通过大规模应用人工智能实现更好的业务成果

人工智能 (AI) 正在为各行各业的企业提供新常态。例如，零售商可以使用人工智能根据历史库存数据预测采购订单，以推动智能补货决策。客户支持团队可以使用 AI 自动响应并将高优先级客户支持票发送给正确的团队。您可以使用 AI（尤其是 ML）来推动实际的业务成果。

根据 Deloitte Insights 的数据，83% 的企业 AI 早期采用者从生产项目中看到了正的投资回报 (ROI)。其中包括使用人工智能实施第三方企业软件、使用聊天机器人和虚拟助手以及电子商务平台的推荐引擎等示例。 83% 的受访企业计划在 2019 年增加对 AI 的投入。在投资 AI 的企业中，63% 的企业采用了机器学习。

制定务实地使用 AI 和 ML 实现业务目标的战略是许多企业的首要任务。对于许多人来说，成功实施 ML 的主要挑战是理解、规划和执行对整个组织的整体 ML 部署的管理。

实施机器学习的首要考虑因素

处理数据科学生命周期的“正确”方法因组织而异。已经进行了许多尝试来编码和标准化数据科学生命周期程序。但是，没有一种方法可以满足每个企业的需求。

采用可持续和可维护的数据和数据科学战略是每个企业都不同的不断发展的实践。由于每家公司的需求、结构和能力都是独一无二的，因此必须咨询整个企业的利益相关者，以构建灵活且可扩展的 ML 模型并执行整体数据科学战略。

每个企业必须解决的基础架构和开发实践的运营挑战和变化会有所不同。

在定义和发展数据科学生命周期时，您的组织必须考虑您的文化、系统和需求，这一点至关重要。拥有一个跨团队展示的基本框架有助于在您继续开发和发展您的 ML 操作化的同时建立一个通用的沟通基础。

让我们了解一个可以帮助您的组织开始其 ML 之旅的标准框架。

第一阶段：定义您的问题

任何机器学习计划的核心都是两个问题：

1. 你想解决什么问题？

2. 为什么您认为机器学习和更好地理解您的数据可以帮助您解决手头的问题？

这些问题的答案取决于贵公司如何看待战略和评估业务问题。

在第一阶段，关键利益相关者应该一起定义问题的初始范围及其要求。

第二阶段：了解您的数据

你的数据有什么故事？您的数据来自哪里，有多少数据源与帮助您解决特定业务问题相关？

在此阶段，企业重点关注：

• 绘制相关数据源及其所处环境（此类环境可能位于本地或云端，设置为数据仓库、数据湖或流数据平台）

• 定义当前存在哪些数据管道，以及需要为数据验证、清理和探索构建哪些数据管道

• 了解数据的更新频率

• 了解数据的可信度

• 评估数据隐私注意事项和要求

• 通过可视化、原始数据和转换数据的统计属性等实现数据探索。

了解您的数据并非易事。迭代地接近这个阶段很重要。随着您对数据的更多了解，您可能会发现影响您解决问题能力的问题，这可能进一步要求您从第一阶段重新定义或重新确定问题范围。

第三阶段：构建机器学习模型

准备好数据后，就该让数据科学家构建 ML 模型了。构建稳健的 ML 模型的常见步骤包括：

• 提取和工程特征（包括分箱、数据白化和应用统计转换）

• 选择特征

• 训练模型（包括将数据拆分为任意数量的训练、交叉验证和验证数据集）

• 调优超参数

• 评估模型

• 验证统计显着性

开发模型需要业务利益相关者的持续反馈。例如，业务问题可能需要对敏感性与特异性的亲和力。您可以类似地权衡模型操作性能（例如更快的预测）或模型可解释性的轻微预测性能（例如 F1 分数）。

数据科学家的目标是建立一个模型，该模型使用数据来讲述与业务问题相关的清晰故事。随着问题的发展和需求的变化，建模方法也必须发展以服务于当前环境。

第四阶段：部署不断发展的模型

构建初始模型只是 ML 之旅的开始。部署不断发展的模型是为组织创造长期价值的关键步骤。

部署不断发展的模型需要：

• 服务于模型（使模型具有高可用性和水平可扩展性）

• 管理模型版本（包括回滚和金丝雀/挑战者部署）

• 重新训练模型（随着新数据进入系统，修改或构建新模型）

• 监控模型（在服务和训练时跟踪操作和用户体验指标）

监控数据和模型漂移，需要针对目标组织内部用例对模型进行专门化，以及维护数据管道（以及其他维护项目）对于模型的持续成功至关重要。

企业范围和行业范围的需求会迅速发展并影响数据源和输入。例如，大规模的治理和合规性是跨越整个数据科学生命周期的考虑因素。

遵守法规（例如欧盟 (EU) 通用数据保护条例 (GDPR)）需要在数据版本控制、模型版本控制和模型输入层进行更深层次的可追溯性。制定通过数据应对这些行业变化和需求的战略可以帮助公司继续利用机器学习来推动更好的业务成果，例如收入增长、成本降低和风险降低。

下一步是什么？

以灵活、可维护和可扩展的方式操作 ML 需要许多步骤和考虑因素，超出了我们在本博客中概述的高级范围。魔鬼在细节中。

在我们的下一篇博客中，我们将深入探讨技术考虑因素、大规模机器学习系统的临时实施可能带来的挑战，以及 UiPath 如何帮助企业客户应对常见挑战。