来源：CPDA数据分析师网 / 作者：数据君 /
这样的企业是什么样的？它展现出哪些特征来表明其对机器学习的先进使用是其业务成功的一部分？
1.数据科学家受到重视
在战略方面，数据分析师已经证明使用（并雇用）了数据科学家。它已准备好数据环境，以便数据科学家可以有效地工作。在看到产生的收益之后，企业走得更远，并雇用了更多的数据科学家，当新的数据科学家进入组织时，文档和已定义的业务目标（在数据环境中遵循合理的既定结构）使这些新科学家能够在几周内（而不是每季度）加快速度。
CPDA数据分析师
2. ML是每个项目的正常部分
在数据分析师中，项目规范过程具有检查点，以确保对大型项目适当考虑ML，具有ML知识和领导技能的人员将成为每个项目或每个体系结构审查的一部分，维持现状，使用熟悉的工作流程并继续仅使用传统方法将很容易，但是成熟的ML组织知道今天必须特别包括ML。
3.积极管理模型和数据
数据分析师在其生命周期中对所有模型进行分类，以便可以重用和利用模型，而不是“一劳永逸”。数据环境也已经成熟，可以对企业数据进行分类，访问，按预期执行以及管理良好。这意味着将捕获并利用所有企业数据以及相关的外部数据。这意味着在顶部有数据仓库和数据湖基础设施以及一个数据目录，用于捕获信息的位置。这意味着对云的承诺是真实的，并且数据治理计划遍及整个企业的主要主题领域，在这些公司中，数据被视为一门学科。这些组织雇用首席数据官，数据不是事后才想到的，也不是应用程序的次要要求。
4.认真对待ML配置和透明度
ML配置中的错误可能会造成高昂的代价，从而导致工作量浪费和计算资源浪费，错误会造成生产问题，在成熟的机器学习车间中，人工错误很少见，模型中的遗漏和疏忽导致浪费。这些工厂中的机器学习系统是透明的，特别关注那些可能导致公司蒙受损失，伤害或损害的案件，他们的模型是可预测的和一致的，具有可审计和可再现的结果，数据分析师理解能够重新运行实验并获得相似结果的重要性，在成熟的ML操作员环境中，可以检测到未使用和冗余的设置。
5.运行良好的系统需要测试和模型维护
成熟的机器学习操作员将其流程提高到更高的水平，模型具有访问限制，自然应该对代码进行测试，但是对于成熟的ML操作员而言，很明显，一定数量的数据测试对于运行良好的系统也至关重要。成熟的ML操作员执行数据测试，以监视数据分布的变化，成熟的环境使当前目标可以重用现有模型，数据分析师可以从头开始，而可以添加功能来区分新模型。ML流程包括使用模型存储库以及强大的模型打包，部署，服务和监视。
6.道德不是事后的想法
数据分析师的AI程序已整合了道德框架，并确保道德和安全至关重要。例如，尽管它们可能尚未完善，但这些程序已采取步骤消除了恶意使用ML的可能性，其中可能包括网络攻击，物理破坏力的部署，深度隐私入侵或施加不当影响。
没有两家商店会有完全相同的ML旅程
所有这些都始于不同的点，并走a回走向成熟，但是对于大多数企业而言，为了公司的可持续发展，在不久的将来将需要此处描述的机器学习水平（成熟的机器学习运营商）。现在应该采取措施来提高组织中机器学习的成熟度。
网友评论