本文摘要：IBM的研究人员指出，由于概率性编程模式和恐慌的数据，目前AI对企业而言无法匹敌，日前，IBM的沃森和阿尔马安研究中心公布了一篇题目为《刻画机器学习过程：一个成熟度框架》的论文，明确提出许多充满希望的建议，同时也似乎了一个实质性的问题：这家蓝色巨人否能明确提出“驯服”AI这匹野兽的方法使其限于于企业的软件生命周期和业务流程呢？

IBM的研究人员指出，由于概率性编程模式和恐慌的数据，目前AI对企业而言无法匹敌，日前，IBM的沃森和阿尔马安研究中心公布了一篇题目为《刻画机器学习过程：一个成熟度框架》的论文，明确提出许多充满希望的建议，同时也似乎了一个实质性的问题：这家蓝色巨人否能明确提出“驯服”AI这匹野兽的方法使其限于于企业的软件生命周期和业务流程呢？IBM研究人员得出的建议是，必须细心考虑到机器学习的多个阶段，还包括管理者应当如何为神经网络模型“原作目标”、如何为神经网络的输出建构数据管道（datapipeline）的示例、以及如何大大递归和改良AI模型。另外，不受管制产业必须特别注意一些地方，比如数据血统：所用于的数据的“合法性”是什么？AI对企业的挑战在于机器学习编程和传统软件编程之间的本质区别：传统的软件应用程序是确定性的，但机器学习模型是概率性的。另外，用于夹杂的数据来研发神经网络，这对企业而言并不适合。然而，截至目前关于机器学习建模的学术文献并没明确提出如何使机器学习为企业工作的解决方案。

为了使AI超过限于于企业的成熟度，IBM的科学家建议将机器学习和大量有关诸如“应用于生命周期管理”的文献保持一致，并拓展此类术语的含义以适应环境AI的新特性。IBM明确提出，一个机器学习的生命周期涵括了各个阶段，企业必需在持续基础上大大为已完成某个阶段的工作作好打算。

研究人员糅合了WattsHumphrey在20世纪80年代对软件能力成熟度模型（CapabilityMaturityModel，CMM）的定义，CMM是对软件的组织在定义、实行、度量、掌控和提高其软件过程的实践中各个发展阶段的叙述，其假设是：只要持续创建有效地的软件工程过程的基础结构，不断改进管理的实践中和过程，就可以解决软件生产中的艰难。这项工作最完整的贡献是研究人员关于神经网络不应根据一个特定行业的特殊性展开研发的建议，而为了寻找AI的业务用例，企业必须自定义行业和领域标准化的机器学习模型，并针对类似的情况获取类似的数据。

似乎，IBM正在企图解决问题一个棘手的问题，事实上，机器学习的很多方面并无法与简练规范的CMM互为协商，特别是在是深度自学。比如，IBM建议在企业内部监督下创建一套AI服务数据引领系统（AIServiceDataLead），在工作开始时，用作训练机器的数据被张贴上groundtruth（参照标准，即用作有监督训练的训练集的分类准确性）的标签，然而依然有许多并未不受监督的机器学习企图在神经网络设计中靠近groundtruth。或许最令人望而却步的前景是，在IBM显然，企业有责任保证神经网络不不存在偏差，而偏差正是令其整个AI社区都抓耳挠腮的棘手问题。

IBM在论文中回应，负责管理研发神经网络的人员必须确保最后创建的模型是公正、半透明、没偏差的。最后，尽管IBM的建议看上去极为热情，但或许现阶段的机器学习尚能处在一种“未开化”的状态，正如论文的结尾所叙述的那样，“企业对使用AI模型犹豫不决的另外一个原因就是，他们找到AI模型就像一个不半透明的黑匣子，这点特别是在在用深度自学技术对模型展开训练时更为引人注目。

本文来源：大发BET-www.parisestmontreuil.com