企业机器学习-为什么构建和培训“真实世界”模型很难

本文来自Ketan Doshi

什么是企业机械学习（ML）？

怎样才能交付一个机器学习（ML）应用程序，为公司提供真正的业务价值？

一旦证明了ML可以为公司带来实质性的好处，如何将这种努力扩展到其他地方，并真正开始实现ML的场景？

如何在整个组织中扩展ML，并简化ML开发和交付过程，以标准化ML计划、共享和重用工作以及快速迭代？

一些世界领先的科技公司采用了哪些最佳做法？

通过一系列的文章，我的目标是探索这些引人入胜的问题，并理解沿途的挑战和学习。

在“真实世界”中如何训练ML模型，这与在“实验室”中构建ML原型有何不同？

如何将该型号投入生产，并使其每月都保持最佳性能？

处于这一趋势前沿的公司采用了哪些基础设施、系统架构和工具？

如何构建数据管道，从公司收集的大量数据中提取价值，并使其可用于ML和分析用例？

在第一篇文章中，我们将深入探讨构建和训练ML模型的关键步骤，因为这是这个过程的核心。

为了做到这一点，我们将对ML进行高层次的概述。

ML逐渐成熟

假设一家公司收集了大量的数据，并希望利用机器学习，从而显著改善客户的体验，或对其业务运营产生重大影响。

通常，大多数能够成功利用ML的公司都会经历不同的成熟阶段。

开始-确定问题并定义业务目标。启动研发活动，开发ML模型。

飞行员-第一个模型训练。生产中的应用准备就绪。