行业动态
Industry News
Industry News
热门课程
400电话
免费咨询热线
400-090-9964
机器学习的回报可能很有吸引力，现在可能会让你想要开始。但与此同时，在开始自己的项目之前，您需要考虑机器学习挑战。
这篇文章并不是要吓跑你; 相反，它意味着确保你做好准备，并且在开始之前你仔细考虑了你需要考虑的事项。
我们采访了Oracle信息管理平台团队的数据科学家Brian MacDonald，他谈到了他所看到的陷阱以及公司可以采取哪些措施来避免它们。
这些机器学习挑战包括：
解决技能差距问题
了解如何管理您的数据
操作数据
1.解决机器学习技能差距问题
当然，最大的困难是在大数据环境中使用机器学习所带来的技能差距。有一些人认为大数据会让生活变得美丽而且很容易上手。
你要找到的最大挑战是发现合适的人。对于熟练掌握机器学习和小型游泳池的人来说，有很大的需求。但正如我们在关于机器学习成功的文章中所描述的那样 ，拥有高管支持是关键。如果你有行政支持，你也将获得资金来寻找和招募那些有价值的人。
这是值得思考的问题。如果您处于对成本非常敏感的情况，因为熟练的数据科学家很昂贵，那么您可能没有足够大的业务问题来使机器学习值得做。
假设一位技术熟练的数据科学家花费您的公司300,000美元到400,000美元(包括所有福利和奖励)。如果那个人无法帮助你解决每年至少价值一百万的问题，那么你可能不需要那个人。对?
另一方面，如果你真的相信这个人(或团队)可以帮助你解决数以千万计的问题，那么你还在等什么呢?
很难找到人。但如果它对贵公司来说真的很重要，你就可以找到它们。
这是另一个需要考虑的问题：工具和软件。虽然有一些工具可以提供帮助，但您很少能够找到所需的精确，完美的 机器学习工具 ，这些工具随时可供您使用。你将不得不考虑你将要使用的工具。
Python，R，SQL，TensorFlow?如果您使用这些，他们将如何处理您的数据湖?您将如何处理可能带来挑战的设置和配置?在开始之前仔细考虑细节并确保您有足够的资金。
2.了解如何管理大数据
机器学习是一个混乱的过程。只是拥有一个大数据平台并不意味着它会更容易。事实上，它可能会变得更加混乱，因为你会有 更多的 数据。该数据使您可以执行更多操作，但这也意味着必须完成更多数据准备。
你必须从整体上思考如何处理这个问题。以下是一些需要考虑的问题：
您的数据来自哪里?
你怎么解决这个问题?
您希望如何处理数据准备?
一旦完成，您将如何构建模型并实现一切操作?
如果您还没有良好的BI实践或分析实践，并且如果您没有以可以想到的所有方式使用数据，那么跳转到机器学习确实是一个挑战。已经有数据驱动的决策绝对是至关重要的。如果您没有，我们建议您在开始机器学习之前将其安装到位。
如果你决定开始，这里有一些其他的考虑因素。在开始之前仔细考虑它们：
快速变化
在机器学习领域，创新正在迅速发展，这意味着快速变革。今天有什么好处明天可能不太好，你不能总是依赖软件，因为它是一个更不稳定的空间。您可能会遇到更多不同版本和冲突的问题。
纯粹的数据量
通过机器学习，您将不得不处理数据 - 批次和许多不同类型的数据。了解您是否使用了所有这些，流程，是否采样等等 - 所有这些都是一个挑战，尤其是当您深入了解数据并处理数据移动时。
确保您能够面对这一挑战，并确保您制定计划。
3.操作您的大数据
大多数数据科学家面临的最大问题是什么?它正在运作数据。
假设你已经建立了一个模型，它可以预测导致流失的因素。你如何将这种模式传达给可能影响这些数字的人?你怎么能把它带到CRM或移动应用程序?
如果您有预测设备故障的模型，您如何及时将其交给操作员以防止故障?采用模型并使其可操作性存在许多挑战。这可能是目前数据科学家面临的最大技术挑战。
您可以构建世界上最美丽的模型。但是，如果它不能真正影响公司的利润，那么你的高级管理层真的会关心吗?您可能认为您讨价还价的部分只是为了提供数据。但事实并非如此。您必须确保实际使用您的数据。获得行政支持对此非常有帮助。
所以机器学习并不容易。但它可以完成大事。为了激励您并提醒您可能的事情，我们将分享一个真实的客户示例和他们的机器学习项目。
by：Sherry Tiao