机器学习 (ML) 在生产中的使用可以追溯到大约 20 年前。Leo Breiman 在 2001 年著名的论文“两种文化”中记录了数据分析领域的巨变，该论文基于在网络泡沫期间大规模引入机器学习模型。即便如此，
机器学习还是花了 20 年的时间才超越互联网的专业“独角兽”成为主流实践。
如今，机器学习已在企业中得到更广泛的采用，但企业如何处理这项工作？在生产环境中部署机器学习经验丰富的公司是否使用与刚刚起步的组织有很大不同的方法？对于尚未开始这一旅程的公司，是否有任何可能有所帮助的最佳实践？
最近的一项调查， ”企业中机器学习的采用状况,”试图回答这些问题。调查结果表明，精通机器学习的组织通过执行关键的高级领导角色，更多地考虑隐私和偏见问题，并且比那些刚刚起步的企业更善于衡量成功，表现出对未来道路的更加关注。
机器学习特定角色的出现表明机器学习正在占据一席之地。对于具有部署机器学习经验的组织，高级领导团队的影响显着，反映了这一活动。在这些组织中，81% 的组织雇佣了数据科学家，20% 的组织雇佣了深度学习工程师，39% 的组织至少拥有一名机器学习工程师——几乎是刚刚起步的组织数量的两倍。
在确保模型公平和偏见方面，更先进的组织也更精明。总体而言，54% 的受访者表示他们的组织会检查公平和偏见，而总体而言这一比例为 40%。这种趋势延续到隐私，具有机器学习经验并定期检查隐私的公司（53%）与经验较少的公司（43%）相比增加了 10%。
对于欧盟 (EU) 的组织，通用数据隐私条例 (GDPR) 强制要求“设计隐私”，其中规定组织必须确保从系统设计开始就包含数据保护，而不是作为添加。这意味着欧盟将有更多公司将隐私添加到他们的机器学习清单中，并且随着机器学习模型得到更广泛的部署和使用，对透明度、可解释性和可解释性的兴趣只会继续增长。
机器学习的复杂程度也会影响机器学习模型的构建方式。二分之一 (51%) 的受访者表示，他们使用内部数据科学团队来构建他们的机器学习模型，而对来自云提供商的 AutoML 服务的使用率只有个位数。这种分裂在复杂的团队中变得更加明显，他们倾向于让数据科学负责人设置团队优先级并确定项目成功的关键指标，这些指标通常由产品经理在更传统的软件工程环境中执行。
在衡量成功时，属于最复杂组织的受访者可能会使用多个指标来衡量成功，从改进的决策制定和参与度到运营效率和收入。由于这些组织更有可能在内部构建机器学习模型，并且拥有更多将模型部署到生产环境的经验，因此机器学习的利用更加谨慎，并且只有在这样做有明显好处的情况下。
这项研究揭示了部署机器学习的一些关键学习，以及其他公司在开始机器学习采用之旅时应该关注的地方。更先进的组织可以发挥重要作用，为其他人以最有效、最高效和最创新的方式部署机器学习铺平道路。
扫码加好友，拉您进群
全部版块
我的主页
收藏
