4、机器学习驱动的业务系统企业集成方法

机器学习驱动的业务系统企业集成方法

1. 引言

人工智能（AI）的普及为企业带来新的商业模式和创新解决方案。作为AI的子领域，机器学习（ML）及其成功应用对企业竞争力产生重大影响。在工业、金融、国防、医疗等领域，都能看到复杂的ML驱动业务系统。然而，近期研究显示，ML项目存在失败、投资回报不足或项目成果不理想等问题，人们往往高估了ML应用所能带来的解决方案和益处。

从不同学科视角看，ML应用失败的原因多种多样。例如，多数ML研究侧重于技术方面，在采用AI系统时面临技能知识、文化组织障碍、技术能力有限、管理支持不足和业务案例不清晰等挑战。从软件工程（SE）历史角度看，ML处于早期阶段，工程化ML驱动业务系统时，会面临需求分析与规范、利益相关者期望管理、正确估算、有效测试用例设计和配置管理等重大SE挑战。而且，SE和ML模块相互交织，ML集成模块的开发通常比传统SE模块更困难，因此需要将ML工作流管理集成到SE实践中。

在业务与IT对齐方面，对业务流程、数据、企业应用和基础设施进行整体集成管理是一项重要挑战。但在开发或维护ML驱动业务系统时，ML应用与企业组件集成所需的策略常被忽视。尽管硬件、软件、通信、软件应用和数据处理技术的进步为将前沿解决方案集成到业务系统提供了可能，如物联网（IoT），但这些发展也加剧了管理和集成问题。多数研究和工业应用仅在特定领域探索ML，无法实现ML应用与业务领域其他组件的无缝集成。因此，设计和维护企业集成模型对ML驱动业务系统的长期组织效益、运营和可持续性至关重要。

2. 背景

2.1 业务系统与模型

系统是由部分组成的整体，不同学科对系统的定义可能不同。业务系统可以是一个组织、公司或企