編者按：數據科學家是21世紀“最性感”的工作，幾乎所有人都為之瘋狂——無論什么產品，只要在醒目位置標上“人工智能”，它就不僅賣得掉，還賣得火。但是，這也產生了不少問題。以往我們談及設計人員工作時，總會拿不懂PS是Photoshop的甲方作為笑談，現在這樣的事也同樣發生在數據科學家身上，縱然有心解釋，社會刻板印象還是會讓他們百口莫辯。

如果說現代設計已經在人們生活中存在了幾十年，許多甲方客戶還對它了解甚少；那機器學習才剛剛嶄露頭角，人們對它還僅限于眼熟，或是只讀過幾篇吹得天花亂墜的軟文。常言道，隔行如隔山。很多時候，雖然專業人士眼里的常識別人不一定懂，但其他行業起碼還有銷售幫襯，可以很好地充當對接橋梁。而數據科學家就不一定有這個待遇了。

現在，人們對機器學習、人工智能的偏見是社會性的，這里面包括公司銷售。舉個不靠譜的例子，當銷售們和客戶宣傳時，他們會把實際效果吹成“占領月球”，客戶一聽非常滿意，超出自己預期，于是要求立即啟動“占月”項目。歸根結底，數據科學家能做的頂多是把他們送到月球，然后把他們丟在那片荒無人煙的地方。至于開發占領？不可能的。

下面列出了一些數據科學家在工作中最常遇到的“奇葩”需求，雖然看起來有些滑稽，但它們都是真實經歷。如果你想成為數據科學家，你可以先熟悉一下它們，提前鍛煉一顆強健的心臟；如果你是客戶，你也可以通過它們規避不少麻煩，至少談判時，坐在對面的數據科學家不會一臉了無生趣。

1.“我們想要一個AI模型……它可以解決‘這個’問題”

現如今，我們通過簡單的探索性數據分析，就能解決80%的產業分析問題。既然如此，為什么你們還想用機器學習呢？對于這樣精確到目標的需求，構建任何機器學習模型都是矯枉過正，在這些問題上用AI是徒勞的，企業也沒法從中看到新技術帶來的改變。從某種程度上來說，殺雞焉用牛刀？

誠然，高級分析看起來很拉風，通過投資這項技術，企業可以在技術上“引領”行業，試問有那家公司不喜歡塑造自己先進、光彩的創新形象？但是每一個數據科學家都有義務引導客戶正確使用技術，而不是濫用，以保證機器學習這把牛刀不會誤傷他人。所以，大家在做數據分析時，請用美觀的分析工具說服自己的客戶，讓他們看到數據背后的完整價值。

到目前為止，人工智能最大的危險在于人們覺得自己理解它，而這個結論下得太早了。——MIRI創始人 Eliezer Yudkowsky

2.“這些數據給你……你給我出一些商業洞見”

通常客戶會認為自己的責任只是移交數據，他們中的有些人甚至連需求都不提，丟下一堆數據就走，然后期待數據科學家能總結出一些零零散散的、非常有見地的建議。最好這些建議還能“擲地有聲”，讓公司一夜間就改頭換面。

不幸的是，數據科學家的工作不是文學寫作，一個人憑空想是想不出什么操作性強的業務建議的。他們需要和公司業務人員保持長期的、富有成效的交流對話，以了解這家公司能做什么，不能做什么。在整個項目期間，雙方要安排一個“驗收”期，共同評判建議的具體效果。

如果你連提出一個正確的問題都不會，那你將一無所獲。——美國統計學家 W. Edward Deming

3.“造個模型，能跳過不必要的分析，節約時間那種”

數據預處理和探索性分析的重要性毋庸置疑，但很多數據分析師同仁可能在處理數據前就把它們忘了。鑒于此，一些客戶就希望機器學習能刪除其中“不必要的分析”，在保證結果準確的同時縮短分析時間，提高效率。

其實數據分析是機器學習和所有高級分析的必要步驟，它們同根同源。如果不了解數據，無法從數據中找出異常值和潛在模式，那機器學習模型就是兩眼一抹黑，什么都干不了。所以客戶應該給數據分析預留足夠的時間，并指定討論時間，方便數據分析師或數據科學家能發現有趣的的東西和及時分享。

一個煉金師在找尋黃金時，會發現許多更具價值的其他物品。——叔本華

4.“我們有上周的數據，你能預測未來6個月的情況嗎？”

這個問題幾乎是所有數據科學家都沒法避免的。總有那么一些人，拼拼湊湊幾行數據，就指望AI能像巫女的水晶球一樣給個“預兆”。也總有那么一些人，一點數據都沒有，還想讓AI去填補這些空白。

對機器學習來說，數據的數量和質量至關重要，如果客戶不在乎“廢料進，廢品出”，做數據分析就可以了。一些有用的統計技術確實可以四兩撥千斤地處理這類問題，從少量數據中提煉盡可能多的信息，比如插入缺失值（impute）、人工合成數據（SMOTE算法）和使用面向小數據的簡單模型。為了避免客戶失望，記得定義一些界限來解釋為什么結果會那么差。

數據量和分析技術性能之間的關系

5.“你去建個模，兩禮拜夠不夠？”

突然推翻原定計劃，卻還要求成果保質保量——這是所有項目都可能出現的問題。其他行業是怎么補救的，我們暫且不提，反正機器學習建模不可以。它的時間一旦計劃好了，就改不了了，尤其是在原定時間就捉襟見肘的情況下。也許客戶會有疑問：現在GPU算力大幅提高了，各種API也都有了，你們這群數據科學家到底在磨蹭啥？

事實上，盡管行業內出現了像Auto-ML這樣的進展，但建模過程還是得依賴大量手動操作。數據科學家必須要痛苦地在一輪又一輪的迭代中檢查統計結果、比較模型和檢查成因。這些是沒法自動化的，至少現在還沒有自動化。如果客戶實在不理解，建議給個例子讓他直接體驗一下。

建模既是實驗，也是藝術創作，里程碑驅動的項目計劃并不總是現實的。

6.“能不能把這個變量換了，重新跑下模型？”

當數據科學家終于把建好的商業模型交給客戶看時，后者也會習慣性地提一些“調試”要求，其中最常見的是：“你能不能替換這個變量，然后重新運行模型”？表面上看這只是個小改動，但事實上，這個小改動卻意味著把在世界杯上踢足球改成在NBA打籃球。

雖然機器學習是高度迭代的，但它的核心目標是為給定變量篩選正確的影響因子，并映射它們的關系。這個要替換的變量是模型的重要組成部分，不能說改就改。所以如果客戶想投資AI技術，他們應該努力學習一些基本工作原理。如果遇到這樣完全不懂的客戶，數據科學家也有必要給出預警，防止他們事后處處不滿。

7.“我們模型的準確率可以達到100％嗎？”

看到“錯誤率”就宛如看到“瘟神”，這是很多人的誤區。人們都喜歡盲目追求等級，客戶也總覺得越靠近100%，模型就越好。然而當準確率超越其他因素成為唯一焦點后，數據科學家就又該頭疼了：你們要這么一個精度很高，但沒法實際應用的復雜模型有什么用？

2009年，BellKor's Pragmatic Chaos拿下Netflix Prize百萬美金競賽冠軍，雖然Netflix到現在還一直夸這個模型有多好，但它從沒上線過。為什么？因為這個高精度復雜模型背后的工程成本太高了。如果一個模型只有精度卻不能實際應用，它對普通企業的意義又在哪兒？一個好的工程模型應該兼具準確率、穩定性、簡單性和業務可解釋性，并在之中達到平衡。

工程模型：實現精細平衡和權衡

8.“這模型訓練好了，以后能一直保持高性能嗎？”

虛擬產品也是產品，當模型訓練完，客戶自然還要關心一下它的使用壽命。因此他們常問的問題還有：“這個模型是不是會一直這么聰明啊？”“未來我們業務發展了，它跟不跟得上變化啊？”

很不幸，機器學習模型不會自動貫徹終身學習。它還只是個孩子，你們千萬要不斷耐心教導它！通常情況下，模型需要每隔幾周或幾個月進行一次快速復習，就像學校里為了考試苦苦掙扎的學生。更重要的是，如果公司業務發生明顯變化，這個復習頻率要加快，模型可能還要回爐學習點新東西。

盡管發展很快，但這就是當今分析行業的情況，所以如果想投資AI技術，做好模型維護和更新的時間、金錢預算吧！

小結

到現在為止，我們已經介紹了數據科學家工作生活中可能會遇到的8個關鍵誤解，它們隱藏在機器學習建模的6個步驟中：

導致這些誤解產生的原因有兩個，一是客戶對行業基礎知識缺乏了解，二是雙方對具體效果的預期錯位。了解這些內容有助于數據科學家在遇到麻煩時溫和、友善地向客戶說明情況，而不是一臉無奈或是一肚子火氣，最后被迫向客戶屈服。

如果你在生活中也遇到過類似的困擾，歡迎留言指出，幫助更多同行總結經驗，也讓客戶和銷售更了解自己的工作。