为什么有的机器学习应用公司必将失败?

作者 | Cassie Kozyrkov

编译 | Leo

出品 | 人工智能头条

告诉大家一个秘密:当人们说起“ 机器学习 ”时,听起来好像只是在谈论一门学科,但其实是两门。如果企业不了解其中的差异,那么就可能招惹来满世界的麻烦。

▌两个关于机器学习的故事

在机器学习方面,企业经常犯的错误类似于:请一位厨师来制造烤箱或请一位电气工程师去烘烤面包。

假设你是一家面包店的店主,你需要聘请的是一位经验丰富的面包师,他需要精通的是制作各种美味面包和糕点的技艺,而不是制造烤箱的方法。虽然烤箱是制作面包的一个重要工具,但我敢打赌没有一个老板会强求自家的面包师知道烤箱是如何制造的。

但到了机器学习这里,很多企业却经常犯上面的错误。企业需要先思考清楚自己究竟是做“面包”的还是做“烤箱”的?

这些是不同的业务!不幸的是,太多的机器学习项目失败了,因为团队不知道他们该建造的是烤箱、配方还是面包

▌机器学习研究

现在有很多的机器学习课程和教科书,但它们都是关于如何从零开始制造烤箱(以及微波炉、搅拌机、烤面包机、水壶、厨房水槽……),而不是如何烹饪和创新配方。

如果你是搞机器学习算法的,那你应该聚焦在如何做出让人们喜欢用的通用工具(就像厨房用具,如果你喜欢这样类比的话)。这项业务被称为机器学习研究,通常由学术界或科技巨头的研究院来完成。

从事这项工作需要受到长期的教育,因为这方面的研究已经积累了很多年。一些流行的算法已经存在了几个世纪,例如,最小二乘法在1805年就已首次发表。相信我,人类200年来走过了漫长的道路。

还拿烤箱举个例子,今天已经有很多非常棒的烤箱了,如果你不知道它们是如何制作的,那你就不可能做出更好的烤箱。所以成为一名科研人员需要数年的沉浸式学习。

▌机器学习应用

大多数的企业其实需要的只是烹饪——解决他们的业务问题。

他们对卖烤箱并没有兴趣,但经常犯下从头开始制造烤箱的错误。当然这也不能怪他们,要怪就怪现在的炒作和教育方式都是围绕着研究领域而不是应用领域。

如果你是致力于创新食谱的,那么请不要重复造轮子。烤箱已经存在,你甚至可以从很多地方免费得到它们。

如果你觉得建立自己的机器学习厨房很麻烦,其实很多平台提供商已经有现成的产品、工具、配料和食谱可供选择了。

对于大多数机器学习应用而言,你的团队是不需要了解神经网络反向传播算法中的数学知识的,就像厨师不必知道烤箱的制作原理一样。

但是,如果你需要搭建一个工业级规模的厨房,那么你就需要面面俱到地了解从食材策划到菜肴上桌的每个过程。

你的企业销售以上哪些产品?你的答案决定了你雇佣什么团队

▌崩溃与燃烧

不幸的是,我发现许多企业未能从机器学习中获得价值,因为他们没有意识到机器学习的应用和算法研究是截然不同的学科。

公司领导总是试图通过雇佣一些一直从事制作烤箱零部件的人,来制作面包和糕点。这种大多数都不会有好结果的,如果有例外的话,说明你很幸运,碰巧遇到了一个很会烹饪的工程师。

但这种运气并不常见,人生有涯而学而无涯,如果你花费很多时间去学习如何制作烤箱,多半已经没有时间投入到面包和糕点制作中了。所以你招聘到的AI博士研究员是没有时间和精力再去获得机器学习应用所需要的技能了。如果你认为人才就应该是这两种专家的混合体,难怪你会抱怨人才短缺!

如果你要新开一家餐厅,却雇佣了一些致力于做烤箱零件但从未烹饪过的人,可能会出现什么问题?

你应该雇用谁?就像在工业级厨房中一样,你需要一个具有领导能力的跨学科团队来理解这个领域。否则,项目不会走的太远。

▌雇用合适的团队进行工作

如果你销售的是尖端设备,请聘请研究人员。

如果你想大规模地卖出具有创新性的食物,你就需要那些知道什么食物值得做的人(产品经理和决策者),懂得消费者和供应链的人(领域专家和社会科学家),能够大规模处理配料的人(数据工程师和分析师),能快速尝试不同配料组合以生成潜在配方的人(机器学习应用工程师),检查配方是否合乎人们口味的人(统计学家),将有效配方批量生产的人(软件工程师),让跨学科团队正常运转的人(项目经理),保证菜肴质量稳定的人,即使送货卡车错将你订购的大米送成了土豆(可靠性工程师)。

虽然这些并不代表一个岗位非得有一个专人来做,但要确保团队中有人承担这些角色。

如果你的团队在尝试了所有现有的工具后,还不能制定出符合商业目标的配方,那么考虑增加懂得制作烤箱的技术人员(研究人员)是有意义的。无论是长期雇佣还是外包给经验丰富的算法公司,取决于你的业务规模和成熟度。

还有一种情况有必要和研究人员建立联系,那就是你期望你的产品在定制化的设备上取得了很好的大规模运行效果,而这得是多么宏大的问题啊!

原文链接:https://hackernoon.com/why-businesses-fail-at-machine-learning-fbff41c4d5db

原文发布于微信公众号 - 人工智能头条(AI_Thinker)

原文发表时间:2018-07-01

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏新智元

乂学栗浩洋:教育版AlphaGo打破垄断,撬动2000亿在线教育市场

新智元 AI 技术峰会 演讲人:栗浩洋(乂学教育创始人) 【新智元导读】据艾瑞咨询的报告,2018年中国在线教育市场规模达2727.1 亿元,AI+教育...

3054
来自专栏人工智能头条

CCAI 2017 | 蚂蚁金服人工智能部技术总监李小龙:蚂蚁金服智能金融实践

1023
来自专栏量子位

AI时代要来了,怎样让我们的下一代做好准备?

唐旭 编译自 《哈佛商业评论》 量子位 报道 | 公众号 QbitAI ? AI正在各个行业内掀起一场革命,但很多人还没有想好该如何迎接它。 近日,CMU计算机...

3335
来自专栏量子位

“Google只认钱!机器学习20年没进步”,CMU学者炮轰AI第一大厂

1273
来自专栏机器之心

Kevin Kelly解读人工智能狂热:破解超人类人工智能的五个假设

选自 backchannel 作者:Kevin Kelly 参与:Rick、晏奇、黄小天、吴攀 人工智能正变得越来越热,有时候让人难以分清新闻报道中那些关于超级...

37511
来自专栏大数据文摘

2016年10个重要的可视化发展

1533
来自专栏PPV课数据科学社区

盘点国外社交网络:大数据意义究竟何在?

“别说忙,没工夫看书。。。你那刷FB/朋友圈的工夫腾出来,保证每周啃下一本”,小编身边总充斥着这样的‘训话’。。。 额,奈何我每天的工作离不开从社交媒体中获取信...

3976
来自专栏新智元

AI 预测人脸“第一印象”: 为没有真实数据,只有可衡量行为的问题建模

【新智元导读】美国圣母大学、哈佛大学等研究人员挑战为没有真实数据,只有可衡量行为的问题建模,他们设计了设计了一个基于回归框架的卷积神经网络,纯粹基于视觉判断得出...

3429
来自专栏全栈数据化营销

数据分析视角:咪蒙凭什么写出那么火的文章

       写这篇文章最主要的,是想说明数据和数据分析在工作和生活中的实用性和重要性,顺便说一说我认识的咪蒙。       很早很早之前就听过关于咪蒙的各种...

4058
来自专栏AI科技大本营的专栏

揭秘@爱可可:“寂寞呆子”成长记

从一个人的狂欢到一群人的狂欢,到除了我以外其他人的狂欢,我其实是越来越冷静了。——陈光

1103

扫码关注云+社区

领取腾讯云代金券