机器学习有望为企业带来许多令人振奋的机遇，但在抵达终点之前，仍有诸多障碍需要跨越。许多企业仍在遗留系统中挣扎，在投资更先进技术方面进展缓慢。但当前更为紧迫的问题，即技术行业长期存在的难题，是合格人才供给不足，难以匹配这一快速变化且要求严苛的行业。
未知领域
从本质上讲，机器学习具有实验性，且往往难以预测——在企业真正开始理解数据以及哪种机器学习算法最有效之前，需要进行大量探索。尽管机器学习的不可预测性令人望而生畏，这在情理之中，但许多企业尚未充分认识到有效部署和管理机器学习所需的条件。
数据获取
获取数据是开展任何形式机器学习的关键，但几乎所有企业都设有限制访问特定信息和数据的政策。企业需要认识到，机器学习归根结底是由各类数据驱动的。因此，在遵守安全及其他数据治理要求的同时，持续、稳定地获取这些数据，对于算法发挥效能至关重要。即使企业的政策允许便捷地获取实时数据，他们仍需考虑如何整合众多数据集，以确保数据持续稳定地流动。机器学习模型不应基于一次性固定的数据集进行训练，因为模型的效能会随时间衰减，而应基于不断变化的数据进行持续训练，使模型能够随数据和系统的变化行为而演进。
技术过时
机器学习普及的另一大障碍是技术过时。许多企业仍依赖遗留技术和本地部署的数据系统，这使得有效处理和管理日益增长的数据量与数据多样性变得极具挑战。因此，IT专业人员花费过多时间手动编写代码，以理清混乱的数据并构建数据管道，而用于更高价值任务的时间则不足。
除旧布新
在技术问题上，企业面临两种选择：要么保持相对竞争对手的领先地位，要么面临被淘汰的风险。企业不仅需要改善用户体验、确保资源得到有效利用，还需要能够预判并预测用户的行为与期望，从而提供精准的推荐或可操作的洞察。为应对技术难题，企业不仅应投资于新兴云技术，还应投资于那些能够提供一定程度智能自动化、且只需极少编码的技术，以减轻IT专业人员的负担。
投资不仅适用于技术，也适用于员工培训与技能提升。企业应确保其员工，无论是IT部门人员还是各业务线人员，都具备充分运用这些新技术的能力，并定期接受培训，以更新和拓展其技能。
弥合技能差距
企业长期面临的另一大重大问题是缺乏技术人才。随着机器学习和云技术的应用日益普及，市场对能够有效运用这些工具的合格人才需求也相应增长。数据科学家和机器学习专家的数量正在增加，但现实是，这些专业技能需要时间培养。因此，目前的人才供给尚无法跟上需求。
解决人才短缺问题不应仅由企业承担，高校也应发挥作用。令人欣慰的是，高校每天都在增设机器学习和数据科学课程，部分高校已将这些新兴学科纳入某些学位的核心课程。但这还远远不够——学术机构为学生提供理论培训，而企业则可以基于现实商业问题提供洞察和实践经验。企业应主动与高校合作，帮助学生获得实际的在岗经验。其中一种做法是将工作经验设为课程要求。先进的高校规定，修读相关课程的学生必须在相关领域的一家公司工作一个学期。这不仅让学生有机会在多家不同公司工作，还能在企业需要招聘下一批全职员工时，大幅缩短招聘流程。
此外，企业还需要超越仅从高校招募毕业生来担任机器学习和数据科学岗位的思路。在技术人才供不应求的行业中，培训具备其他相关技能的现有员工，有助于弥合技能差距。令人惊叹的是，有大量宝贵且成本低廉的资源和材料可供人们自学，帮助他们学习编程并全面跟上新技术的发展。
我们开始观察到一个有趣的趋势：高级业务分析师和软件工程师等专业人员，正在拓展其在数据科学和机器学习方面的知识。例如，许多软件工程师对机器学习已有一定了解，因为机器学习本质上就是软件。虽然IT业务分析师可能不具备软件编程经验，但他们的领域知识、处理数据和分析的经验，以及一系列新兴的直观自助式技术工具，使他们同样能够利用机器学习。超越数据科学家的范畴，投资于具备其他有用技能的人才，不仅有助于缓解人才短缺，还能让更广泛的用户参与机器学习，为企业创造价值。
如何充分发挥机器学习的价值
机器学习和人工智能最终将渗透到应用和系统的各个方面，而不仅限于预测分析。但在这一切成为现实之前，我们仍有很长的路要走。企业需要坚决摆脱遗留系统，投资于能够使其保持领先地位的技术和资源。然而，如果企业不能确保员工具备充分发挥这些技术作用的能力，这一切都将徒劳无功。与高校和职业培训学校的合作，不仅对于引进新鲜人才至关重要，也有助于确保员工不断拓展其技能与知识。
所有这些发展都预示着光明的未来，机器学习将被广泛采用，以应对未来企业面临的紧迫挑战。
