哪些情况会让数据科学家抓狂
哪些情况会让数据科学家抓狂
如今,人们对数据科学的热情高涨。只要在产品介绍中加入"由人工智能驱动",就能极大地促进产品的销量。
但是,问题也接踵而至。
数据科学在营销时常常会夸大其词。从而,客户也大大提高了期望值。但最终,数据科学需要尽力去实现客户的高期望。
在本文中,我们将讨论机器学习项目中八个让数据科学家抓狂的常见问题,以及为什么这些问题让数据科学家苦恼不已。
如果你也处于数据科学领域,或者考虑进入该领域,那么明确这些问题能帮助你更好做出判断并进行处理。
1. 我们想要一个AI 模型来解决问题
行业中80%的问题都可以通过简单的探索性数据分析解决。如果在解决某些问题时用机器学习都有些大材小用,那么根本不用再考虑用AI了。
是的,高级分析很高大上。企业都喜欢通过对这方面的投资在行业中处于领先地位。哪家公司不想宣传一下 AI 项目呢?但需要对客户进行基本的说明,采用适当的行业用例。
“到目前为止,人工智能的最大危险在于人们过早的认为他们已经充分理解它了。”
—— Eliezer Yudkowsky
2. 通过一些数据得出变革性的分析见解
通常客户认为,他们只需要提交数据就可以了。有些客户甚至不会提供相关问题的定义,具体可以看到第四点。他们要求数据分析师获取数据,并得出变革性的商业见解,从而能够在一夜之间改变企业的发展方向。
不幸的是,数据科学家无法单独得出可操作的商业建议。这需要与客户进行持续有效的交流,从而全面了解企业的情况。在整个项目期间,定期与业务人员进行规划是很重要的。
“如果你不知道如何提出正确的问题,那么你将一无所获。”
—— W. Edward Deming
3. 构建模型,并跳过不必要的分析来节省时间
许多数据分析师忽略了数据整理和探索性分析的重要性。
数据分析是机器学习和其他更高层次分析的必要步骤。如果不了解数据,不去发现异常值或潜在模式,那么模型将一无是处。因此必须为分析预留时间,并与客户分享有价值的发现。
“炼金术士在寻找黄金时会发现其他许多更有价值的东西。”
—— Arthur Schopenhauer
4. 根据上周的数据,你能预测未来6个月的数据吗?
这是数据科学家们最讨厌的情况。客户在电子表格中提供了几行数据,并希望 AI 能够预测未来。有时更夸张,在没有任何数据时,客户想知道机器学习是否能填补这些数据的空白。
数据质量和数量至关重要,“垃圾进,垃圾出”适用于数据分析。有用的统计技术有助于处理数据问题,并能在你提供的少量数据中得出更多的结论。例如,估算缺失点,生成数据或使用较小的简单模型。但这需要降低客户对结果的预期。
分析技术与数据量的关系,来源:吴恩达
5. 你能在两周内完成建模项目吗?
许多项目的规定时间十分紧迫。这种高强度的项目安排常常会给模型工程阶段带来影响。随着模型API和GPU计算的出现,客户想知道到底时什么减慢了缓数据科学家的速度。
尽管自动化机器学习取得了进步,但在建模过程中手动操作也是必不可少的。数据科学家必须在痛苦的迭代中检查统计结果,比较模型和检查解释。这些是不能自动化的,起码现在还不能。这方面最好通过案例跟客户说明。
6. 你能替换输出变量并刷新吗?
在数据科学家解决了商业行为的建模问题之后,新的请求即将出现,也就是最后的小变化。通常是替换输出变量,然后重新运行模型。客户意识不到这些变化不仅会改变目标,而且会改变整个模型。
虽然机器学习是高度迭代的,但关键挑战是为给定的输出变量选择正确的影响因素,并映射它们间的关系。客户必须了解这背后的基本工作原理,以及明确他们可以调控的范围。
7. 模型的准确度可以达到100%吗?
人们经常会对错误率产生误解,而且容易盲目追求测试等级。有些客户甚至希望准确度达到100%。当准确度超过其他因素成为唯一的关注点时,这就很令人担忧了。建立一个过于复杂却无法实现的高准确度模型有什么意义呢?
以高准确度赢得Netflix奖的模型从未正式上线,因为高度的复杂性会带来巨大的工程成本,反而准确度较低的模型则会被采用。因此在考虑准确度时,要权衡简单性、稳定性和业务可解释性。
模型工程:权衡各方面的因素
8. 训练好的模型能一直不出问题吗?
在艰辛地完成建模和测试之后,客户想知道机器是否已经掌握了所有内容。常见的问题是模型是否能一直不出问题,并且适应未来业务的变化?
不幸的是,机器不能终身学习。需要进行不断地训练,通常需要每隔几周或几个月进行复习和训练,就像寒窗苦读的学子一样。如今的分析行业在迅速发展,瞬息万变,因此模型也需要不断进行维护和更新。
结语
在机器学习项目中,以上八大误区会让数据科学家头疼不已,在机器学习建模生命周期的六个阶段也会出现类似问题,如下图所示。
机器学习项目生命周期
导致上述误区的原因在于缺乏对项目的了解,以及没有正确把握主次。了解背后这些原因的数据科学家需要对客户进行更好的说明,从而双方能够更好得解决难题,而不是一味的妥协。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14