如今，很多企業(yè)需要快速處理大量數(shù)據(jù)。與此同時，市場競爭格局正在迅速發(fā)展變化，因此企業(yè)能夠快速做出決定至關(guān)重要。

就像商業(yè)管理暢銷書《快魚吃慢魚》的作者Jason Jennings和Laurence Haughton所說的那樣：“如今的市場競爭不是大魚吃小魚，而是快魚吃慢魚。”

企業(yè)的業(yè)務(wù)成功在于采用更好的信息快速做出決策，機器學(xué)習(xí)在其中起著重要作用。無論企業(yè)是試圖向客戶提出建議改進其制造流程，還是預(yù)測市場變化，機器學(xué)習(xí)都可以通過處理大量數(shù)據(jù)來提供幫助，從而在企業(yè)尋求競爭優(yōu)勢時更好地為其提供支持。

[[335124]]

然而，盡管機器學(xué)習(xí)提供了巨大的機會，但仍然存在一些挑戰(zhàn)。機器學(xué)習(xí)系統(tǒng)依賴大量數(shù)據(jù)以及執(zhí)行復(fù)雜計算的能力，由于客戶期望值發(fā)生變化或意外的市場波動等外部因素，這意味著企業(yè)需要監(jiān)控和維護機器學(xué)習(xí)模型。

此外，在機器學(xué)習(xí)中還有一些實際問題需要解決。以下將探討和研究五個關(guān)鍵的實際問題及其對業(yè)務(wù)的影響。

1. 數(shù)據(jù)質(zhì)量

機器學(xué)習(xí)系統(tǒng)的應(yīng)用需要大量數(shù)據(jù)。這些數(shù)據(jù)可大致分為兩類：特征和標(biāo)簽。

特征是機器學(xué)習(xí)模型的數(shù)據(jù)輸入。這些數(shù)據(jù)可以是來自傳感器、客戶調(diào)查表、網(wǎng)站cookie或歷史信息的數(shù)據(jù)。

這些屬性的結(jié)果是可變的。例如，客戶可能沒有正確填寫或者不填寫調(diào)查問卷;傳感器可能會出現(xiàn)故障并傳遞錯誤的數(shù)據(jù);網(wǎng)站cookie可能會提供關(guān)于用戶在網(wǎng)站上具體操作的不完整信息。因此數(shù)據(jù)集的質(zhì)量是很重要的，這樣才能正確地訓(xùn)練模型。

數(shù)據(jù)也可能充滿無用信息，這可能會誤導(dǎo)機器學(xué)習(xí)模型做出錯誤的預(yù)測。

機器學(xué)習(xí)模型的輸出是標(biāo)簽。標(biāo)簽的稀疏性也是一個問題，在稀疏的標(biāo)簽中，用戶可能知道系統(tǒng)的輸入，但不確定輸出是什么。在這種情況下，檢測模型的特征和標(biāo)簽之間的關(guān)系可能極具挑戰(zhàn)性。這可能是勞動密集型的工作，因為這需要人為干預(yù)來將標(biāo)簽與輸入關(guān)聯(lián)起來。

如果沒有輸入到輸出的準(zhǔn)確映射，那么模型可能無法學(xué)習(xí)輸入和輸出之間的正確關(guān)系。機器學(xué)習(xí)依賴于輸入和輸出數(shù)據(jù)之間的關(guān)系來創(chuàng)建可用于做出預(yù)測，并為未來行動提供建議的概括。當(dāng)輸入的數(shù)據(jù)混亂、不完整或發(fā)生錯誤時，很難理解出現(xiàn)特定的輸出或標(biāo)簽的原因。

2. 復(fù)雜性和質(zhì)量之間的權(quán)衡

建立強大的機器學(xué)習(xí)模型需要大量的計算資源來處理特征和標(biāo)簽。編碼復(fù)雜的模型需要數(shù)據(jù)科學(xué)家和軟件工程師付出巨大的努力。復(fù)雜的模型可能需要大量的計算能力才能執(zhí)行，并且可能需要更長的時間才能得出可用的結(jié)果。

這對企業(yè)來說是一種權(quán)衡。他們可以選擇做出更快的反應(yīng)，但準(zhǔn)確性可能較低。或者他們可以接受較慢的響應(yīng)，但可以從模型中獲得更準(zhǔn)確的結(jié)果。然而進行妥協(xié)并不是什么壞事，因為是否要以更快的響應(yīng)獲得更高的成本和更準(zhǔn)確的模型的決定取決于用例。

例如，向零售購物網(wǎng)站上的購物者提出建議需要實時響應(yīng)，但其結(jié)果可能會難以預(yù)測。另一方面，股票交易系統(tǒng)需要更可靠的結(jié)果。因此，當(dāng)不需要實時獲得結(jié)果時，使用更多數(shù)據(jù)并執(zhí)行更多計算的模型可能會提供更好的結(jié)果。

隨著機器學(xué)習(xí)即服務(wù)(MLaaS)產(chǎn)品進入市場，權(quán)衡的復(fù)雜性和質(zhì)量將得到更多關(guān)注。芝加哥大學(xué)的研究人員研究了機器學(xué)習(xí)即服務(wù)(MLaaS)的有效性，發(fā)現(xiàn)如果他們對分類器和特征選擇等關(guān)鍵決策有足夠的了解，他們可以取得與獨立分類器相當(dāng)?shù)慕Y(jié)果。

3. 數(shù)據(jù)中的抽樣偏差

許多企業(yè)采用機器學(xué)習(xí)算法為招聘員工提供幫助。例如，亞馬遜公司發(fā)現(xiàn)他們用來幫助企業(yè)挑選求職者的算法是有偏見的。此外，普林斯頓大學(xué)的研究人員發(fā)現(xiàn)，來自歐洲的應(yīng)聘者將受到一些人工智能系統(tǒng)的青睞，說明其算法引入了一些人類的偏見。

這里的問題不是具體的模型問題，而是用于訓(xùn)練模型的數(shù)據(jù)有其自身的偏差。然而，當(dāng)人們知道數(shù)據(jù)是有偏差的，可以采用一些方法來消除偏差或減少該數(shù)據(jù)的權(quán)重。

第一個挑戰(zhàn)是確定數(shù)據(jù)中是否存在固有偏差。這意味著要進行一些預(yù)處理。盡管可能無法消除數(shù)據(jù)中的所有偏差，但可以通過人工干預(yù)使其影響最小化。

在某些情況下，可能有必要限制數(shù)據(jù)中的特征數(shù)量。例如，忽略種族或性別等特征可以幫助限制有偏見的數(shù)據(jù)對模型結(jié)果的影響。

4. 不斷變化的期望和概念漂移

機器學(xué)習(xí)模型在特定的場景中運行。例如，為零售商的推薦引擎提供支持的機器學(xué)習(xí)模型在客戶查看特定產(chǎn)品時的特定時間運行。但是，客戶需求會隨著時間而變化，這意味著機器學(xué)習(xí)模型可能會偏離其設(shè)計要交付的內(nèi)容。

模型可能會由于多種原因而衰減。將新數(shù)據(jù)引入模型時，可能會發(fā)生漂移。這就是所謂的數(shù)據(jù)漂移。當(dāng)人們對數(shù)據(jù)的解釋發(fā)生變化時，也會發(fā)生這種情況。這是概念上的漂移。

為了適應(yīng)這種漂移，企業(yè)需要一個模型，該模型可以使用傳入的數(shù)據(jù)不斷更新，改進自身。這意味著企業(yè)需要不斷檢查模型。

這需要收集大量特征和標(biāo)簽，并對更改做出反應(yīng)，以便可以更新和重新訓(xùn)練模型。雖然再培訓(xùn)的某些方面可以自動進行，但需要一些人為干預(yù)。人們必須認(rèn)識到，機器學(xué)習(xí)工具的部署不是一次性的活動。

此外，企業(yè)采用機器學(xué)習(xí)工具需要定期檢查和更新，以保持相關(guān)性并繼續(xù)提供價值。

5. 監(jiān)控與維護

創(chuàng)建模型很容易并且可以實現(xiàn)自動化。但是，維護和更新模型需要計劃和資源。

機器學(xué)習(xí)模型是從用于訓(xùn)練模型的特性開始的管道的一部分。然后是模型本身，它是一個需要不斷修改和更新的軟件。該模型需要標(biāo)簽，以便輸入的結(jié)果可以被模型識別和使用。模型和系統(tǒng)中的最終信號之間可能存在脫節(jié)。

在許多情況下，如果交付的結(jié)果出乎意料，如果不是機器學(xué)習(xí)出現(xiàn)問題，那么可能是供應(yīng)鏈中的其他部分出現(xiàn)了問題。例如，推薦引擎可能已經(jīng)向客戶提供了產(chǎn)品，但是有時銷售系統(tǒng)和推薦之間的連接可能會斷開，并且需要花費一定時間查找錯誤。在這種情況下，很難告訴模型推薦是否成功。對此類問題進行故障排除可能相當(dāng)耗費人力。

機器學(xué)習(xí)技術(shù)為企業(yè)帶來了巨大的好處。預(yù)測未來結(jié)果以影響客戶行為并支持業(yè)務(wù)運營的能力非常強大。但是，采用機器學(xué)習(xí)也給企業(yè)帶來了挑戰(zhàn)。企業(yè)通過認(rèn)識到這些挑戰(zhàn)并制定解決方案，可以確保他們準(zhǔn)備好并有能力應(yīng)對這些挑戰(zhàn)，并充分利用機器學(xué)習(xí)技術(shù)。