IBM在机器学习落地中的挑战和经验如下：

挑战1：企业级平台——“工欲善其事，必先利其器”

企业级机器学习平台同任何企业级平台或者应用一样，首先面临的是模型的可操作性问题，需接受准确性、高性能、可重复性、可测量性、适应性、鲁棒性等多方面的考量；其次，当模型部署后，还需应对生命周期的管理和协作问题，包括模型的管理、模型的升级换代、模型中不同人员间的协作等等问题。对此，IBM的策略为结合新开源软件、企业数据和IBM特有的企业软件经验开发IBM 企业级机器学习平台，且IBM 数据科学平台荣获了Gartner 和 Forrester 报告双料冠军。

挑战2：场景——“没有场景的AI只是空中楼阁”

海量历史数据的场景为王。原因在于：其一，机器学习落地成功的项目与场景的选择密相关；其二，机器学习离不开海量数据的支持。IBM有许多人工智能助力交通管控、机器学习辅助城市规划、机器学习预测租房价格等多个场景案例和成果成效。

挑战3：人才——“AI领域最贵的是人才”

在企业级落地机器学习的项目中，人才是一个非常重要的因素。一方面原因是，机器学习需要人去教会机器怎么学习，另一方面原因是，企业人才和技能的储备不足，而企业也不会等真正储备够后才开始做项目。在此方面，IBM提供了多种路径和平台，包括认知学堂、IBM机器学习中心及产品案例和应用。

人工智能项目在真正落实的时候，动力和阻力很多时候是来自于技术之外的，包括组织架构、思想、企业文化层面。第一，从技术的角度而言，人工智能已经到了一个可以尝试性的解决很多问题的阶段,但是不能低估人工智能在实验室和企业级客户当中作为项目落地两者之间的差别。第二,在机器学习项目落地过程中，很多非技术的东西在影响着项目的成败，需从顶层设计之时加以考虑。