36、机器学习在组织中的实施：挑战与策略

机器学习在组织中的实施：挑战与策略

1. 孤立团队的局限性

在引入机器学习（ML）时，一个常见的风险是将ML团队和项目与其他新类型的工作同等对待，通常会组建一个孤立的新团队来开展这项工作，导致其在组织中与其他部门分离。这种做法虽然可以减少启动时的摩擦，快速取得一些成果，但对于ML而言存在问题。因为ML的实施通常需要多个部门或部门的协作，而且由于ML项目的广泛影响，成功部署ML需要组织在结构、流程和人员方面进行变革，以确保其可靠性。如果实施范围过窄，可能难以取得成功。

2. 实施模型

2.1 选择合适的切入点

小型实施项目通常从将ML应用于对组织成功至关重要的领域开始。具体操作步骤如下：
1. 创建和管理数据源 ：确保有足够且高质量的数据用于ML训练。
2. 组建专业团队 ：集合在问题领域和ML方面有专业知识的人员。
3. 建立水平监管机制 ：用于跟踪进度和指导项目方向。

在整个过程中，保持乐观的心态很重要，尽管知道问题迟早会出现，但不知道具体时间和类型。

2.2 选择合适的指标

开始时选择一个有用但非关键的指标，这样可以从实施中获得宝贵经验，同时降低重大灾难的风险。例如，对于YarnIt网站，实施团队考虑使用ML来改进搜索排名，但由于搜索结果页面直接带来的销售代表了重要收入，这是一个有吸引力但风险较高的切入点。最终，团队决定在目前没有推荐内容的页面添加ML生成的推荐结果，如在用户添加商品到购物车时的确认页面添加推荐商品。这种方法风险低，且有一定的回