为什么有的机器学习应用公司必将失败?

  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。

  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。

  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

  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。

  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。

  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。

  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!

您可能还会对下面的文章感兴趣: