为什么你的机器学习商业应用会失败？来听一听

2018 年 7 月 10 日 专知

【导读】现实场景中，企业在应用机器学习方面会遇到两种情况：（1）机器学习研究，（2）机器学习应用。这两种是截然不同的方式，大多数企业其实只是想要使用机器学习解决他们的商业问题，对机器学习研究兴趣不大，但大多数想自己从头到尾创建研究机器学习算法，这样子，很多企业很难从机器学习中获得价值，因为它们没有意识到机器学习应用方面与算法研究方面是两个非常不同的方向。

在应用机器学习方面，最困难的部分是知道你想要做什么，以及在你为顾客服务之前，你打算怎么做。作者从几个方面探讨了企业应该如何挑选合适的机器学习方面的人，值得深思。

作者 | Cassie Kozyrkov

编译 | 专知

整理 | Mandy

Why businesses fail at machine learning

首先，我想告诉你一件事：当人们谈论到“机器学习”时，听起来好像只是一门学科，其实是两门，如果企业不理解这其中的差异的话，他们会很麻烦。

【关于“两个”机器学习的故事】

想象一下这样的情况，雇一个厨师给你做烤箱，或者找个电气工程师帮你烤面包。同样的在机器学习方面，许多企业都会犯这样的错误。

如果你要开一家面包店，你需要雇一个有经验的面包师，他要熟悉制作美味的面包和糕点的技能，此外还需要一个烤箱。虽然烤箱是一个关键的工具，我打赌你绝对不会让你的顶级糕点师来学习如何制作烤箱。但是在机器学习方面，为什么许多企业会让“面包师”来学习制作“烤箱”呢？这是很对企业都会犯的错误，他们首先需要搞清楚的是自己究竟是做“面包”的还是做“烤箱”的？

图：这些都是不同的业务!不幸的是，太多的机器学习项目失败了，因为团队不知道他们应该制作烤箱、配方还是面包。

【机器学习研究】

现如今，几乎所有的机器学习课程和教科书都是关于如何从头开始建造烤箱(以及微波炉、搅拌机、烤面包机、水壶……厨房水槽!)，而不是教你如何烹饪和创新配方。

如果你是专注于机器学习算法，那么你的关注点就是如何制作出让大家可以使用的通用工具 (比如说，厨房用具)。这项工作被称为机器学习研究，通常是由像学术界或谷歌这样的研究型大公司完成的。

从事这一项工作需要受长期大量的教育，因为机器学习的研究有着很长的历史。一些流行的算法已经存在了几个世纪。例如，用于回归的最小二乘法，最初发表于1805年。相信我，人类在200年内走过了漫长的道路。

如今，市面上有一些相当先进的设备……但是如果你不知道这台烤箱是如何工作的，你怎么才能制造造一台更好的烤箱呢?所以你所需要的是沉浸式学习! 成为一名研究人员需要花费数年的时间。

【机器学习应用】

大多数企业其实只是想要烹饪——解决他们的商业问题。他们对销售烤箱毫无兴趣，但却常常犯从零开始制造这些电器的错误。其实这很也不能怪他们，因为机器学习当前的炒作和教育方式主要集中在研究而不是应用上。

如果你致力于创新配方，就不要重新发明基础设施。烤箱已经存在，甚至你可以从很多地方免费得到它们。如果你觉得建造自己的机器学习厨房听起来很繁琐，你可以求助一些像谷歌云平台一样的供应商，它们会提供现成的电器，配料和食谱书。

对于大多数机器学习应用程序，你的团队不需要了解神经网络中反向传播的数学原理，正如厨师不需要了解烤箱的接线图一样。但是如果你打算经营一个工业规模的厨房，那么从食材的准备到菜肴上桌，这里的每个过程你都要做到面面俱到。

你的企业销售哪些产品？这决定了你选择什么样的团队。

【机器学习的崩溃和燃烧】

不幸的是，我看到很多企业未能从机器学习中获得价值，因为它们没有意识到应用方面与算法研究方面是两个非常不同的学科。相反，领导者试图通过雇佣那些一辈子都在制作烤箱的人来制作糕点和蛋糕。这样的结果往往会很糟糕。如果成功了，那是因为你很幸运，意外地雇佣了一位很会烹饪的工程师。

但通常你并不是如此幸运。一个人一生中只有这么多的时间，如果你花时间去学习烤箱的制造原理，你就没有那么多时间去掌握制作糕点或面包的艺术了。所以你招聘的AI博士研究员是否具备应用机器学习所需的技能呢? 答案是否定的，因为没有足够的时间。如果你一心想要招聘在这两方面都是专家的混合型人才，那么难怪你会抱怨人才短缺!

如果你想要开一家餐馆，雇佣那些一辈子都在做烤箱，但从来没有做过一道菜的人……可能会出什么问题呢?

你应该雇佣谁呢?就像在工业厨房一样，你需要一个具有领导才能的跨学科团队才能理解这个领域。否则就会导致项目失败，毫无进展。

【雇佣合适的团队】

如果你在销售尖端设备，请雇佣研究人员。如果你要创新食谱大规模销售食物，那么你就需要雇佣知道什么食物值得做的人(决策者和产品经理),了解供应商和客户的人(领域专家和社会科学家), 可以处理大规模配料的人(数据工程师和分析师), 能够尝试许多不同的配料组合并迅速产生潜在食谱的人(机器学习应用工程师), 检查配方的质量是否符合人们的口味的人(统计学家)，将潜在的食谱变成数以百万计菜肴的人(软件工程师)，让跨学科团队正常运作的人(项目经理)，即使送货卡车送错货的情况下，确保菜肴质量稳定的人(可靠性工程师)。

虽然这些岗位不一定非得有一个专门的人员来做，但一定要确保以上的每个角色都有团队中的成员都能涵盖。

如果您的团队已经尝试了所有现有的工具，并且不能制定出满足业务目标的食谱，那么考虑增加懂得制作烤箱的技术人员（研究人员）是有意义的。雇佣研究人员作为正式员工，还是把工作外包给有经验的算法研究公司，这取决于公司的经营规模和成熟度。

与研究人员建立联系的另一个原因是，你希望你的产品在定制设备上进行大规模操作，并且取得很好的运行效果。(这真是个大问题！)

【决策智能】

专家们应该讨论这个问题，但他们没有。他们不承认有两种机器学习的存在，所以促使人们去构建机器学习算法，而不是使用它们。

我的团队正在努力解决这个问题。我们创建了一个新的学科来覆盖应用领域，我们已经有超过15000名会员。我们称之为决策智能工程，它涵盖了机器学习和数据科学的所有应用方面。

换句话说，如果研究机器学习是制作微波炉，应用机器学习是使用微波炉，那么决策智能工程就是利用微波炉安全地实现你的目标，并且在你不需要微波炉的时候使用其他的工具。

【祝好运，玩得开心!】

在应用机器学习方面，最困难的部分是知道你想要做什么，以及在你为顾客服务之前，你打算怎么做。这部分其实并不难，只是别忘了做。

至于其他方面，用机器学习解决业务问题比大多数人想象的要容易得多。就像在真正的厨房里一样。每次我遇到这样的人，他们都认为他们需要学习传统的机器学习算法课程——或者为此修一个完整的学位。为了开始，我不禁想象他们拒绝使用微波而偏偏要自己制造一个。不要相信那样的谎言，说你需要一个博士学位才能在机器学习上做出惊人的事情。相反，你真正需要的是一点人类的创造力。祝你好运，玩得开心!

原文链接：

https://hackernoon.com/why-businesses-fail-at-machine-learning-fbff41c4d5db

-END-

专 · 知

人工智能领域26个主题知识资料全集获取与加入专知人工智能服务群: 欢迎微信扫一扫加入专知人工智能知识星球群，获取专业知识教程视频资料和与专家交流咨询！