数据、技术和人才已触手可及，使人工智能和机器学习能够惠及所有商业公司。
毫无疑问，人工智能及其子领域机器学习曾经历过期望膨胀后随之而来的失望周期。这些周期被一些人称为“AI寒冬”，可追溯至几十年前。
早期失败
例如，在20世纪50年代和60年代，美国政府资助了语言机器翻译的研究。当时的希望是能够将俄语文件即时翻译成英语。但到1966年，由七名科学家组成的政府团队——自动语言处理咨询委员会（Automatic Language Processing Advisory Committee）发布的一份报告，essentially 终结了美国长达约十年的机器翻译研究。
安德鲁·波拉克在1983年4月《纽约时报》的文章“技术：计算机作为翻译者”中写道：“计算机研究人员讲述了一个早期的计算机化语言翻译系统，该系统通过将其从英语翻译成俄语，然后再翻译回英语来测试其功能。”
“‘意志坚定，但肉体软弱’变成了‘伏特加很好，但肉已经腐烂’。同样，‘眼不见心不念’变成了‘看不见，疯了’。”
当今的AI-ML
根据试图用人工智能和机器学习解决的问题不同，早期的研究人员很可能会在数据收集与组织、处理这些数据所需的计算能力（即技术），以及解决问题的人才可用性方面遇到问题。
在不同时期以不同方式，这种挑战组合——数据、技术、人才——影响了AI-ML的应用方式。
如今的情况已大不相同。许多企业，包括大多数大型公司，都在使用AI-ML来解决各种各样的问题，从校准高精度制造设备到管理庞大的机器人履行仓库（不妨问问亚马逊）。
AI-ML已解决了许多与语言相关的问题。例如，Google的Word2vec算法可以学习词语关联，并防止出现诸如“伏特加很好，但肉已经腐烂”这样的误解。
谷歌和其他搜索引擎在使用这一概念时，旨在理解搜索查询中涉及的实体。
数据。如今，数据的收集、存储和共享已不再是主要问题。使用遗留系统的从业者可能会遇到将数据从这些旧系统传输到现代数据库的困难，但总体而言，这并不构成重大挑战。
技术。运行人工智能或机器学习模型所需的计算能力曾经高不可攀。想象一下在1966年与2021年进行机器翻译的难度差异。
技术已不再是利用人工智能-机器学习解决实际业务问题的障碍。照片：阿里·沙赫·拉卡尼。
Rackspace Technology首席技术官Jeff DeVerter表示，在AI发展的早期阶段，研究人员拥有“愿景，但缺乏实现的能力”。
与此形成对比的是当前的情况，DeVerter说：“任何拥有一台性能尚可的电脑、显卡以及GPU [图形处理单元] 来分担部分处理工作的人，不仅可以运行ML模型，还能让模型进行学习。”
单台计算机并不理想，难以用于将机器学习应用于制造运营或简化库存管理。然而，德弗特所描述的机器学习可行性表明，技术已不再构成障碍。
人员。历史上，人工智能-机器学习需要稀缺的专业数据科学家。即使技术具备实现有意义的人工智能-机器学习的能力，也缺乏足够的专家使其走向主流。但在2021年左右，这种情况已不复存在。
DeVerter说：“首先，任何高中毕业且数学基础良好的人，都有能力花六个月或一年时间修读[来自Fast.ai的Jeremy Howard的课程]，成为一名机器学习和数据科学从业者。”
DeVerter继续说道：“有很多非常聪明的数据科学家，也有AI模型在幕后帮助处理一些科学问题。你不需要在每个项目上都配备数据科学家，当然更不需要一个数据科学家团队。”
人们不再是AI-ML的障碍。
面向所有人的AI-ML
如今，即使是小型商业公司也在利用AI-ML。它已嵌入到许多或大多数软件即服务平台中。例如，Google和Facebook的广告平台中也存在AI-ML。
下一步是中小型商业公司利用AI-ML来解决与其具体情况相关的问题。
DeVerter表示：“AI-ML对最小的公司也是100%可访问的。”