人工智慧與機器學習你的機器學習專案總是停滯不前嗎？
運用「bizML」方法，讓營運得以改善
你的機器學習專案總是停滯不前嗎？
Getting Machine Learning Projects from Idea to Execution
企業為了改善營運而部署機器學習，但往往遭遇挫折。究其原因，在於企業關注科技遠多於關注如何部署科技。本文建議把焦點移回部署，並提出一套bizML方法，以6大步驟引導企業一步步規畫，為改善營運做出最好的準備。
人類最新、最偉大的發明一問世，就陷入停滯。機器學習（machine learning, ML）專案有潛力幫助我們應對最為重大的風險，包括野火、氣候變遷、疫疾大流行與兒童虐待事件。它能夠刺激銷售、削減成本、防止詐欺、簡化製程並強化醫療。
但是，ML專案常常無法帶來報酬，或是無法完全部署。它們在部署之前就已經停滯不前，而且成本高昂。一個主要問題是，企業通常關注科技多於關注如何部署科技，就像對火箭的開發比對火箭的發射更興致高昂。
我在本文提出一個解方：運用6個步驟，引領ML專案從構思走向部署。我稱這個架構為「bizML」，它的目的是為成功執行ML專案建立一本最新、也符合產業標準的操作手冊，對於企業專業人員與數據專業人員來說，不但切身相關，也深具吸引力。
扭轉錯置的焦點
ML的問題出在它的熱度。各界熱烈討論核心的科技，往往蒙蔽我們的眼睛，無法詳實了解它的部署會如何改善企業的營運。從這個角度來看，ML本身現在已經過熱。這是我從數十年的諮詢與舉辦ML會議的經驗悟出的教訓。
當今的ML熱潮之所以過頭，是因為它助長一個常見的錯誤觀念，那就是「機器學習謬誤」（ML fallacy）。它的推論如下：既然ML演算法可...
