如今，很多企業(yè)需要快速處理大量數(shù)據(jù)。與此同時，市場競爭格局正在迅速發(fā)展變化，因此企業(yè)能夠快速做出決定至關(guān)重要。
就像商業(yè)管理暢銷書《快魚吃慢魚》的作者Jason Jennings和Laurence Haughton所說的那樣：“如今的市場競爭不是大魚吃小魚，而是快魚吃慢魚。”
企業(yè)的業(yè)務成功在于采用更好的信息快速做出決策，機器學習在其中起著重要作用。無論企業(yè)是試圖向客戶提出建議改進其制造流程，還是預測市場變化，機器學習都可以通過處理大量數(shù)據(jù)來提供幫助，從而在企業(yè)尋求競爭優(yōu)勢時更好地為其提供支持。
然而，盡管機器學習提供了巨大的機會，但仍然存在一些挑戰(zhàn)。機器學習系統(tǒng)依賴大量數(shù)據(jù)以及執(zhí)行復雜計算的能力，由于客戶期望值發(fā)生變化或意外的市場波動等外部因素，這意味著企業(yè)需要監(jiān)控和維護機器學習模型。
此外，在機器學習中還有一些實際問題需要解決。以下將探討和研究五個關(guān)鍵的實際問題及其對業(yè)務的影響。
1.數(shù)據(jù)質(zhì)量
機器學習系統(tǒng)的應用需要大量數(shù)據(jù)。這些數(shù)據(jù)可大致分為兩類：特征和標簽。
特征是機器學習模型的數(shù)據(jù)輸入。這些數(shù)據(jù)可以是來自傳感器、客戶調(diào)查表、網(wǎng)站cookie或歷史信息的數(shù)據(jù)。
這些屬性的結(jié)果是可變的。例如，客戶可能沒有正確填寫或者不填寫調(diào)查問卷;傳感器可能會出現(xiàn)故障并傳遞錯誤的數(shù)據(jù);網(wǎng)站cookie可能會提供關(guān)于用戶在網(wǎng)站上具體操作的不完整信息。因此數(shù)據(jù)集的質(zhì)量是很重要的，這樣才能正確地訓練模型。
數(shù)據(jù)也可能充滿無用信息，這可能會誤導機器學習模型做出錯誤的預測。
機器學習模型的輸出是標簽。標簽的稀疏性也是一個問題，在稀疏的標簽中，用戶可能知道系統(tǒng)的輸入，但不確定輸出是什么。在這種情況下，檢測模型的特征和標簽之間的關(guān)系可能極具挑戰(zhàn)性。這可能是勞動密集型的工作，因為這需要人為干預來將標簽與輸入關(guān)聯(lián)起來。
如果沒有輸入到輸出的準確映射，那么模型可能無法學習輸入和輸出之間的正確關(guān)系。機器學習依賴于輸入和輸出數(shù)據(jù)之間的關(guān)系來創(chuàng)建可用于做出預測，并為未來行動提供建議的概括。當輸入的數(shù)據(jù)混亂、不完整或發(fā)生錯誤時，很難理解出現(xiàn)特定的輸出或標簽的原因。
2.復雜性和質(zhì)量之間的權(quán)衡
建立強大的機器學習模型需要大量的計算資源來處理特征和標簽。編碼復雜的模型需要數(shù)據(jù)科學家和軟件工程師付出巨大的努力。復雜的模型可能需要大量的計算能力才能執(zhí)行，并且可能需要更長的時間才能得出可用的結(jié)果。
這對企業(yè)來說是一種權(quán)衡。他們可以選擇做出更快的反應，但準確性可能較低。或者他們可以接受較慢的響應，但可以從模型中獲得更準確的結(jié)果。然而進行妥協(xié)并不是什么壞事，因為是否要以更快的響應獲得更高的成本和更準確的模型的決定取決于用例。
例如，向零售購物網(wǎng)站上的購物者提出建議需要實時響應，但其結(jié)果可能會難以預測。另一方面，股票交易系統(tǒng)需要更可靠的結(jié)果。因此，當不需要實時獲得結(jié)果時，使用更多數(shù)據(jù)并執(zhí)行更多計算的模型可能會提供更好的結(jié)果。
隨著機器學習即服務(MLaaS)產(chǎn)品進入市場，權(quán)衡的復雜性和質(zhì)量將得到更多關(guān)注。芝加哥大學的研究人員研究了機器學習即服務(MLaaS)的有效性，發(fā)現(xiàn)如果他們對分類器和特征選擇等關(guān)鍵決策有足夠的了解，他們可以取得與獨立分類器相當?shù)慕Y(jié)果。
3.數(shù)據(jù)中的抽樣偏差
許多企業(yè)采用機器學習算法為招聘員工提供幫助。例如，亞馬遜公司發(fā)現(xiàn)他們用來幫助企業(yè)挑選求職者的算法是有偏見的。此外，普林斯頓大學的研究人員發(fā)現(xiàn)，來自歐洲的應聘者將受到一些人工智能系統(tǒng)的青睞，說明其算法引入了一些人類的偏見。
這里的問題不是具體的模型問題，而是用于訓練模型的數(shù)據(jù)有其自身的偏差。然而，當人們知道數(shù)據(jù)是有偏差的，可以采用一些方法來消除偏差或減少該數(shù)據(jù)的權(quán)重。
第一個挑戰(zhàn)是確定數(shù)據(jù)中是否存在固有偏差。這意味著要進行一些預處理。盡管可能無法消除數(shù)據(jù)中的所有偏差，但可以通過人工干預使其影響最小化。
在某些情況下，可能有必要限制數(shù)據(jù)中的特征數(shù)量。例如，忽略種族或性別等特征可以幫助限制有偏見的數(shù)據(jù)對模型結(jié)果的影響。
4.不斷變化的期望和概念漂移
機器學習模型在特定的場景中運行。例如，為零售商的推薦引擎提供支持的機器學習模型在客戶查看特定產(chǎn)品時的特定時間運行。但是，客戶需求會隨著時間而變化，這意味著機器學習模型可能會偏離其設(shè)計要交付的內(nèi)容。
模型可能會由于多種原因而衰減。將新數(shù)據(jù)引入模型時，可能會發(fā)生漂移。這就是所謂的數(shù)據(jù)漂移。當人們對數(shù)據(jù)的解釋發(fā)生變化時，也會發(fā)生這種情況。這是概念上的漂移。
為了適應這種漂移，企業(yè)需要一個模型，該模型可以使用傳入的數(shù)據(jù)不斷更新，改進自身。這意味著企業(yè)需要不斷檢查模型。
這需要收集大量特征和標簽，并對更改做出反應，以便可以更新和重新訓練模型。雖然再培訓的某些方面可以自動進行，但需要一些人為干預。人們必須認識到，機器學習工具的部署不是一次性的活動。
此外，企業(yè)采用機器學習工具需要定期檢查和更新，以保持相關(guān)性并繼續(xù)提供價值。
5.監(jiān)控與維護
創(chuàng)建模型很容易并且可以實現(xiàn)自動化。但是，維護和更新模型需要計劃和資源。
機器學習模型是從用于訓練模型的特性開始的管道的一部分。然后是模型本身，它是一個需要不斷修改和更新的軟件。該模型需要標簽，以便輸入的結(jié)果可以被模型識別和使用。模型和系統(tǒng)中的最終信號之間可能存在脫節(jié)。
在許多情況下，如果交付的結(jié)果出乎意料，如果不是機器學習出現(xiàn)問題，那么可能是供應鏈中的其他部分出現(xiàn)了問題。例如，推薦引擎可能已經(jīng)向客戶提供了產(chǎn)品，但是有時銷售系統(tǒng)和推薦之間的連接可能會斷開，并且需要花費一定時間查找錯誤。在這種情況下，很難告訴模型推薦是否成功。對此類問題進行故障排除可能相當耗費人力。
機器學習技術(shù)為企業(yè)帶來了巨大的好處。預測未來結(jié)果以影響客戶行為并支持業(yè)務運營的能力非常強大。但是，采用機器學習也給企業(yè)帶來了挑戰(zhàn)。企業(yè)通過認識到這些挑戰(zhàn)并制定解決方案，可以確保他們準備好并有能力應對這些挑戰(zhàn)，并充分利用機器學習技術(shù)。
文章來源：企業(yè)網(wǎng)D1Net
Tempo商業(yè)智能平臺
Tempo人工智能平臺
Tempo數(shù)據(jù)工廠平臺
Tempo指標平臺
Tempo數(shù)據(jù)治理平臺
Tempo主數(shù)據(jù)管理平臺
首頁
美林數(shù)據(jù)
行業(yè)資訊
陜公網(wǎng)安備 61019002000171號
