7、机器学习系统创新程度选择及解决方案探索

机器学习系统创新程度选择及解决方案探索

1. 选择合适的创新程度

在机器学习（ML）系统的开发中，创新程度的选择至关重要。不同的ML系统因其复杂性和新颖性的不同，所蕴含的创新水平也有所差异。在一些竞争激烈的领域，需要大量的研究投入；而在其他领域，简单的ML解决方案就足够了。

当询问ML系统的利益相关者最终产品应达到多好（即多准确）时，常见的回答是“完美”“100%”和“尽可能好”。但“尽可能好”实际上意味着“在满足其他约束条件的前提下”，最明显的约束条件就是时间和预算。例如，很少有人会愿意等10年去获得一个完美的ML系统，而在下个季度末交付一个“可接受的好”的系统可能更受欢迎。

根据经验，可将所需的完美程度分为三个类别：
- 最低可行ML系统 ：这是一种非常简单的解决方案，就像用胶带粘合的基本结构。对这类系统的期望是“大体能运行”，观察者能发现各种失败模式。这类系统通常作为基线和原型，不需要创新。
- 人类平均水平ML系统 ：达到人类水平的性能设定了一定的标准。许多现有的成功ML系统甚至还未达到人类水平的性能，但对公司来说仍有价值。因此，要达到这种性能需要相当多的研究和创新。
- 一流ML系统 ：在一些超级竞争的领域，如交易、广告技术或搜索引擎等全球产品，如果系统不能击败大部分竞争对手，就几乎没有用处。在这些情况下，ML系统的设计目标是达到尽可能好的结果，因为精度的微小变化可能导致数百万的利润或损失。

创新程度并非一成不变。在很多情况下，尤其是初创公司，会先构建尽可能简约的系统，以便日后升级。如果推出的功能在市场上是独