組織構(gòu)建一個(gè)可行的、可靠的、敏捷的機(jī)器學(xué)習(xí)模型來簡(jiǎn)化操作和支持其業(yè)務(wù)計(jì)劃需要耐心、準(zhǔn)備以及毅力。

各種組織都在為各行業(yè)中的眾多應(yīng)用實(shí)施人工智能項(xiàng)目。這些應(yīng)用包括預(yù)測(cè)分析、模式識(shí)別系統(tǒng)、自主系統(tǒng)、會(huì)話系統(tǒng)、超個(gè)性化活動(dòng)和目標(biāo)驅(qū)動(dòng)系統(tǒng)。每一個(gè)項(xiàng)目都有一個(gè)共同點(diǎn)：它們都基于對(duì)業(yè)務(wù)問題的理解，并且數(shù)據(jù)和機(jī)器學(xué)習(xí)算法必須應(yīng)用于解決問題，從而構(gòu)建一個(gè)能夠滿足項(xiàng)目需求的機(jī)器學(xué)習(xí)模型。

部署和管理機(jī)器學(xué)習(xí)項(xiàng)目通常遵循相同的模式。然而，現(xiàn)有的應(yīng)用程序開發(fā)方法并不適用，因?yàn)槿斯ぶ悄茼?xiàng)目是由數(shù)據(jù)驅(qū)動(dòng)的，而不是編程代碼。學(xué)習(xí)來源于數(shù)據(jù)，因此正確的機(jī)器學(xué)習(xí)方法源于以數(shù)據(jù)為中心的需求，并產(chǎn)生專注于數(shù)據(jù)發(fā)現(xiàn)、清理、培訓(xùn)、模型構(gòu)建和迭代階段的項(xiàng)目。

對(duì)于許多組織來說，機(jī)器學(xué)習(xí)模型開發(fā)是一項(xiàng)新活動(dòng)，但是在某種程度上已經(jīng)建立了以數(shù)據(jù)為中心的項(xiàng)目構(gòu)建方法。

大約25年前，一個(gè)由五家供應(yīng)商組成的聯(lián)盟開發(fā)了跨行業(yè)的數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程（CRISP－DM），該流程專注于數(shù)據(jù)挖掘項(xiàng)目中各種數(shù)據(jù)密集型步驟的連續(xù)迭代方法。該方法從業(yè)務(wù)理解和數(shù)據(jù)理解之間的迭代循環(huán)開始。接下來是數(shù)據(jù)準(zhǔn)備和數(shù)據(jù)建模之間的迭代循環(huán)的切換，然后是評(píng)估階段，它將結(jié)果分解到部署和業(yè)務(wù)理解。這種循環(huán)的、迭代的循環(huán)導(dǎo)致了連續(xù)的數(shù)據(jù)建模、準(zhǔn)備和評(píng)估。

但跨行業(yè)的數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程（CRISP－DM）的進(jìn)一步開發(fā)似乎已經(jīng)停滯在近20年前完全生產(chǎn)的1．0版本上，而在15年前還發(fā)布其第二個(gè)版本。IBM公司和微軟公司對(duì)這種方法進(jìn)行了更新和迭代，以生成它們自己的變體，這些變體為數(shù)據(jù)處理和建模之間的迭代循環(huán)添加了更多細(xì)節(jié)，并提供了在此過程中產(chǎn)生的工件和可交付成果的更多細(xì)節(jié)。

此外，這種方法由于并不敏捷或不適用于人工智能和機(jī)器學(xué)習(xí)項(xiàng)目而受到質(zhì)疑。因此需要增強(qiáng)諸如人工智能的認(rèn)知項(xiàng)目管理之類的方法，以滿足人工智能特定的要求，并且可以在具有現(xiàn)有敏捷開發(fā)團(tuán)隊(duì)和數(shù)據(jù)組織的組織中實(shí)施這些方法。

這些方法論以及大型公司及其數(shù)據(jù)科學(xué)團(tuán)隊(duì)的學(xué)習(xí)，因此采用了一種更強(qiáng)大、更靈活的分步方法來進(jìn)行機(jī)器學(xué)習(xí)模型開發(fā)，以滿足認(rèn)知項(xiàng)目的特定需求。

步驟1．了解并識(shí)別業(yè)務(wù)問題（并定義成功）

任何機(jī)器學(xué)習(xí)項(xiàng)目的第一階段都是發(fā)展對(duì)業(yè)務(wù)需求的理解。在解決問題之前，組織需要知道要解決的問題。

首先，與項(xiàng)目所有者合作，并確保組織了解項(xiàng)目的目標(biāo)和要求。目的是將這些知識(shí)轉(zhuǎn)換為適合機(jī)器學(xué)習(xí)項(xiàng)目的定義，并制定實(shí)現(xiàn)該項(xiàng)目目標(biāo)的初步計(jì)劃。需要回答的關(guān)鍵問題包括：

?需要認(rèn)知解決方案的業(yè)務(wù)目標(biāo)是什么？

?解決方案的哪些部分是認(rèn)知的，哪些并沒有認(rèn)知？

?是否解決了所有必要的技術(shù)、業(yè)務(wù)和部署問題？

?項(xiàng)目定義的“成功”標(biāo)準(zhǔn)是什么？

?項(xiàng)目如何在迭代沖刺階段進(jìn)行？

?是否對(duì)透明度、可解釋性或減少偏見有特殊要求？

?道德方面的考慮是什么？

?精度和混淆矩陣值可接受的參數(shù)是什么？

?對(duì)模型的預(yù)期輸入和預(yù)期輸出是什么？

?要解決的問題的特征是什么？這是分類、回歸還是聚類問題？

?什么是“啟發(fā)式”：解決不需要機(jī)器學(xué)習(xí)的問題的快速方法？模型需要比啟發(fā)式方法好多少？

?如何衡量模型的收益？

盡管在第一個(gè)步驟中有很多問題要回答，但是回答甚至嘗試回答這些問題將會(huì)顯著增加整個(gè)項(xiàng)目成功的機(jī)會(huì)。

設(shè)定具體、可量化的目標(biāo)將有助于從機(jī)器學(xué)習(xí)項(xiàng)目中實(shí)現(xiàn)可測(cè)量的投資回報(bào)率，而不是簡(jiǎn)單地將其作為一個(gè)概念證明來實(shí)現(xiàn)，稍后將被擱置一邊。其目標(biāo)應(yīng)該與組織業(yè)務(wù)目標(biāo)相關(guān)，而不僅僅是機(jī)器學(xué)習(xí)。雖然機(jī)器學(xué)習(xí)特定的度量（例如精度、準(zhǔn)確性、召回率和均方誤差）可以包含在指標(biāo)中，但更具體的業(yè)務(wù)相關(guān)關(guān)鍵績效指標(biāo)（KPI）更好。

步驟2． 理解和識(shí)別數(shù)據(jù)

一旦對(duì)業(yè)務(wù)需求有了深刻的了解并獲得了計(jì)劃的批準(zhǔn)，就可以開始建立機(jī)器學(xué)習(xí)模型了，是嗎？這種想法是錯(cuò)誤的。建立業(yè)務(wù)案例并不意味著組織擁有創(chuàng)建機(jī)器學(xué)習(xí)模型所需的數(shù)據(jù)。

機(jī)器學(xué)習(xí)模型是通過對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)和概括而構(gòu)建的，然后將獲取的知識(shí)應(yīng)用于從未見過的新數(shù)據(jù)中進(jìn)行預(yù)測(cè)并實(shí)現(xiàn)其目的。數(shù)據(jù)不足將會(huì)阻止組織構(gòu)建模型，而僅訪問數(shù)據(jù)是不夠的。有用的數(shù)據(jù)必須是干凈的并且處于良好的狀態(tài)。

確定組織的數(shù)據(jù)需求，并確定數(shù)據(jù)是否適合機(jī)器學(xué)習(xí)項(xiàng)目。組織的重點(diǎn)應(yīng)放在數(shù)據(jù)識(shí)別、初始收集、需求、質(zhì)量識(shí)別、見解和潛在的值得進(jìn)一步研究的方面。以下是一些需要考慮的關(guān)鍵問題：

?訓(xùn)練模型所需的數(shù)據(jù)源在哪里？

?機(jī)器學(xué)習(xí)項(xiàng)目需要多少數(shù)據(jù)？

?當(dāng)前培訓(xùn)數(shù)據(jù)的數(shù)量是多少？質(zhì)量如何？

?如何拆分測(cè)試集數(shù)據(jù)和訓(xùn)練集數(shù)據(jù)？

?對(duì)于監(jiān)督學(xué)習(xí)任務(wù)，是否可以標(biāo)記這些數(shù)據(jù)？

?可以使用預(yù)訓(xùn)練的模型嗎？

?操作和培訓(xùn)數(shù)據(jù)位于何處？

?在邊緣設(shè)備上或更難以到達(dá)的地方訪問實(shí)時(shí)數(shù)據(jù)是否有特殊需求？

回答這些重要問題有助于組織處理數(shù)據(jù)的數(shù)量和質(zhì)量，并了解使模型正常工作所需的數(shù)據(jù)類型。

此外，組織需要了解模型如何在實(shí)際數(shù)據(jù)上運(yùn)行。例如，該模型是否可以離線使用，以批處理模式對(duì)異步輸入和處理的數(shù)據(jù)進(jìn)行操作，還是可以實(shí)時(shí)使用并在高性能要求下運(yùn)行以提供即時(shí)結(jié)果？這些信息還將確定所需的數(shù)據(jù)類型和數(shù)據(jù)訪問要求。

組織還要確定模型是否將在迭代中訓(xùn)練，定期或?qū)崟r(shí)部署其版本。實(shí)時(shí)訓(xùn)練對(duì)數(shù)據(jù)提出了許多要求，這些要求在某些設(shè)置中可能不可行。

在人工智能項(xiàng)目的這一階段，了解真實(shí)世界數(shù)據(jù)和培訓(xùn)數(shù)據(jù)以及測(cè)試數(shù)據(jù)和培訓(xùn)數(shù)據(jù)之間是否存在任何差異，以及組織將采取何種方法來驗(yàn)證和評(píng)估模型的性能，這一點(diǎn)也很重要。

步驟3．收集并準(zhǔn)備數(shù)據(jù)

一旦正確地識(shí)別了數(shù)據(jù)，組織就需要對(duì)這些數(shù)據(jù)進(jìn)行格式化，以便可以使用它來訓(xùn)練其模型。重點(diǎn)是構(gòu)建用于建模操作的數(shù)據(jù)集所必需的以數(shù)據(jù)為中心的活動(dòng)。數(shù)據(jù)準(zhǔn)備任務(wù)包括數(shù)據(jù)收集、清理、聚合、擴(kuò)充、標(biāo)記、規(guī)范化和轉(zhuǎn)換以及結(jié)構(gòu)化、非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)的任何其他活動(dòng)。

?數(shù)據(jù)準(zhǔn)備、收集和清理過程中的程序包

?從各種來源收集數(shù)據(jù)。

?跨不同數(shù)據(jù)源標(biāo)準(zhǔn)化格式。

?替換不正確的數(shù)據(jù)。

?增強(qiáng)和擴(kuò)充數(shù)據(jù)。

?添加更多具有預(yù)先計(jì)算數(shù)量的維度，并根據(jù)需要匯總信息。

?使用第三方數(shù)據(jù)增強(qiáng)數(shù)據(jù)。

? “倍增”基于圖像的數(shù)據(jù)集，如果這些數(shù)據(jù)集不足以進(jìn)行培訓(xùn)。

?刪除無關(guān)的信息和重復(fù)數(shù)據(jù)。

?從培訓(xùn)中刪除無關(guān)的數(shù)據(jù)以改善結(jié)果。

?減少噪音并消除歧義。

?考慮匿名化數(shù)據(jù)。

?標(biāo)準(zhǔn)化數(shù)據(jù)以使其進(jìn)入格式化范圍。

?來自大型數(shù)據(jù)集的樣本數(shù)據(jù)。

?選擇可標(biāo)識(shí)最重要尺寸的特征，并在必要時(shí)使用多種技術(shù)減小尺寸。

?將數(shù)據(jù)分為訓(xùn)練、測(cè)試和驗(yàn)證集。

數(shù)據(jù)準(zhǔn)備和清理任務(wù)會(huì)花費(fèi)大量時(shí)間。對(duì)機(jī)器學(xué)習(xí)開發(fā)人員和數(shù)據(jù)科學(xué)家的調(diào)查表明，數(shù)據(jù)收集和準(zhǔn)備步驟最多可占用機(jī)器學(xué)習(xí)項(xiàng)目80％的時(shí)間。俗話說“垃圾進(jìn)、垃圾出”。由于機(jī)器學(xué)習(xí)模型需要從數(shù)據(jù)中學(xué)習(xí)，因此花費(fèi)在準(zhǔn)備和清理上的時(shí)間是值得的。

步驟4．確定模型的特征并訓(xùn)練模型

一旦數(shù)據(jù)處于可用狀態(tài)，并且組織知道要解決的問題，就到了組織希望做出的下一步：訓(xùn)練模型，以通過應(yīng)用范圍從已準(zhǔn)備好的高質(zhì)量數(shù)據(jù)中學(xué)習(xí)技術(shù)和算法。

這一階段需要模型技術(shù)的選擇和應(yīng)用，模型訓(xùn)練、模型超參數(shù)設(shè)置和調(diào)整、模型驗(yàn)證、集成模型開發(fā)和測(cè)試、算法選擇以及模型優(yōu)化。為此，需要執(zhí)行以下操作：

?根據(jù)學(xué)習(xí)目標(biāo)和數(shù)據(jù)要求選擇正確的算法。

?配置和調(diào)整超參數(shù)以獲得最佳性能，并確定獲得最佳超參數(shù)的迭代方法。

?確定提供最佳結(jié)果的功能。

?確定是否需要模型可解釋性。

?開發(fā)集成模型以提高性能。

?測(cè)試不同型號(hào)的性能。

?確定模型的運(yùn)行和部署要求。

然后可以評(píng)估結(jié)果模型以確定其是否滿足業(yè)務(wù)和運(yùn)營要求。

步驟5．評(píng)估模型的性能并建立基準(zhǔn)

從人工智能的角度來看，評(píng)估包括模型度量評(píng)估、混淆矩陣計(jì)算、KPI、模型性能度量，模型質(zhì)量度量以及模型是否可以滿足已建立的業(yè)務(wù)目標(biāo)的最終確定。在模型評(píng)估過程中，應(yīng)該執(zhí)行以下操作：

?使用驗(yàn)證方法和驗(yàn)證數(shù)據(jù)集評(píng)估模型。

?確定分類問題的混淆矩陣值。

?確定k－折疊交叉驗(yàn)證的方法（如果使用該方法）。

?進(jìn)一步調(diào)整超參數(shù)以獲得最佳性能。

?將機(jī)器學(xué)習(xí)模型與基準(zhǔn)模型或啟發(fā)式模型進(jìn)行比較。

模型評(píng)估可以視為機(jī)器學(xué)習(xí)的“質(zhì)量保證”。根據(jù)指標(biāo)和要求對(duì)模型性能進(jìn)行充分評(píng)估，可以確定模型在現(xiàn)實(shí)世界中的工作方式。

步驟6．實(shí)驗(yàn)并調(diào)整運(yùn)行中的模型

當(dāng)組織確信機(jī)器學(xué)習(xí)模型可以在現(xiàn)實(shí)世界中工作時(shí)，那么是時(shí)候看看它在現(xiàn)實(shí)世界中的實(shí)際運(yùn)行了，也稱之為“可操作性”模型：

?部署模型以持續(xù)測(cè)量和監(jiān)視其性能。

?制定基準(zhǔn)，以可用來衡量模型的未來迭代。

?不斷迭代模型的不同方面，以提高整體性能。

模型的操作化可能包括在云計(jì)算環(huán)境中，邊緣、內(nèi)部部署或封閉環(huán)境中或封閉的受控組中的部署方案。在運(yùn)營方面的考慮因素包括模型版本控制和迭代、模型部署、模型監(jiān)視以及開發(fā)和生產(chǎn)環(huán)境中的模型分段。根據(jù)需求，模型的操作范圍可以從簡(jiǎn)單地生成報(bào)告到更復(fù)雜的多端點(diǎn)部署。

步驟7．實(shí)驗(yàn)和調(diào)整模型

即使模型是可運(yùn)行的，并且組織一直在監(jiān)視其性能，也還沒有結(jié)束。在實(shí)施技術(shù)時(shí)，通常會(huì)說成功的秘訣是從小處開始，大處思考，并經(jīng)常進(jìn)行迭代。

始終重復(fù)該過程并及時(shí)進(jìn)行改進(jìn)以進(jìn)行下一次迭代。業(yè)務(wù)需求不斷發(fā)生變化，而技術(shù)能力也在不斷變化。實(shí)際數(shù)據(jù)以意想不到的方式變化。所有這些都可能對(duì)將模型部署到不同端點(diǎn)或新系統(tǒng)中提出新要求。而結(jié)束可能只是一個(gè)新的開始，因此最好確定以下內(nèi)容：

?對(duì)模型功能的下一個(gè)要求；

?擴(kuò)大模型培訓(xùn)以涵蓋更大的能力；

?改善模型的性能和準(zhǔn)確性；

?改進(jìn)模型的運(yùn)行性能；

?不同部署的操作要求；

?針對(duì)“模型漂移”或“數(shù)據(jù)漂移”的解決方案，這些解決方案可能會(huì)由于實(shí)際數(shù)據(jù)的變化而導(dǎo)致性能變化。

組織需要反思在其模型中哪些有效，哪些是正在進(jìn)行的工作。要在機(jī)器學(xué)習(xí)模型構(gòu)建中取得成功，最可靠的方法就是不斷地尋找改進(jìn)和更好的方法來滿足組織不斷發(fā)展的業(yè)務(wù)需求。

版權(quán)聲明：本文為企業(yè)網(wǎng)D1Net編譯t