企業(yè)在機器學習應用中需要吸取的經(jīng)驗和教訓
在商業(yè)世界中，機器學習(ML)應用程序的持續(xù)宣傳和炒作有其合理的原因。機器學習(ML)可能是當今最為普及的人工智能(AI)領域。雖然人工智能和機器學習緊密相關，但并不是可以互換的術語。機器學習已經(jīng)融入到許多業(yè)務應用程序以及面向客戶的服務中，并且可以自我學習的機器聽起來很酷。
企業(yè)在機器學習應用中需要吸取的經(jīng)驗和教訓
但是，正如許多IT主管說的那樣，采用新技術可能會導致一些不切實際的期望。為此，一些機器學習和數(shù)據(jù)科學專家分享了企業(yè)和團隊在采用機器學習技術時需要吸取的經(jīng)驗和教訓。
1. 沒有建立合適的團隊
企業(yè)可能擁有足夠的數(shù)據(jù)量和計算能力，但是如果團隊中沒有適合的人才，也會對業(yè)務發(fā)展造成影響。
Very公司數(shù)據(jù)科學業(yè)務負責人Jenn Gamble博士說：“我經(jīng)常強調(diào)的一件事是，企業(yè)需要建立密切合作的跨學科團隊來構建機器學習產(chǎn)品。而數(shù)據(jù)科學家很少自己做到這一點。”
機器學習(ML)的成功應用需要具備更多的能力和技能，Gamble指出以下是關鍵的技能：
- 機器學習建模
- 數(shù)據(jù)管道開發(fā)
- 后端/API開發(fā)
- 前端開發(fā)
- 用戶界面(UI)和用戶體驗(UX)
- 產(chǎn)品管理
Gamble說：“沒有人在這些領域中擁有所有技能，因此有必要將擁有不同技能的人集中在一起，并鼓勵他們在整個過程中緊密合作。”
2. 沒有在業(yè)務期望和技術現(xiàn)實之間架起橋梁
Gamble還建議負責實施機器學習(ML)計劃的團隊還要納入與行業(yè)專家和最終用戶緊密合作的工作人員，這些人并不一定是技術人員。
Gamble說，“重要的是要有人擔任人工智能產(chǎn)品經(jīng)理，與傳統(tǒng)的產(chǎn)品經(jīng)理一樣，他們的工作將集中在如何使用最終機器學習技術上：最終用戶是誰，他們的工作流程是什么，以及他們將根據(jù)所提供的信息做出什么決定。”
大多數(shù)IT專業(yè)人員都可以理解這個問題，無論他們擁有什么特殊的技能：在業(yè)務上期望機器學習(ML)能做什么和實現(xiàn)之間可能會有一些差距(或者是巨大的差距)。
Gamble說：“從機器學習建模的角度來看，將業(yè)務理解、數(shù)據(jù)理解、可能實現(xiàn)的功能結合在一起也增加了復雜性。正如許多優(yōu)秀的產(chǎn)品經(jīng)理都是軟件工程師一樣，我認為很多優(yōu)秀的人工智能產(chǎn)品經(jīng)理也是數(shù)據(jù)科學家，盡管這是一個新興領域，走上這條路的人并不多，但我們將看到，對這一角色的需求將會繼續(xù)增長。”
3. 對真相有太多的版本
機器學習的一個基本現(xiàn)實：模型或算法只取決于所提供的數(shù)據(jù)。
Indico公司首席執(zhí)行官Tom Wilde說，“對于人工智能和機器學習來說，人們最好把它想像成一只非常聰明的鸚鵡，它對于為學習預期任務而提供的培訓輸入數(shù)據(jù)非常敏感。”
但這導致了不同的學習方式：人們(甚至是同一團隊中的成員)如何感知特定業(yè)務流程或服務的現(xiàn)實可能存在很大的差異。
Indico公司使客戶可以讓多個人參與為模型建模而對培訓數(shù)據(jù)進行標記的過程。他認為這就像投票一樣：每個利益相關者在流程或任務中都有發(fā)言權。最近，該公司的一家客戶有六個人參加了數(shù)據(jù)標記過程，雖然在短期內(nèi)最終失敗，但獲得了長期利益。
Wilde說：“一旦建立了模型，他們發(fā)現(xiàn)模型的性能非常差，經(jīng)過進一步調(diào)查，他們發(fā)現(xiàn)這六個人對如何標記訓練樣本有完全不同的看法。這反過來迫使他們就特定任務進行了非常有價值的對話，并使他們能夠更好地對特定用例的‘基本事實'有著深入的理解。”
4. 認為訓練數(shù)據(jù)才是終點
在生產(chǎn)過程中，企業(yè)可能會發(fā)現(xiàn)對最初的訓練數(shù)據(jù)有點過于自信，并最終還是回到了起點。SigOpt公司工程主管Jim Blomo認為，即使是很好的訓練數(shù)據(jù)也不一定更好執(zhí)行。
Blomo說：“不能只是訓練模型并相信它會執(zhí)行。需要運行一個高度迭代的、科學的過程來使其正確執(zhí)行，即使到那時，也可能仍會看到生產(chǎn)的高度可變性。模擬和驗證過程以及持續(xù)的性能評估也是如此。”
企業(yè)通常會發(fā)現(xiàn)，用于預測生產(chǎn)模型性能的基準實際上需要在模型開發(fā)過程中進行更改和調(diào)整。建模者首先了解到的一點是，定義正確的度量標準是最重要的任務之一，并且在通常情況下，跟蹤多個度量標準對于理解更完整的模型行為至關重要。
5. 重復傳統(tǒng)的軟件開發(fā)錯誤
機器學習也容易遇到困擾其他IT部門的同樣問題。企業(yè)是否在無法協(xié)同工作的功能孤島中建立了人工智能/機器學習團隊?這將產(chǎn)生許多與傳統(tǒng)軟件項目相同的問題：考慮范圍的擴大、期限的延長、工具的損壞，以及對企業(yè)文化的不利影響。
Algorithmia公司創(chuàng)始人Kenny Daniel說：“很多企業(yè)花費數(shù)年時間收集大量數(shù)據(jù)，雇傭了數(shù)據(jù)科學家團隊，盡管投入大量人力和物力，卻未能使任何模型投入生產(chǎn)。其錯誤的做法是讓數(shù)據(jù)科學家讓實施團隊編寫程序代碼，期望數(shù)據(jù)科學家成為DevOps專家也是錯誤的。”
那么正確的做法是什么?采用與現(xiàn)代化和優(yōu)化用于機器學習的軟件管道相同的思維方式(例如DevOps思維方式)。
Daniel說，“建議企業(yè)學習傳統(tǒng)軟件世界中的DevOps經(jīng)驗和教訓：創(chuàng)建自動化的、可重復的管道和工具，將底層的實現(xiàn)細節(jié)實現(xiàn)容器化和抽象化。”
Gamble說：“企業(yè)在構建機器學習產(chǎn)品時，仍然需要從軟件開發(fā)中汲取的所有相同的原則和經(jīng)驗教訓，例如DevOps原則、以用戶為中心的設計等。許多數(shù)據(jù)科學家花費很多時間來學習機器學習，但是他們可能并不像軟件工程師、產(chǎn)品經(jīng)理或設計師那樣精通這些主題。”
正如DevOps可以被看作是對傳統(tǒng)軟件開發(fā)面臨問題的一種廣泛響應，在機器學習和人工智能的其他方面已經(jīng)出現(xiàn)了新方法。
Gamble說：“由于將機器學習納入傳統(tǒng)產(chǎn)品開發(fā)組合時還需要考慮其他因素，一些新領域如MLops、DataOps、DataViz和MLUX(機器學習用戶體驗)正在蓬勃發(fā)展，試圖填補這一空白。”
