在過去的幾年間，數據社區已經在關注收集和整理數據，為此目的構建基礎設施，并使用數據來改善決策制定。現在我們看到，在很多垂直領域，對于高級分析和機器學習的興趣高漲。

在本博文里，我會分享和解釋我在今年9月的Strata數據紐約大會上的演講，以此來為那些希望增加機器學習能力的企業提供一些建議。這些信息來自于和業界從業人員、研究人員和企業家的對話，他已經把機器學習應用在非常多的不同領域的問題里。

和其他的技術與方法類似，一個成功的機器學習項目是從找到一個正確的應用場景開始的。機器學習有非常多可能的應用，例如推薦系統和降低客戶流失等。一個有用的機器學習應用的分類如下：

能增強決策制定的應用

能帶來業務運營改進的應用

能產生收入的應用

能預測或者防止欺詐或風險的應用

為了能成為“機器學習型企業”，讓你自己了解開始部署模型時將會面臨的困難是非常有益處的。如果你去咨詢那些機器學習的先行者，通常會得到如下三個東西：

數據：目前大部分應用個都依賴于監督學習。因此一切都要從擁有高質量的標注（訓練）數據集開始。

工程化：你怎么能把一個原型變成生產系統？你如何在模型部署上線之后監控它的表現？

模型：現在的機器學習庫已經能把模型和數據適配變得很容易，那還有什么挑戰？

在文章下面的內容里，我會逐個講述這些挑戰。

在構建標注數據集來訓練你的機器學習模型時，重要的一點就是使用你已經能找到的數據。新的數據源在持續地出現，數據集成是大部分公司都在做的工作。你目前在數據基礎設施上的投入可能已經給你足夠的數據來開始了。你也可以使用公共（開源）的數據來增強你現有的數據集，或是去從第三方購買數據來增強。

好消息是機器學習社區已經意識到訓練數據是一個主要的瓶頸。研究人員已經在研究一些能用比較少的訓練數據開始的技術（弱監督），以及可以讓你把一個問題里獲得的知識用于另外的場景（遷移學習）。

隨著數據重要性的增加，已有一些創業公司和企業在探索數據交易。數據交易讓企業間相互分享一些數據成為可能，同時還能保證私密性和隱秘性。目前已經有一些研究成果來開發安全機器學習算法。對一些應用，如消費金融業里的欺詐檢查，能在保證隱私和安全的情況下，分享私密數據可能被證明是有價值的。

今年早些時候，我們注意到企業已經開始定位一個新的角色，它專門把機器學習的模型進行生產化部署，并監控部署后的表現。但是這個機器學習工程師的角色就真的必要嗎？

對越來越多的公司來講，答案是肯定，這樣的專業技能是必須的。如果要列出一個能生產化并監督模型必須了解的事情的清單，最后你會看到一堆工具和技術的列表。更具體的細節，建議你看看我之前的一篇博文《應用數據科學的現狀》。

機器學習研究的發展速度是很快的。可以公平地說，大部分企業是無法跟上研究出新技術和工具的速度。思考一下這個思維試驗：想象一下未來五年，所有的研究進展都暫停（絕不可能，但是請允許我幽默一下）。我堅定地認為依然有足夠的工具能讓企業忙活一陣子來學習。

用深度學習這一已經成功地應用于計算機視覺和語音的技術作例子。絕大部分的企業依然處于應用深度學習的早期階段，不管是把它用于企業已經熟悉的數據（文本、時間序列數據、結構化數據）或是使用它來代替現有的模型（包括他們現有的推薦系統）。我認為在未來的幾年里會看到很多使用深度神經網絡（DNN）的有趣案例。

深度學習帶來了所有令人激動的東西，但也因此我們時常會忘記還有很多有趣的新數據應用并不依賴于神經網絡。請選擇適合你的技術和業務需求的那些技術。

隨著模型被推入邊緣設備，我對近期在聯合與協作學習方面的研究進展非常感興趣。展望AI，可獲得的在線和持續學習的工具將會變得非常重要。

數據社區正在開始明白對于模型而言，遠遠不僅僅只是優化一個定量或是業務指標那么簡單。模型足夠魯棒從而能應對對抗攻擊嗎？對特定的應用模型來說，可解釋與可理解是必須的嗎？

公平：你是否理解你的訓練數據的分布？如果不是的話，請意識到過去的歧視將很有可能導致未來的歧視。

透明：隨著機器學習變得無處不在，用戶正越來越想知道企業在對什么指標進行優化，并想對此發表意見。

盡管機器學習領域在近幾年已經取得了很多進步，但是依然有很多研究人員和理論家不知道的東西。我們尚處在“試錯”的階段。深度學習可能是降低了特征工程的必要，但是在構建深度神經網絡時依然有很多需要決定的東西（包括網絡架構和非常多的超參數）。

可以把模型的構建看成是對機器學習算法空間的探索。企業需要能以有原則和高效的形式來進行探索。這意味著企業要維護可再生的管道、保存試驗里的元數據、擁有協作的工具和利用最新的研究成果。

那么，企業正在構建的什么東西可以讓這一探索成為可能？大部分機器學習都要求有標注（訓練）數據，因此任何數據平臺開始都要有魯棒的數據管道，能夠把數據導入存儲系統，讓數據科學家和機器學習工程師可以使用。數據集成不是一件無足輕重的事情，是所有的企業都要做并會持續做的工作。

企業也正在賦能數據科學家來分享特征和能產生這些特征的數據管道。為了給你一個關于特征的重要性的概念，看看這個事實：大部分企業都能很容易地告訴你它們用了什么算法；但是他們卻很難描述哪些特征對模型最有用。

領先的企業讓他們的數據科學家使用多種機器學習庫。強迫你的數據科學家只使用一到兩個“保佑”過的庫時很瘋狂的。因為數據科學家們要能做實驗，這可能就意味著讓他們能使用多種庫。

已經出現了一些公司，他們能提供生產化部署機器學習模型的工具，并可以在部署后監控模型。一些企業也在利用開源技術來開發自己的部署和監控工具。如果你在尋找一個開源的工具來部署和監控模型，可以看看加州大學伯克利分校RISE實驗室的新項目——Clipper。它可以讓你很容易地部署用多種流行的機器學習庫編寫的模型。更為重要的是，Clipper團隊最近加入了模型的監控部分。（一些企業將會在2018年3月的Strata數據圣何塞大會上介紹他們部署和監控模型的方法。）

想成為“機器學習型企業”， 你需要工具和流程來克服數據、工程和模型方面的挑戰。很多企業僅僅是剛開始在他們的產品里使用和部署機器學習。工具正在被持續地改進，最佳實踐也開始出現。

This article originally appeared in English： “How companies can navigate the age of machine learning”。

Ben Lorica是O‘Reilly Media公司的首席數據科學家和數據內容策略總監，他還是Strata數據大會和O’Reilly人工智能大會的項目主管。他將商務智能、數據挖掘、機器學習和統計分析應用到了各種領域，包括直接營銷、消費者和市場研究、精確廣告投放、文本挖掘以及金融工程。他曾在投資管理公司、互聯網創業公司以及金融服務業任職。