我们在管理信息系统 (MIS) 中实施了数据驱动的决策支持系统。由人类创建的编码到 MIS 中的算法会咀嚼原始数据并做出决定。MIS系统是由人类在软件开发方面付出大量努力开发的。一旦创建，它们在从新数据集中获得洞察力方面几乎没有灵活性。现在我们拥有机器学习 (ML) 系统，能够做出数据驱动的决策或预测，而无需显式编程。ML 的核心是基于数据运行。机器学习系统中使用的算法使机器能够从数据中独立学习，并做出有意义的预测，从而有助于做出决策。

通过阅读以上段落，你们中的一些人可能会认为 ML 是摆脱对昂贵的软件开发人员和 MIS 工具的依赖的机会。如果你这么认为，那你是部分正确的。通过采用 ML 系统，您将消除大量传统程序员，并依赖少数昂贵的机器学习专家（即数据科学家）。作为一名高级经理，您可能会吹嘘自己了解软件开发过程，并且能够领导和指导开发人员团队实施您可视化的解决方案。当谈到基于 ML 的解决方案时，您可能会惊讶地发现这些信念都没有帮助您。当高级管理人员决定采用机器学习进行数据驱动决策时，他可能会遇到大量挑战，而接触传统软件开发方法可能无法解决这些挑战。本文试图就在企业界采用基于 ML 的技术进行决策制定的实际问题提供一些见解。这将有助于理解传统软件和 ML 软件之间的差异。它可以帮助您克服企业界采用机器学习的障碍。


障碍有两种不同的类别；第一个是了解 ML 系统背后的哲学，第二个是学习基于 ML 的解决方案的开发过程。机器学习范式和开发过程与传统的软件开发完全不同。使用传统软件厨师的食谱制作的所有菜肴的味道都是相同的。但是，同一个菜谱，不同的ML厨师做出来的菜，味道会有所不同。ML 厨师输出的品味取决于他的经验、想象力、创造力和领域专业知识水平。

在传统的软件系统中，算法在代码中表示，而在基于机器学习的系统中，智能在模型中表示。传统的软件设计从数据的模式定义开始。人工智能的发展始于大量过去数据的积累。在设计和将算法转换为传统方法中的代码方面付出了巨大的努力。ML 以模型的形式自动从过去的数据中获取情报。在 ML 软件中，模型的准确性取决于模型训练阶段使用的数据的质量和数量。ML 软件可以处理以自然语言文本形式存在的非结构化数据。模型开发所需的专业知识是选择用于损失估计、优化和激活的 API 和函数。

如果您计划推出 IT 解决方案，那么您就开始着手识别供应商。当您计划启动基于 ML 的解决方案时，您需要开始积累数据并从中手动生成结果。在基于机器学习的软件开发中，您担心机器学习框架用于机器学习系统的开发和部署。例如 TensorFlow、PyTorch、CNTK、SageMaker 等

当您开始迁移到 ML 世界时，您会惊讶地发现一群人使用一种您从未听说过的完全不同的语言进行互动。他们是数据科学家，在数据工程、编程、统计学、机器学习、深度学习和超参数调优方面有着非常好的背景。他们将使用您从未听说过的技术术语来描述解决方案。面对所有这些问题，您是否应该迁移到基于 ML 的解决方案？世界正在进入机器学习范式，如果 ML 不是您的 MIS 工具或解决方案的一部分，那么在下一代管理专家评估时，它的价值就会降低。

在您的解决方案中采用 ML 解决方案时，您如何克服这些障碍。您需要忘记传统软件开发过程的知识，并了解新的 ML 开发范式和 ML 世界中使用的术语。您需要观看许多有关 ML 的介绍性视频，以了解新范式的基础知识。一旦你了解了新的 ML 计算范式，你会震惊地发现，你设计和开发传统软件系统的所有技能都毫无用处。最后，机器学习系统开始向您发出指令并影响您的决策能力。

相关帖子DA内容精选 2022年300个以上最佳免费数据科学课 大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！ 机器学习模型方法总结 历史最全机器学习/深度学习/人工智能专业术语表中英对照表 机器学习如何应用于商业场景？三个真实的商业项目 数据工作者的自我修养 | 哪些技能是必不可少的？ 《汗牛充栋：数据分析书籍分享》CDA网校新课上线 文本挖掘常用的107个语料库 一图读懂“东数西算”工程 零基础转行数据分析，看这篇文章就够了