三個(gè)核心要素幫你應對機器學(xué)習挑戰

　　2016年，“機器學(xué)習”還只是被Gartner 視為一個(gè)“流行詞”，到如今，它已發(fā)展成為幾乎所有 IT 人士都在思考、探索或執行的一件事。毫無(wú)疑問(wèn)，基于數據的分析和預測(機器從信息資源中學(xué)習，然后通知業(yè)務(wù)部門(mén)及其他部門(mén)并影響其行動(dòng))已經(jīng)是當今迅速增長(cháng)的最新、最熱門(mén)的技術(shù)領(lǐng)域之一。但對于那些正在進(jìn)入機器學(xué)習領(lǐng)域的參與者來(lái)說(shuō)，理想和現實(shí)之間仍無(wú)法平衡;正如每個(gè)不斷發(fā)展的新興事業(yè)一樣，基礎設施之水既能載舟，亦能覆舟。

　　Gartner已經(jīng)確定了三種主要的最佳實(shí)踐，基礎設施和運營(yíng)領(lǐng)導者在幫助所在組織準備應對機器學(xué)習 (ML) 和人工智能 (AI) 帶來(lái)的挑戰時(shí)，可以考慮采用這三種最佳實(shí)踐：

　　1. 采用模塊化訪(fǎng)問(wèn)，實(shí)現高效的數據管道——根據 Gartner 的研究，“最終用戶(hù)表示，在典型項目中，數據準備和管理占去了將近 75% 到 85% 的機器學(xué)習管道。”建議在整個(gè)組織內執行更有效的數據清理、轉換和整合。

　　2. 制定高效的機器學(xué)習模型交付策略——該評論指出：“I&O 領(lǐng)導者可以通過(guò)訪(fǎng)問(wèn)模型、功能和預測存儲庫來(lái)顯著(zhù)加快其機器學(xué)習管道的速度。”這有助于縮小實(shí)驗級和生產(chǎn)級系統之間的資源差距。

　　3. 提供可擴展的計算基礎設施——Gartner 指出：“機器學(xué)習管道中的第二大時(shí)間密集型部分通常是模型工程設計階段。”同樣，建議采取的措施是針對需要聚集的核心參與者，將數據科學(xué)家、業(yè)務(wù)專(zhuān)家和軟件工程師的最佳技能結合起來(lái)，實(shí)現協(xié)作并推動(dòng)“跨團隊的機器學(xué)習理念”。

　　如果具體情形難度相當，通常需要權衡生產(chǎn)時(shí)間和準確性以及提供組織范圍的機器學(xué)習策略，而且往往要橫跨包括公共、私有、數據庫、大數據生態(tài)系統、傳統數據存儲等在內的多個(gè)孤立的數據源進(jìn)行。