机器学习的应用已经被越来越多的机构所采用，虽然机器学习具有很大的潜力，并已经变得越来越常见，但该领域仍然面临着来自于一些技术、机构、哲学方面的挑战。
人才稀缺 – 企业经常需要数据科学家来操作他们的机器学习系统，而拥有这些技能的员工也成为最受追捧的对象。他们的薪水是科技行业中最高的，近年来平均薪酬一直在快速上涨。然而，数据显示，随着供应商推出具有自助服务功能的机器学习软件，使得非数据科学家可以使用它，人才稀缺的问题可能会得到缓解。
缺乏数据驱动的文化 – 虽然大多数高管都明白数据驱动的决策和机器学习技术的潜在好处，但让大企业的每个人改变自己的思维和行为往往是一个漫长而缓慢的过程。机器学习倡导者在尝试推广技术时经常遇到内部障碍。
数据质量较差 – 如果提供模型的数据不准确，世界上最好的人工智能系统也无法得到好的结果。许多研究机构发现，在充分利用机器学习软件之前，他们需要改进数据清理和数据管理流程。
数据集成 – 在许多组织中，数据仍驻留在孤岛应用程序和存储解决方案中。将所有不同的数据馈送到机器学习系统中可能会带来挑战，但是供应商正在用可接受各种数据类型和格式的解决方案来解决这个问题。
数据安全性 – 一方面有限制数据访问的需要，另一方面又有使用数据提供机器学习系统的需求，在这两种需求中取得平衡可能会比较麻烦。一些组织可能需要更新他们的策略，或使用加密或匿名数据的机器学习工具。
基础设施要求 – 先进的机器学习系统可在多个快速CPU和GPU的硬件上运行，并且这种运行结果很好。另外，为了将数据从存储移动到应用程序，它们需要大量的存储空间和适当的网络功能。
道德上的两难困境 – 人工智能越来越像人类，但缺乏道德意识，和考虑到大多数人的决策。例如，当微软发布了一个名为Tay的社交媒体机器人，它具有机器学习能力时，很快就学会了说不适当的和令人反感的东西。有专家呼吁科技公司要确保人工智能系统遵循严格的道德规范，防止他们犯罪，危害人类甚至消灭人类。
恐惧 – 许多人发现通用的人工智能或机器学习特别令人不安。他们担心电脑会接管他们的工作，这是有道理的。 Forrester预测，到2025年，机器人，人工智能（AI），机器学习和自动化等认知技术将取代美国7％的就业机会。包括特斯拉和SpaceX首席执行官伊隆·马斯克（Elon Musk）在内的其他人担心机器学习会对人类构成生存威胁。
无论这些恐惧是否属实，但如果你还是想要去了解一下机器学习，就要想办法克服这些恐惧