作者 | Rhea Moutafis

譯者 | 平川

策劃 | 陳思

時(shí)代變幻莫測(cè)，僅僅增加客戶(hù)體驗(yàn)流暢度和沉浸感并不能減輕企業(yè)的壓力。在這種情況下，投入數(shù)十億美元開(kāi)發(fā)可以改進(jìn)產(chǎn)品的機(jī)器學(xué)習(xí)模型就可以理解了。但有一個(gè)問(wèn)題。公司不能只是把錢(qián)砸在數(shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)工程師身上，就希望可以有奇跡發(fā)生。據(jù) VentureBeat 報(bào)道，大約 90% 的機(jī)器學(xué)習(xí)模型從未投入生產(chǎn)。換句話說(shuō)，數(shù)據(jù)科學(xué)家的工作只有十分之一能夠真正產(chǎn)出對(duì)公司有用的東西。

本文最初發(fā)布于 Towards Data Science，由 InfoQ 中文站翻譯并分享。

大多數(shù)機(jī)器學(xué)習(xí)模型從未部署。圖片由作者提供。

企業(yè)正在經(jīng)歷艱難時(shí)期。我說(shuō)的不是病毒流行和股市波動(dòng)。

時(shí)代變幻莫測(cè)，僅僅增加客戶(hù)體驗(yàn)流暢度和沉浸感并不能減輕企業(yè)的壓力。在這種情況下，投入 數(shù)十億美元 開(kāi)發(fā)可以改進(jìn)產(chǎn)品的機(jī)器學(xué)習(xí)模型就可以理解了。

但有一個(gè)問(wèn)題。公司不能只是把錢(qián)砸在數(shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)工程師身上，就希望可以有奇跡發(fā)生。

有數(shù)據(jù)為證。據(jù) VentureBeat 報(bào)道，大約 90% 的機(jī)器學(xué)習(xí)模型從未投入生產(chǎn)。換句話說(shuō)，數(shù)據(jù)科學(xué)家的工作只有十分之一能夠真正產(chǎn)出對(duì)公司有用的東西。

盡管 十分之九 的科技高管相信，人工智能將成為下一次科技革命的中心，但人工智能的采用和部署尚未獲得長(zhǎng)足的發(fā)展，而這不能怪?jǐn)?shù)據(jù)科學(xué)家。

企業(yè)尚未準(zhǔn)備好采用機(jī)器學(xué)習(xí)

領(lǐng)導(dǎo)支持并不意味著投錢(qián)多

數(shù)據(jù)科學(xué)家的 就業(yè)市場(chǎng)非常好。企業(yè)在招聘，而且也已經(jīng)準(zhǔn)備好支付高薪。

當(dāng)然，管理人員和企業(yè)負(fù)責(zé)人期望這些數(shù)據(jù)科學(xué)家能帶來(lái)巨大的價(jià)值。然而，就目前而言，他們并沒(méi)有為此提供便利。

GAP 數(shù)據(jù)分析高級(jí)副總裁 Chris Chapo表示：“有時(shí)人們會(huì)想，我所需要做的只是針對(duì)一個(gè)問(wèn)題投入資金或技術(shù)，成功就會(huì)到來(lái)?！?/p>

為了幫助數(shù)據(jù)科學(xué)家在工作中發(fā)揮出色的作用，領(lǐng)導(dǎo)者不僅需要將資源引向正確的方向，還需要了解機(jī)器學(xué)習(xí)模型是干什么的。一個(gè)可能的解決方案是，讓領(lǐng)導(dǎo)者們自己接受一些數(shù)據(jù)科學(xué)的入門(mén)培訓(xùn)，這樣他們就可以在公司里把這些知識(shí)付諸實(shí)踐。

數(shù)據(jù)訪問(wèn)難度大

公司不擅長(zhǎng)收集數(shù)據(jù)。許多公司都是高度筒倉(cāng)化的，這意味著每個(gè)部門(mén)都有自己收集數(shù)據(jù)的方式、首選格式、存儲(chǔ)位置以及安全和隱私偏好。

另一方面，數(shù)據(jù)科學(xué)家經(jīng)常需要來(lái)自多個(gè)部門(mén)的數(shù)據(jù)。筒倉(cāng)化增加了清理和處理這些數(shù)據(jù)的難度。此外，許多數(shù)據(jù)科學(xué)家 抱怨，他們甚至無(wú)法獲得他們需要的數(shù)據(jù)。如果你沒(méi)有必要的數(shù)據(jù)，怎么開(kāi)始訓(xùn)練一個(gè)模型呢？

也許在過(guò)去，筒倉(cāng)化的公司結(jié)構(gòu)——以及無(wú)法訪問(wèn)的數(shù)據(jù)——便于管理。但在一個(gè)技術(shù)飛速變革的時(shí)代，企業(yè)將需要加快步伐，在整個(gè)過(guò)程中建立起統(tǒng)一的數(shù)據(jù)結(jié)構(gòu)。

對(duì)于數(shù)據(jù)科學(xué)家來(lái)說(shuō)，能夠獲取所需的數(shù)據(jù)至關(guān)重要。圖片由作者提供。

IT、數(shù)據(jù)科學(xué)和工程脫節(jié)

如果公司的目標(biāo)是減少“筒倉(cāng)”，這就意味著各部門(mén)需要更多地相互溝通，調(diào)整各自的目標(biāo)。

在許多公司中，IT 部門(mén)和數(shù)據(jù)科學(xué)部門(mén)之間存在著 根本性的分歧。IT 傾向于優(yōu)先考慮讓事情正常運(yùn)轉(zhuǎn)并保持穩(wěn)定。另一方面，數(shù)據(jù)科學(xué)家喜歡實(shí)驗(yàn)和破壞東西。這會(huì)導(dǎo)致溝通困難。

此外，對(duì)于數(shù)據(jù)科學(xué)家來(lái)說(shuō)，工程并非總是必不可少的。這是一個(gè)問(wèn)題，因?yàn)楣こ處熡袝r(shí)候可能無(wú)法了解數(shù)據(jù)科學(xué)家所設(shè)想的所有細(xì)節(jié)，或者可能會(huì)由于溝通錯(cuò)誤而改變實(shí)現(xiàn)方式。因此，正如 StackOverflow 指出 的那樣，能夠部署模型的數(shù)據(jù)科學(xué)家比那些不能部署模型的數(shù)據(jù)科學(xué)家更有競(jìng)爭(zhēng)優(yōu)勢(shì)。

機(jī)器學(xué)習(xí)模型自身面臨的挑戰(zhàn)

擴(kuò)展比你想象的要難

模型在小環(huán)境中工作得很好，并不意味著它在任何地方都可以工作得很好。

首先，可能沒(méi)有處理更大數(shù)據(jù)集的硬件或云存儲(chǔ)空間可供使用。此外，在規(guī)模很大時(shí)，機(jī)器學(xué)習(xí)模型的模塊并不總是像規(guī)模較小時(shí)那么有效。

最后，數(shù)據(jù)獲取可能比較困難，甚至不可能。正如前面所討論的，這可能是由于公司的筒倉(cāng)結(jié)構(gòu)，也可能是由于在獲取更多數(shù)據(jù)時(shí)遇到的其他挑戰(zhàn)。

這也是在組織之間統(tǒng)一數(shù)據(jù)結(jié)構(gòu)、鼓勵(lì)不同部門(mén)之間進(jìn)行交流的另一個(gè)原因。

重復(fù)工作

在部署機(jī)器學(xué)習(xí)模型的漫長(zhǎng)道路上，超過(guò)四分之一 的企業(yè)都存在重復(fù)工作。

例如，軟件工程師可能會(huì)按數(shù)據(jù)科學(xué)家的說(shuō)法進(jìn)行實(shí)現(xiàn)。后者可能也會(huì)繼續(xù)，自己做一些工作。

這不僅浪費(fèi)時(shí)間和資源，而且，當(dāng)涉眾不知道使用了哪個(gè)版本的代碼，在遇到任何錯(cuò)誤時(shí)就不知道應(yīng)該向誰(shuí)求助，這會(huì)導(dǎo)致額外的混亂。

如果數(shù)據(jù)科學(xué)家能夠?qū)崿F(xiàn)他們的模型，這是他們的優(yōu)勢(shì)，但對(duì)于誰(shuí)做什么，他們應(yīng)該與工程師溝通清楚。這樣，就可以節(jié)省公司的時(shí)間和資源。

有效溝通對(duì)于機(jī)器學(xué)習(xí)模型正常運(yùn)行至關(guān)重要。圖片由作者提供。

高管們可能會(huì)不認(rèn)可

總體來(lái)說(shuō)，技術(shù)高管 非常相信 人工智能的力量，但這并不意味著他們會(huì)同意所有的想法。據(jù) Algorithmia 報(bào)道，三分之一的企業(yè)高管將糟糕的部署統(tǒng)計(jì)數(shù)據(jù)歸咎于缺乏高層支持。

似乎人們?nèi)匀徽J(rèn)為數(shù)據(jù)科學(xué)家有點(diǎn)書(shū)呆子氣，缺乏商業(yè)意識(shí)。為此，數(shù)據(jù)科學(xué)家應(yīng)加強(qiáng)他們的業(yè)務(wù)技能，并盡可能尋求與高管的對(duì)話。

當(dāng)然，這并不意味著每個(gè)數(shù)據(jù)科學(xué)家需要 MBA 學(xué)位才能勝任他們的工作。然而，從課程或業(yè)務(wù)經(jīng)驗(yàn)中學(xué)習(xí)一些關(guān)鍵知識(shí)可能會(huì)對(duì)他們有長(zhǎng)遠(yuǎn)的幫助。

不能跨語(yǔ)言且缺少框架支持

由于機(jī)器學(xué)習(xí)模型仍處于起步階段，不同的語(yǔ)言和框架仍有相當(dāng)大的差距。

有些管道開(kāi)始時(shí)是 Python 開(kāi)始，中間是 R，最后是 Julia。有的則相反，或者完全使用其他語(yǔ)言。由于每種語(yǔ)言都有自己獨(dú)特的庫(kù)和依賴(lài)項(xiàng)，項(xiàng)目很快就變得很難跟蹤。

此外，有些管道可能會(huì)使用 Docker 和 Kubernetes 進(jìn)行容器化，其他管道可能不會(huì)。有些管道將部署特定的 API，其他管道則不會(huì)。這樣的例子不勝枚舉。

為了彌補(bǔ)這種不足，像 TFX、Mlflow 和 Kubeflow 這樣的工具出現(xiàn)了。但這些工具仍處于起步階段，到目前為止，這方面的專(zhuān)家還很少。

數(shù)據(jù)科學(xué)家們知道，他們需要不斷了解自己領(lǐng)域的最新進(jìn)展。這應(yīng)該也適用于模型部署。

版本控制和再現(xiàn)仍面臨挑戰(zhàn)

與上述問(wèn)題相關(guān)的是，到目前為止，機(jī)器學(xué)習(xí)模型版本控制還沒(méi)有一種可行的方法。顯然，數(shù)據(jù)科學(xué)家需要跟蹤他們所做的任何更改，但現(xiàn)在這相當(dāng)麻煩。

此外，數(shù)據(jù)集可能會(huì)隨時(shí)間漂移。隨著公司和項(xiàng)目的發(fā)展，這是很自然的，但這使得再現(xiàn)過(guò)去的結(jié)果變得更加困難。

更重要的是，一旦項(xiàng)目啟動(dòng)，就會(huì)建立一個(gè)基準(zhǔn)，用于現(xiàn)在和將來(lái)對(duì)模型進(jìn)行測(cè)試。結(jié)合版本控制，數(shù)據(jù)科學(xué)家可以再現(xiàn)他們的模型。

如果模型不可再現(xiàn)，就會(huì)導(dǎo)致漫長(zhǎng)的調(diào)查研究。圖片由作者提供。

停止嘗試，開(kāi)始部署

如果數(shù)據(jù)科學(xué)家 90% 的努力都沒(méi)有結(jié)果，這可不是一個(gè)好現(xiàn)象。這不是數(shù)據(jù)科學(xué)家的錯(cuò)，如上所述，這是由于組織結(jié)構(gòu)上固有的障礙。

變革不是一天能完成的。對(duì)于剛剛開(kāi)始接觸機(jī)器學(xué)習(xí)模型的公司，建議他們從一個(gè)非常小而簡(jiǎn)單的項(xiàng)目開(kāi)始。

一旦管理者勾勒出一個(gè)清晰而簡(jiǎn)單的項(xiàng)目，第二步就是選擇合適的團(tuán)隊(duì)。這個(gè)團(tuán)隊(duì)?wèi)?yīng)該是跨職能的，應(yīng)該包括數(shù)據(jù)科學(xué)家、工程師、DevOps 和任何其他看起來(lái)對(duì)于獲得成功至關(guān)重要的角色。

第三，在開(kāi)始的時(shí)候，管理者應(yīng)該考慮利用第三方來(lái)幫助他們加速這個(gè)過(guò)程。IBM 是提供這種服務(wù)的公司之一，但市場(chǎng)上也有其他公司。

最后一點(diǎn)是，切莫不惜一切代價(jià)追求先進(jìn)。如果一個(gè)簡(jiǎn)單的低成本模型能滿(mǎn)足 80% 的客戶(hù)需求，并能在幾個(gè)月內(nèi)交付，這已經(jīng)是一個(gè)了不起的成就了。此外，從構(gòu)建簡(jiǎn)單模型積累的經(jīng)驗(yàn)將有助于實(shí)現(xiàn)更復(fù)雜的模型，并有望使客戶(hù)百分之百滿(mǎn)意。

結(jié)論：革命需要時(shí)間

下一個(gè)十年注定是革命性的，就像上一個(gè)十年一樣。人工智能的廣泛應(yīng)用只是 眾多發(fā)展趨勢(shì) 中的一個(gè)，物聯(lián)網(wǎng)、高級(jí)機(jī)器人技術(shù)和區(qū)塊鏈技術(shù)也在興起。

我說(shuō)的是幾十年，而不是幾年。例如，考慮到 90% 的公司都 已上云——如此之多，以至于我們很難想象沒(méi)有云我們?cè)趺瓷?。而另一方面，云是花?幾十年時(shí)間 才被廣泛地采用。

我們沒(méi)有理由認(rèn)為人工智能革命會(huì)有任何不同。它需要一段時(shí)間才能推廣開(kāi)，因?yàn)槟壳斑€有許多需要解決的障礙。

但是，由于機(jī)器學(xué)習(xí)提供了如此多的方法來(lái)改善客戶(hù)體驗(yàn)和企業(yè)效率，顯然，贏家將是那些快速并盡早部署模型的公司。

https://towardsdatascience.com/why-90-percent-of-all-machine-learning-models-never-make-it-into-production-ce7e250d5a4a