很多人都擔心又一波 AI 寒冬即將到來。雖然 ML 解決方案并不缺乏，但得到企業實際部署的不過十分之一。為此，我們有必要通過五種戰術顯著降低部署成本。另外，也希望這篇文章能幫助企業 ML 高管、經理以及從業人員深入思考并快速采取行動。這將是我們抵御“AI 寒冬”的一道屏障。

1. 一個故事

在了解到我在此前文章中提出的“數據科學很無聊”結論之后，來自加拿大某銀行的高級經理 Michelle 提出了一項積極的 ML 議程，并跟我進行了熱烈的討論。

Michelle 負責監督該銀行的 ML 概念驗證（PoC）產品組合。在每個概念驗證項目中，她都需要確定某種 ML 技術在 4 到 6 個月周期之內能否給企業帶來價值。她希望讓目標更進一步——不只是完成更多概念驗證，而是真正部署更多 ML 項目。順帶一提，她目前的部署率僅為 13% 左右。

這就引出了兩個重要問題: 我們為什么無法部署更多 ML 解決方案？又一波 AI 寒冬是否即將來臨？

我先簡要回答一下：是的，如果大家還沒提升 ML 解決方案的部署率，那么又一輪 AI 寒冬確實來了。你和你的數據科學團隊將成為對抗這波寒流的最后一道防線。如何對抗？解決五大核心挑戰以繼續保持發展勢頭。否則，你和你的團隊將失去這份“二十一世紀最性感的工作”（不是我說的，但網上都這么傳）。

2. 宏觀圖景：AI 的關注與供應情況

自 2012 年以來，我們經歷了一波堪稱形勢大好的“AI 之春”，真可謂是智能春風吹滿地。隨著技術的突破、深度學習的一步步商業化以及計算資源成本的持續降低，再加上谷歌與英偉達等巨頭廠商的推動，人們對 AI 的關注一路水漲船高。

但必須承認，從上世紀六十年代開始，幾乎每十年就會興起這么一波 AI 之春，但隨后總會出現嚴重的 AI 寒冬，具體表現包括：1）懷疑態度占據主流；2）資金投入大幅削減。

現在人們的懷疑態度又占據主流了嗎？好像是的（或者至少出現了端倪）。當今市場上出現了各種各樣的觀點，我們可以通過谷歌搜索趨勢進行一番總結。簡單來講，目前的趨勢是：雖然關注度仍然很高，但似乎正在趨于平緩。

2019 年 10 月 18 日谷歌趨勢圖

資金投入大幅削減了嗎？

暫時還沒有。目前的資金流主要分為兩種：風險投資與企業資金。根據畢馬威發布的一份報告，如果將 2018 年第一季度與 2019 年第一季度的投資資本與歷史交易進行比較，就會發現整體風險投資市場都有所降溫。但風投資金的絕對數額仍然可觀，而且 AI 繼續在其中充分最熱門的領域（直到風投們找到更好的機會為止）。從供應角度看，AI 初創企業與人才可能將繼續保持增長勢頭。

數據整理自 2019 年 10 月 28 日

另一方面，企業定義著 AI 的真正需求與未來命運，這是因為：1）企業才是 AI 初創公司的目標客戶；2）企業雇用最多 ML 技術人才。 遺憾的是，企業的內部 AI 項目投資數額大多不對外公開。

因此，我們只能通過以下基本原理進行推斷：企業是否正著手部署 AI 解決方案以真正實現（而不只是口頭支持）這一新興技術承諾的價值？如果答案是肯定的，那么他們一定會保持或者增加必要的資金投入。

3. 微觀圖景：AI 的需求情況

下面讓我們著眼具體層面，看看近年來企業到底如何使用以及部署 AI 功能。

1）N= 來自北美、歐洲以及亞洲的 114000 家機構；2）國際分析機構；3）《福布斯》，2019 年

注意事項: a) 此次調查并不能代表整體情況。某些企業肯定會部署超過 10% 的 AI 項目；我就見過部署比例在 25% 到 40% 之間的公司，但其規模一般比較小。b）我們不清楚 10% 的部署是否算高。由于公開數據比較有限，我們無法比較 ML 與非 ML 概念驗證項目之間的部署率差異，也無從判斷 10% 的部署率能否帶來足夠抵消全部概念驗證項目總成本的投資收益；但普遍看法是，“我們還可以做得更好。”c）各項調查涵蓋不同的企業，但主要面向北美地區的大型組織機構。

我的主要觀點是： 如果企業沒有部署更多 ML 解決方案，則代表內部對 AI 技術的需求將有所減少；ML 人才將失去耐心并選擇離開；風險投資方將把資金轉移到其他更有希望的項目當中；高管們會失去信心并削減 AI 項目的資金預算。最終，歷史將重演：另一波 AI 寒冬必然到來，我的后背都有點發涼了。

4. AI 寒冬極簡史與目前的核心問題

引發 AI 寒冬的原因有很多，可能來自政治、技術以及社會等各個層面。Libby Kinsey 就曾經撰寫文章分析目前的具體形勢。好消息是：以往的很多限制性因素，例如數據（要提供質量更高的訓練數據，勢必需要更強大的服務與工具）、處理能力、商業準備程度以及整體數字化水平等，都得到了顯著改善。壞消息是：我們仍然面對著一大無法回避的障礙（某些舊問題仍然存在，只不過相對得到了緩解）。

在本次調查涉及的企業中，最核心的問題在于 AI 部署的經濟性。正如采用其他任何技術一樣，這也是整個 AI 行業必須克服的關鍵性難題。而且只有盡早采取行動，這些經濟因素才能得到解決。

我的好友 Joan Didion 寫道 ，“生活中的改變總是在一瞬間發生，普普通通的一瞬間。”我們無法預測事情最終將變成什么樣，因此無論 AI 寒冬是否真的存在，我們都應該保持警惕、積極籌備并嚴陣以待。

因此，讓我們深入思考當前企業為什么只部署了大約十分之一的 ML 概論驗證項目；我們又該為此做點什么。

5. 聊點具體的，再談談戰術

簡而言之，ML 解決方案部署起來太太太貴了。我們可以把部署工作拆分成以下五個子問題，理解了這些核心問題之后，我們才能逐一將其攻破。

1) 流程： 從概念驗證到部署的途徑尚不明確。大多數企業在組織內部設定概念驗證思路，確定優先級順序并為部分前景光明的創意提供資金。在試點項目訓練完成后，大家會開幾瓶香檳慶祝一下，然后就沒有然后了。很多團隊都不清楚接下來該干啥，例如從哪里申請資金，以及跟誰一道將概念驗證擴展為生產級解決方案。實際上，這本身就是個問題，詳見第 3 點。

核心問題: 如何從概念驗證走向生產系統？

解決方案: 先劃撥一筆專款用于預部署。設定明確的部署標準來分配預算資金（例如與舊有模型相比，新模型的準確性至少要提高 2%）。另外，設定確切流程注入后續資金。接下來，制定整合流程，并盡早與 IT 及運營專家開展磋商。如果要對概念驗證項目進行最終部署，還必須配備一套資源配置規劃方案。

2) 激勵： 概念驗證項目的 KPI 設置不當。ML 概念驗證項目通常隸屬于企業中的大規模創新舉措。但多數企業往往在 ML 項目中承繼了整體創新的基本目標，即重在學習、而非實際部署。這相當于設置了錯誤的動機與期望。因此，數據科學團隊通常專注于嘗試前沿技術，而未能在創新與工程可行性之間取得平衡。換言之，他們最終拿出的是可演示的解決方案，而非可集成的實際成果。他們分享的是關于技術本身的知識，而非將技術納入核心業務體系的方法。激勵驅動行為，行為決定結果，請務必牢記這一點。

核心問題: 如何幫助團隊構建更多可部署的解決方案？又該如何培養擁有必要能力的團隊？

解決方案: 把 KPI 的關注重點從“學習”轉化為“可部署創新成果”。努力在創新性與可部署性之間取得平衡。另外，要強調完備的工程設計（具備可行性，在證明價值之前不要過度設計）。最后，對交付成果進行標準化，具體涵蓋可供演示的可部署應用程序、整合計劃以及關于學習、利弊以及潛在風險的業務案例。

3) 團隊： 很多概念驗證團隊并不具備合適的技能儲備。不少數據科學團隊只追求構建模型，而不愿意接手工程或者運營方面的工作。正如第 2 點所述，激勵與總體期望在這方面起到決定性作用。如果沒有采用正確的工程實踐，團隊只會在嘗試部署時面臨重重障礙。我們可以想象這樣的場景：在投入 4 個月時間構建一套出色的概念驗證方案后，高管們也都表示贊許。但在嘗試部署后，我們突然意識到至少還需要一年半的時間進行重新設計、組建正確團隊并推動工程盡職調查，才有可能讓項目真正落地——這無疑會嚴重影響到投資回報。

核心問題: 如何讓團隊構建起可部署的解決方案？又該如何培養擁有必要能力的團隊？

解決方案: 聘請對工程技術擁有豐富經驗以及工作熱情的數據科學家。如果沒有合適的人選或者薪酬要求過高，不妨邀請內部工程及運營團隊的專家組建混合團隊。如果這些方式都不靈……也可以在 LinkedIn 上碰碰運氣 。

4) 技術： 現有基礎設施不足以支撐 ML 項目。開發與生產環境之間存在著巨大的數據與工具差異。結果就是，在我們將解決方案從開發環境遷移至生產環境時，往往需要進行一系列額外的重構與測試。從數據角度來看，大多數生產數據無法在開發模型中使用。在使用生產數據時，機器學習模型的性能可能發生顯著變化。而從工具的角度出發，開發模型中包含大量用于創新目的的新型工具，但生產環境無疑更傾向使用穩定性高且具備可擴展性的舊有工具（并不是壞事）。

核心問題: 如何選擇既能實現創新、又可穩定運行的最佳技術棧？如何進行整合與簡化？

解決方案: 創建一套沙箱環境，用于托管經過清潔且與生產環境高度統一的數據。設定一套實施準則，幫助團隊在 ML 工作流中選擇正確的工具（例如，如果生產環境不支持 Python Pandas，請始終使用良好的舊 SQL 實施開發環境中的數據流水線傳輸；在不同關鍵組件之間切換語言相當麻煩，請務必謹慎）。另外，即使某些基礎設施與安全團隊表示反對，也請允許并鼓勵團隊使用 Docker 架構實現高層應用程序堆棧的靈活部署。最后，結合 ML DevOps 實踐。

5) 政策： 變革往往會遭遇激烈的反對。相信很多朋友都聽說過關于變革以及企業文化轉變的討論，但我在這里仍然要再強調一下。與任何新思維、新工具或者新流程的引入一樣，懷疑、不熟悉或者誤解等問題的存在，總會帶來一定程度的不確定性。結果就是，團隊將更多時間耗費在內部爭論身上，并最終失去了概念驗證項目的最佳落地時機。

核心問題: 如何獲得利益相關方的支持？

解決方案: 統一的價值觀與利益訴求。建立起擁有正確且清晰價值主張的用例。盡早引導上、下游流程參與進來，確保高管及運營層面的利益相關方了解項目、參與項目。與他們共同設計解決方案，通過第 2 點中提到的流程收集專業意見，并盡早獲得支持。另外，記得分階段推進項目進度。最后，也記得找位在企業內混得游刃有余的老大哥幫忙協調各方意見，這同樣非常重要。

總  結

如果我們不部署更多 ML 解決方案，人們將會逐漸喪失信心，企業則把注意力轉移到更有前途的機會身上，以往的 AI 寒冬終將再次上演。但我堅信，阻礙 ML 部署的很多問題完全可以快速解決，其中有些屬于 ML 技術面臨的特殊問題，也有些源自企業內的固有限制。

但歷史就在我們手中，我們的努力將決定下一波 AI 寒冬是否到來！各位 ML 高管、經理以及從業者，我們是對抗 AI 寒冬的最后一道防線，加油！