缩小机器学习与商业之间的差距

原文：towardsdatascience.com/closing-the-gap-between-machine-learning-and-business-28897d2c8af6?source=collection_archive---------5-----------------------#2024-01-13

你觉得自己在这里做什么？

https://medium.com/@s.kirmer?source=post_page---byline--28897d2c8af6--------------------------------https://towardsdatascience.com/?source=post_page---byline--28897d2c8af6-------------------------------- Stephanie Kirmer

·发表于Towards Data Science ·6 分钟阅读·2024 年 1 月 13 日

–

https://github.com/OpenDocCN/towardsdatascience-blog-zh-2024/raw/master/docs/img/ce865e5fc1f21d87da7b64d464cb0ba0.png

图片由Cookie the Pom提供，来自Unsplash

现在我们很多人已经从冬季假期回来，重新投入工作，我一直在思考机器学习职能与其他业务之间的关系。自从去年 11 月以来，我开始在 DataGrail 担任新职位，这让我意识到机器学习岗位了解公司实际运营及需求的重要性。

我在这里的想法可能并不适用于所有机器学习从业者——那些纯粹从事研究的同仁可能可以跳过。但对于那些在商业或组织中服务的机器学习从业者而言，而非仅仅为了推动机器学习本身的发展，我认为值得反思一下我们如何与所在组织互动。

你是怎么来到这里的？

我的意思是，为什么有人决定聘用你的技能组合？为什么需要增加新岗位？新员工可不便宜，尤其是像我们这样的技术岗位。即便是填补某个离职员工的空缺，现在也不一定能保证，这通常是因为有特定的需求。公司是如何向决策者阐明，必须聘请一个具备机器学习技能的人？

你可以通过思考这个问题学到一些有用的东西。首先，别人期望你能为他们带来什么样的结果？他们希望看到某种数据科学或机器学习的成果，但如果你不了解他们的期望，这可能会很难实现。你还可以从这个问题中了解到一些关于公司文化的信息。一旦你了解了他们认为引入新的机器学习岗位的价值是什么，那么这种想法是否现实，能够反映机器学习可能带来的贡献呢？

这项业务到底是做什么的？

除了这些你将要面对的期望，你还应该对机器学习在你的组织中能做什么形成独立的看法。为此，你需要了解业务，并与不同职能领域的很多人交谈。（事实上，这是我现在花费大量时间做的事情，因为我正以自己的角色回答这个问题。）业务想要做什么？他们认为能够带来成功的方程式是什么？谁是客户，产品又是什么？

与此相关的一个方面是，你还应该询问有关数据的情况。公司拥有什么数据？这些数据在哪里？是如何管理的？等等。你需要了解这些信息，才能准确评估在这个组织中你应该专注于哪些项目。我们都知道，要做数据科学，数据是前提条件。如果数据杂乱无章，或者（天哪）完全没有数据，那么你需要成为那个向利益相关者表达机器学习目标在这种情况下合理期望的人。这是弥合商业愿景与机器学习现实之间差距的一部分，而这一点在大家都想全速推动新项目时，常常被忽视。

一旦你对这些问题有了初步了解，你需要提出数据科学如何能提供帮助的视角。不要以为每个人都已经知道机器学习能做什么，因为这几乎肯定不是事实。其他角色有他们自己的专业领域，假设他们也了解机器学习的复杂性是不公平的。这部分工作可以非常有趣，因为你可以探索创意的可能性！是否可以从某个地方感受到分类问题的迹象，或者有一个预测任务能真正帮助某个部门取得成功？是否有一堆数据静静地堆放在某个地方，可能蕴含有用的洞察力，但没人有时间去挖掘？也许某个自然语言处理（NLP）项目正等待着被整理好的文档来进行。

通过了解业务目标，以及人们期望如何实现这些目标，你将能够将机器学习与这些目标联系起来。你不需要拥有一颗能够一夜之间解决所有问题的“银弹”，但如果你能将自己想做的事情与大家共同努力的目标之间画出一条线，你会更容易将自己的工作与公司其他部门整合。

你在公司其他部门中的角色理解得有多透彻？

这看起来像是一个突兀的问题，但根据我的经验，这个问题非常重要。

如果你的工作既没有与业务对齐，又没有被同事理解，那么它将被误用或忽视，你本可以贡献的价值将会丧失。如果你定期阅读我的专栏，你会知道我非常推崇数据科学素养，并且我相信数据科学/机器学习的从业者有责任改善这一点。你的一部分工作就是帮助别人理解你创造的东西，以及它将如何帮助他们。让财务部门或销售部门理解机器学习，而不进行任何教育（或者现在许多人所说的“赋能”），这不是他们的责任，而是你的责任，去提供教育。

如果你是公司中一个相对成熟的机器学习（ML）团队的一员，这可能会更容易——希望在你之前，其他人已经处理过这方面的知识普及。然而，这并非保证，甚至公司中大型且昂贵的机器学习部门也可能是孤立的、隔绝的，且对公司其他部门而言难以理解——这是一个糟糕的情况。

那么，你该怎么办呢？有很多选择，这很大程度上取决于你所在组织的文化。每次有机会时都谈论你的工作，并确保你以非专业人士能理解的方式进行讲解。不要只讲解一次，而是多次解释技术术语的定义，因为这些概念具有挑战性，人们需要时间去学习。写文档，以便人们在忘记某些内容时能查阅，无论公司使用的是哪种维基或文档系统。提供回答问题的机会，对待问题时要真诚、开放、友好，即使问题看起来简单或误导性强；每个人都得从某个地方开始。如果同事们对你的工作有一定的兴趣，你可以设置学习机会，比如午餐学习会或关于更广泛的机器学习相关话题的讨论小组，而不仅仅是讨论你当前项目的内容。

此外，仅仅解释机器学习的所有酷炫之处还不够。你还需要解释为什么同事们应该关心这些内容，以及这与公司整体和每个同事个人的成功有何关系。机器学习能带来什么，能让他们的工作变得更轻松？你应该有很好的答案来回应这个问题。

结论

我以某种方式将其框架设定为如何在新组织中开始工作，但即使你在公司已经从事机器学习一段时间了，回顾这些话题并看看情况如何仍然是有用的。使你的角色有效并非一次性完成的事情，而是需要持续的关注和维护。然而，如果你持续努力，事情会变得更容易，因为你的同事们会了解到机器学习并不可怕，它能帮助他们的工作和目标，并且你的部门是乐于助人且合作的，而不是神秘和孤立的。

总结：

• 了解为什么你的公司会招聘机器学习相关岗位，并深入探究这个决定背后的期望。

• 理解公司所做的事情及其目标对你做出有助于公司（并保持你在其中的相关性）的工作至关重要。

• 你需要帮助别人理解你在做什么，以及它如何帮助他们，因为他们不会自动地神奇地理解这一切。

这是两篇主要聚焦于商业的文章，所以在我下一篇文章中，我将花点时间讨论一个技术话题，因为我刚刚将一个新模型部署到生产环境，并且学到了一些值得分享的经验。敬请期待！

查看我更多的作品：www.stephaniekirmer.com。