34、机器学习在业务中的应用：构建还是购买？

机器学习在业务中的应用：构建还是购买？

1. 机器学习系统部署与业务指标

在将机器学习（ML）系统投入生产时，需要以可控的方式密切关注业务指标，以此了解其影响，并据此决定是扩大部署范围，还是停止部署并调查意外结果。在大型企业中，构建 ML 模型的日常工作与推动这些工作的高层业务计划之间可能存在多层隔阂。例如，从高层来看，个性化可能是为了提高每个用户的平均收入或增加新用户的获取量，但在开发模型时，可能会围绕改善各种低层次的用户体验指标（如参与度得分）进行优化。产品经理（PM）的关键职责是在这两个领域之间进行沟通，并不断改进用户可观察性的方法，以帮助将低层次的改进与高层次的影响假设联系起来。因此，产品团队制定一个关于如何逐步部署 ML 系统的计划至关重要。

2. 机器学习系统的支持与维护

集成到产品中的 ML 系统在首次发布版本时并非完整的，甚至可以说它们永远不会完整，因为它们试图对世界的状态进行建模，并在产品中提供有关世界状态的有用价值。虽然开发和部署 ML 系统的成本相对较低，但随着时间的推移，维护它们可能比通常认为的更加困难和昂贵。认真将 ML 集成到产品中的组织需要认真对待这些 ML 模型及其生产基础设施的持续维护。这也是敏捷方法不太适合 ML 产品集成的部分原因，因为 ML 系统似乎永远不会真正完成。随着产品、客户需求、业务理解和世界的变化，我们需要不断开发和发布新的模型。而且，ML 系统的一个特点是，通常很难明确团队的工作是“维护”还是“开发”。

3. 构建还是购买的决策考量

3.1 模型方面

• 通用用例 ：购买预构建的解决方案要求组织当前使用的数据和