇從頭開始構建和維護他們自己的系統，但是在其他組織中只有35%的組織選擇這樣做。報告傾向認為這些企業是AI/ML領域的早期採用者，構建自己的方案是唯一選擇。

選擇第3或第4種方案的被統稱為「購買第三方解決方案」， 這對應於MLOps是構建還是購買的決策。

2021年調查資料顯示，購買第三方解決方案的企業每年在基礎設施上的花費平均減少了19-21%，並且在生產中實際節約成本可能會更高。（該報告使用了一種保守的方法來計算平均基礎設施成本，它折現了成本譜中較高的一端。由於大部分處於高成本範圍的企業都是從頭開始構建他們自己的解決方案，他們的平均成本可能被低估了）。

購買第三方解決方案比自己建立解決方案便宜19-21%。

購買第三方解決方案的組織也傾向於在模型部署上花費更少的時間。

購買第三方解決方案的組織會減少資料科學家在模型部署上的時間

最後，這些企業傾向於更快地將他們的模型投入生產。平均而言，他們將一個經過訓練的模型投入規模化生產所需的天數比白手起家的組織要少31%。

對於購買第三方解決方案的組織來說，部署模型所需的時間要少31%

「新冠疫情在許多領域挑戰了我們的假設。在這種快速變化的環境下，企業正在重新考慮他們的投資，並看到了AI/ML在不確定時期推動收入和效率的重要性。」Algorithmia CEO Diego Oppenheimer說。

「在疫情之前，從事人工智慧/ML專案的企業最擔心的是缺乏有技能的內部人才。如今，企業更加擔心如何更快地將ML模型投入生產，以及如何確保它們的效能。讓人感到欣慰的是，這類問題的關鍵是在於如何最大化AI/ML投資的價值，而不是企業如何研究人工智慧/ML。」

五 結論

2021年將是AI/ML計劃的關鍵一年。很多企業已經感受到部署AI/ML的緊迫性和重要性，並且在優先順序、支出和人員配置方面不斷增長投資。並且，利用第三方供應商，企業將不再需要從頭開始構建和維護自己的基礎設施。

同時，2021年會從AI/ML中獲得最大收益的企業是那些投資於運營效率和規模的組織。這些企業能更有效地將他們的AI/ML投資用用於其業務產生最顯著的地方。

2021年，那些採取大膽措施擴大AI/ML規模的企業和其他企業之間的差距肯定會擴大。企業是時候行動起來做出改變了。