#机器学习# 【67%受访者认为由于缺乏易用型工具，导致企业采用机器学习速度被拖缓】
机器学习（ML，Machine learning）现在在许多行业扮演着关键角色。企业管理层正在敦促他们的技术团队加速机器学习在企业内部的采用，以推动创新和长期增长。
但是，这些商业领袖对大规模机器学习部署的期望，与工程师和数据科学家实际上能够按时、大规模地构建和落地该技术的现实之间存在脱节。
#Forrester# 近日发布了一项受 Capital One 委托的研究，大多数高管对在整个企业中部署机器学习感到兴奋，但数据科学家则表示，他们还没有掌握大规模开发机器学习解决方案所需的所有工具。
商业领袖喜欢将机器学习视为轻松上手的机会：“只需将数据输入某种黑匣子，就会出现有价值的学习结果。”但那些利用公司数据构建机器学习模型的工程师们知道，事情远比这复杂得多。数据可能是非结构化的或质量差的，并且需要做到合规、合法并满足许多安全参数。
这种期望与现实之间的巨大差距目前无法解决，但第一步是促进团队之间的坦诚交流。然后，领导层才能开始在整个组织（企业）中普及机器学习。
（机器学习的）民主化意味着技术和非技术团队都可以使用强大的#机器学习工具# ，并得到持续学习和培训的支持。
非技术团队可以使用用户友好的数据可视化工具来改进他们的业务决策，而数据科学家可以访问强大的开发平台和云基础设施，他们需要这些工具才能有效地构建机器学习应用程序。
戳链接查看详情：
67%受访者认为由于缺乏易用型工具，导致企业采用机器学习速度被拖缓
机器学习（ML，Machine learning）现在在许多行业扮演着关键角色。企业管理层正在敦促他们的技术团队加速机器学习在企业内部的采用，以推动创新和长期增长。
但是，这些商业领袖对大规模机器学习部署的期望，与工程师和数据科学家实际上能够按时、大规模地构建和落地该技术的现实之间存在脱节。
#Forrester# 近日发布了一项受 Capital One 委托的研究，大多数高管对在整个企业中部署机器学习感到兴奋，但数据科学家则表示，他们还没有掌握大规模开发机器学习解决方案所需的所有工具。
商业领袖喜欢将机器学习视为轻松上手的机会：“只需将数据输入某种黑匣子，就会出现有价值的学习结果。”但那些利用公司数据构建机器学习模型的工程师们知道，事情远比这复杂得多。数据可能是非结构化的或质量差的，并且需要做到合规、合法并满足许多安全参数。
这种期望与现实之间的巨大差距目前无法解决，但第一步是促进团队之间的坦诚交流。然后，领导层才能开始在整个组织（企业）中普及机器学习。
（机器学习的）民主化意味着技术和非技术团队都可以使用强大的#机器学习工具# ，并得到持续学习和培训的支持。
非技术团队可以使用用户友好的数据可视化工具来改进他们的业务决策，而数据科学家可以访问强大的开发平台和云基础设施，他们需要这些工具才能有效地构建机器学习应用程序。
戳链接查看详情：
67%受访者认为由于缺乏易用型工具，导致企业采用机器学习速度被拖缓
