
企业向机器学习转型所需遵循的五大步骤
导读:
如今,机器学习技术高居新兴科技技术成熟度曲线(Hype Cycle for EmergingTechnologies)的顶点,这意味着,它已经足够成熟,可以激发更加广泛的兴趣了。换言之,你的竞争对手们也在投资机器学习呢。
近九成企业已经不同程度地用上了机器学习,大部分依旧处在战略开发或试水阶段。然而,机器学习的潜力仍未完全释放。在大部分企业,很多决策仍需要人类插手。只有8%的受访者表示,其机器学习战略已经相当或高度完备。
在机器学习的普及过程中,一个常见的障碍就是保障数据质量。劣质数据会导致机器做出劣质决策,从而增加风险。
原文翻译:
假如你想修个新房,你不但得购买新建材,还得雇佣熟练的建筑工人,才能把房子修起来。首席信息官们(CIO)要想推行机器学习技术,从而在没有人类直接干预的情况下,对业绩加以分析与提升,他们也得遵循同样的规则。企业IT云服务公司ServiceNow的一项最新调查显示,大多数CIO都因为缺乏所需的人才、数据质量与预算,而无法充分利用这种技术。若你的企业即将踏上机器学习的征程,那么,要让投资物有所值,你必须遵循五大步骤。
这五大措施应尽快采取,因为说不定,大家期盼已久的机器学习时代很快就要降临了。效仿人类智能的机器虽然被炒得热火朝天,但计算机科学早已经迎头赶上。如今,机器学习技术高居新兴科技技术成熟度曲线(Hype Cycle for EmergingTechnologies)的顶点,这意味着,它已经足够成熟,可以激发更加广泛的兴趣了。换言之,你的竞争对手们也在投资机器学习呢。
最近,《全球CIO观点调查》(Global CIO Point of View Survey)向500名CIO发出了问卷。调查结果显示,企业都在为这种变革性的技术的普及摩拳擦掌,以实现自动化决策。近九成企业已经不同程度地用上了机器学习,大部分依旧处在战略开发或试水阶段。然而,机器学习的潜力仍未完全释放。在大部分企业,很多决策仍需要人类插手。只有8%的受访者表示,其机器学习战略已经相当或高度完备,相比之下,认为自己企业物联网战略相当或高度完备的占到35%,数据分析战略对应的比例则达65%。
根据麦肯锡(McKinsey)的一项调查,为实现机器学习方面的数据与分析目标,最重要的挑战有这样三个:
1)支持数据与分析活动的企业架构;
2)行之有效的技术基础设施;
3)管理层的参与。该研究还宣称,能够有效驾驭这三点的企业将能创造出显著的价值,并实现自身的差异化;办不到的企业,则会日益陷入劣势地位。
要捕获更大的价值,企业要做的不仅仅是投资于技术。对企业架构或流程的改变也必不可少,这其中包括对待人才的态度、IT管理与风险管理。要取得进步,企业必须遵循以下五个步骤:
一、改进数据质量
在机器学习的普及过程中,一个常见的障碍就是保障数据质量。劣质数据会导致机器做出劣质决策,从而增加风险。CIO要考虑实施恰当的解决方案,简化数据维护,从而加速向机器学习转型。第一步就是整合冗余或预制的IT工具,将它们变成单一的数据模型。
二、树立价值实现方式
将所有技术目标的商业价值明确表述出来,继而确定这些目标的最佳实现方式。这包括审视已有流程,找到最能得益于自动化的非结构化工作模式。知道了碎片化数据都在哪里,你也就知道了如何用自动化实现生产效率的提升。
三、创造最优客户体验
机器学习带来的自动化可以促进运营效率,但不要忘了,它也能(在不牺牲准确度的前提下)加速决策,改进客户体验,从而提高投资回报率。先设想一下你想创造的客户体验,然后在商业流程之中,找到最能提升客户体验的元素,加以重点投资。机器学习使企业或机构能够针对每一位顾客,度身定制相应的广告、呼叫中心的互动,乃至产品或服务,以及预测顾客接下去的需求。
四、设定指标并加以衡量
CIO们深知机器学习的价值,但高管团队和董事会其他成员可能就不清楚了。因此,在着手实施之前,CIO们必须树立预期,设置成功指标,并准备好充分的商业依据,在申请款项时,随时呈递给领导层。在实施机器学习技术、收获智能自动化的益处的同时,这些衡量指标也得随时调整
五、理解企业文化将受到的影响
在企业引入机器学习的同时,雇员的角色也将发生改变,这就需要CIO们调整雇佣与培训过程。这个不难,因为它所需的技能组合,包括数据科学、工程学、数学和批判性思维在内,就是云时代的必备技能组合。这种转型很可能给某些雇员造成不适,因此,请务必使机器学习的价值转化到他们的日常工作之中。机器并未接管企业,它们将雇员从繁琐的手动操作中解放了出来,使员工专注于更加战略性的项目。
但这种不适的感受,CIO们也有可能面临。他们的角色也需要不断演变,从维持技术层面的正常运转,保障企业运营,到以高管的身份与企业各个层面广泛互动,因此,其战略重要性也将迈上新的台阶。
企业要实现机器学习的投资回报,就离不开规划与严格的贯彻执行——同时参照技术转型的速度、其对雇员日常工作的影响,对雇员做出相应的调整。遵循上述五个步骤,这一转型就会格外顺畅。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15