企业在机器学习应用中必须吸取的经验和教训
发布时间：2021-06-09 21:01:20 所属栏目：大数据 来源：互联网
导读：很多企业对于机器学习在业务中的应用可能会有一些不切实际的期望。行业专家为此分享了企业在投入生产时通常会感受到的5个硬道理。 在商业世界中，机器学习(ML)应用程序的持续宣传和炒作有其合理的原因。机器学习(ML)可能是当今最为普及的人工智能(AI)领域。
|
很多企业对于机器学习在业务中的应用可能会有一些不切实际的期望。行业专家为此分享了企业在投入生产时通常会感受到的5个硬道理。
在商业世界中，机器学习(ML)应用程序的持续宣传和炒作有其合理的原因。机器学习(ML)可能是当今最为普及的人工智能(AI)领域。虽然人工智能和机器学习紧密相关，但并不是可以互换的术语。机器学习已经融入到许多业务应用程序以及面向客户的服务中，并且可以自我学习的机器听起来很酷。
企业在机器学习应用中需要吸取的经验和教训
但是，正如许多IT主管说的那样，采用新技术可能会导致一些不切实际的期望。为此，一些机器学习和数据科学专家分享了企业和团队在采用机器学习技术时需要吸取的经验和教训。
1.没有建立合适的团队
企业可能拥有足够的数据量和计算能力，但是如果团队中没有适合的人才，也会对业务发展造成影响。
Very公司数据科学业务负责人Jenn Gamble博士说：“我经常强调的一件事是，企业需要建立密切合作的跨学科团队来构建机器学习产品。而数据科学家很少自己做到这一点。”
机器学习(ML)的成功应用需要具备更多的能力和技能，Gamble指出以下是关键的技能：
•机器学习建模
•数据管道开发
•后端/API开发
•前端开发
•用户界面(UI)和用户体验(UX)
•产品管理
Gamble说：“没有人在这些领域中拥有所有技能，因此有必要将拥有不同技能的人集中在一起，并鼓励他们在整个过程中紧密合作。”
2.没有在业务期望和技术现实之间架起桥梁
Gamble还建议负责实施机器学习(ML)计划的团队还要纳入与行业专家和最终用户紧密合作的工作人员，这些人并不一定是技术人员。
Gamble说，“重要的是要有人担任人工智能产品经理，与传统的产品经理一样，他们的工作将集中在如何使用最终机器学习技术上：最终用户是谁，他们的工作流程是什么，以及他们将根据所提供的信息做出什么决定。”
大多数IT专业人员都可以理解这个问题，无论他们拥有什么特殊的技能：在业务上期望机器学习(ML)能做什么和实现之间可能会有一些差距(或者是巨大的差距)。
Gamble说：“从机器学习建模的角度来看，将业务理解、数据理解、可能实现的功能结合在一起也增加了复杂性。正如许多优秀的产品经理都是软件工程师一样，我认为很多优秀的人工智能产品经理也是数据科学家，尽管这是一个新兴领域，走上这条路的人并不多，但我们将看到，对这一角色的需求将会继续增长。”
3.对真相有太多的版本
机器学习的一个基本现实：模型或算法只取决于所提供的数据。
Indico公司首席执行官Tom Wilde说，“对于人工智能和机器学习来说，人们最好把它想像成一只非常聪明的鹦鹉，它对于为学习预期任务而提供的培训输入数据非常敏感。”
但这导致了不同的学习方式：人们(甚至是同一团队中的成员)如何感知特定业务流程或服务的现实可能存在很大的差异。
Indico公司使客户可以让多个人参与为模型建模而对培训数据进行标记的过程。他认为这就像投票一样：每个利益相关者在流程或任务中都有发言权。最近，该公司的一家客户有六个人参加了数据标记过程，虽然在短期内最终失败，但获得了长期利益。
Wilde说：“一旦建立了模型，他们发现模型的性能非常差，经过进一步调查，他们发现这六个人对如何标记训练样本有完全不同的看法。这反过来迫使他们就特定任务进行了非常有价值的对话，并使他们能够更好地对特定用例的‘基本事实'有着深入的理解。”
 （编辑：鄂州站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
