机器学习商业应用实战指南

将机器学习应用于您的业务

在这篇文章中，我将建议一个关于如何在业务中应用机器学习并从中获得商业价值的工作流程。

如果操作得当，人工智能和机器学习可以为您公司带来巨大优势，并帮助您从竞争对手中脱颖而出。

事实上，将机器学习恰当地融入业务是一个漫长而困难的过程，因为它需要组织内不同人员之间的协调。

在帮助不同规模的公司构建AI产品过程中，我发现这个工作流程确实可以减轻一些不确定性，并消除伴随如此重大决策而来的一些风险。

那么，让我们直接开始吧。

什么是机器学习？

机器学习是一组算法和统计模型的集合，用于执行特定任务而无需明确指令，而是依靠模式识别和推理。这些模型能够从数据中学习模式，并利用这些知识预测以前未见过的数据点的行为。

换句话说，机器学习可用于我们无法编程确切解决方案的问题（大多数时候是因为我们不知道解决方案）。相反，我们让模型从现有数据中学习。

确定要解决的问题

在考虑花钱雇佣机器学习工程师之前，必须确定需要解决的问题。

开始使用机器学习的最佳理由不是为了使用而使用，而是为了解决一个非常具体、可量化的问题。首先需要真正理解问题的根源，提出不同的解决方法（不仅仅是机器学习），并定义如何衡量和评估解决方案。

让我们举一个具体例子。假设您经营一家狗项圈电子商店，想要构建一个推荐系统，向用户推荐最佳购买的项圈。

这里的问题是什么？不是推荐系统。而是增加客户群。这是您试图实现的最终目标。

如何解决？当然，推荐系统可以是一个解决方案。但谷歌广告、电子邮件营销、更好的客户支持或146种其他事物中的任何一种也都是解决方案。

如何评估？一个很好的方法是衡量销售转化率或客户获取成本。

机器学习是问题的最佳解决方案吗？

既然知道了问题并心中有了一些解决方案（包括机器学习方案），就必须比较它们并选择一个或多个方案。

如何做到这一点？与评估每个业务决策的方式相同：实施难易度、成本、风险水平、投资回报率等。

如果最终决定恰好是机器学习方案，可以继续下一步。否则，您可以自由选择。

严肃地说，这是公司最常犯的错误。他们受到AI和机器学习热潮的影响，忘记了在决策时遵循常见的业务流程。

当然，机器学习可能很棒（相信我），但它并不总是答案。事实上，大多数时候，它绝对不是。

对于像某中心或某机构这样的大公司来说，这是有意义的，因为即使性能的轻微提升也能带来数十亿美元的收入。但对于初创公司和小型公司来说，通常不值得投资。

考虑到这一点，让我们继续。

组建团队

一旦确定机器学习确实是问题的最佳解决方案，就该组建AI团队了。实际上有两种方法可以做到这一点：

• 组建内部团队
• 聘请外部顾问和工程师

如果对在业务中使用AI有长期愿景，那么需要组建内部团队。首先，专注于一个小型团队，可以快速行动，并在6-12个月内交付MVP。

需要招聘的第一个人是工程经理（或AI副总裁，或其他角色，取决于组织结构）。这个人应该在机器学习管理职位上有多年经验，并对该领域有很好的理解。他需要能够判断什么可以做什么不能做，因为他将是做出所有重要决策的人。他还应该负责管理团队，与高层人员沟通，谈论财务。

此外，还需要雇佣2-3名机器学习工程师来开发产品，并与工程经理密切合作。记住要从高级工程师或技术主管开始，这些是具有高技术能力和编程技能的人。

另一方面，如果对机器学习没有长期目标，或者组织规模相当小，聘请外部顾问在项目期间指导您，并将实施留给现有工程师或外部工程师是有意义的。

但要小心，因为之后可能需要维护或改进项目，而您不希望每年都与外部团队签订合同。

开发基础设施

是时候构建机器学习基础设施了。基础设施指的是使工程师能够实施、测试和部署机器学习模型的技术栈。所以我们谈论的是数据库、服务器、框架等。

根据公司的规模和技术专长，有2种选择：

1) 云服务

许多顶级技术公司，如某中心、某机构等，提供用于开发AI解决方案的一体化平台。它们被称为"机器学习即服务"，包括从数据存储、数据聚合、服务、监控等所有需要的内容。

还可以选择完全自主地使用针对应用程序的现有模型和API，或者构建自己的模型并使用其基础设施进行部署和服务。这真的取决于您，取决于用例。

对于大多数用例，云服务已经足够，并且可以极大地加速过程。

2) 从零开始构建一切

拥有现有基础设施和工程师的高技术公司可以决定从零开始构建一切。这仅推荐给有足够资金和对AI有非常长期计划的大型组织，因为这可能是一个繁琐的过程，可能需要数年才能看到价值。

仍然可以依赖云提供商提供基本功能，如存储，但您将负责设计整体架构和所有子组件。

收集必要数据

既然团队和基础设施都已准备就绪，就需要制定数据策略。因为机器学习全在于正确的数据。没有数据，它完全无用。以下是一些需要考虑的问题：

• 如何获取数据？
• 需要什么数据？
• 需要多少数据？
• 数据应以什么格式存储？
• 安全性如何？
• 工程师如何访问数据？

这些问题将由经理和工程团队回答，并严重依赖于原始问题、行业和预算。

还要记住，这不是一次性行动。如果希望模型长期保持准确，需要找到持续获取新数据的方法。

数据来源可能是公共数据集、内部来源、分析、调查、外部合作伙伴等的组合。接下来的步骤是预处理、清理、格式化和存储。这是工程师发挥作用的地方。

构建MVP

这是让工程师施展魔法，开发机器学习应用程序第一个版本的地方。重要的是确保他们清楚地理解愿景，并与业务最终目标保持一致。

这就是为什么与工程经理，也许还有产品经理的协调至关重要。

记住机器学习与其他软件没有什么不同，所以必须正常对待它。遵循标准软件生命周期，执行测试，检查性能等。

此外，他们在过程中为未来的机器学习工作奠定基础是有价值的。与其是一次性解决方案，他们遵循的任何流程和构建的任何工具都应适当记录，并为未来开发。

这样，下次就不必重新发明轮子，而是可以在已有解决方案的基础上进行构建和改进。

评估性能并迭代

一旦有了最小可行产品，就可以在生产环境中部署它，并开始衡量其性能。模型将通过工程师定义的指标以及一开始决定的KPI进行评估。

不要期望立即看到结果。可能需要数周或数月才能看到任何实际价值。

此外，模型需要在真实客户数据上进行训练，不能仅依赖离线训练。因此，某种反馈管道对于大多数AI应用至关重要。在可能的情况下，可以收集期望的输出和不正确的预测，将它们反馈给模型并重新训练。

这样模型将始终保持最新。但即使如此，其准确性也会逐渐开始下降。这时需要工程师构建和部署新版本的模型。只要模型处于活动状态，这种迭代就会继续。

可以将其视为一个恶性循环：更多数据 -> 更好模型 -> 更多用户 -> 更多数据

将机器学习集成到业务的其他部分

成功了。机器学习模型已启动并运行。现在怎么办？

现在必须决定是否值得。假设已经过去了足够的时间，机器学习是否给业务带来了价值？比预期多还是少？与其他现有解决方案相比表现如何？

最重要的是。是否应该将AI集成到业务的其他部分？

如果最后一个问题的答案是肯定的，我有一些关于如何在组织中传播机器学习并扩大其存在的建议：

• 提供AI培训：组织中的高管和员工都应通过研讨会、研讨会、讲座了解AI能力。还可以设定引入新AI想法和接管机器学习项目的动机。
• 培训工程师：同样，工程师（新员工和资深员工）需要熟悉机器学习的技术方面并理解工作流程。技术讲座和与AI专家的会议是一个好的开始。此外，还有各种各样的在线课程和MOOCs可供选择。
• 建立外部联系：与其他AI公司、咨询公司、自由职业者、投资者、政府的关系可以在扩展AI能力、招聘新人才、理解用户对AI的看法、遵守法规（这不应被轻视）方面发挥关键作用。
• 重组组织结构图：引入新职位、新专业水平，并以使AI与其他团队之间能够协作的方式重组公司结构是首要任务。

总结

将公司转变为使用AI和机器学习需要仔细规划和执行。

由于这些技术相当新，没有"正确的方法"来做事情。至少现在还没有。

整个过程可能需要1-3年（取决于组织规模）。但这并不是气馁的理由。最重要的是迈出第一步，开始执行本文中提到的一些行动。

有关AI转型的更多细节，强烈建议以下课程，其中深入讨论了什么是AI和机器学习，以及它如何影响我们的公司和社会。

这是您的计划。

从小处着手，利用专家提供的所有帮助。从试点项目开始，看看事情进展如何。一旦开始意识到机器学习可以为业务提供的价值，继续扩展和改进就会容易得多。

AI转型迟早会发生在大多数公司中。为什么不成为第一批公司之一，并在竞争对手面前获得显著优势？

现在轮到您了。
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）

公众号二维码

公众号二维码