隨著我們進入2017年下半年，是時候看看那些使用數(shù)據科學和機器學習的公司面臨的共同挑戰(zhàn)。假設你的公司已經在大規(guī)模收集數(shù)據，需要用到分析工具，而且你已經認識到數(shù)據科學可以發(fā)揮重大作用（包括改善決策或企業(yè)經營、增加收入等等），并進行了優(yōu)先排序。收集數(shù)據和識別感興趣的問題并非小事，但假設你已經在這些方面起了個好頭，那么還剩下哪些挑戰(zhàn)呢？

數(shù)據科學是一個寬泛的話題，所以我要說明一下：本文主要探討的是督導式機器學習的使用現(xiàn)狀。

一切從（訓練）數(shù)據開始

假設你有一支處理數(shù)據攝取和整合的團隊，以及一支維護數(shù)據平臺（“真相來源”）的團隊，新的數(shù)據來源不斷出現(xiàn)，由領域專家負責找出這些數(shù)據來源。而且，由于我們主要探討督導式學習，因此，訓練數(shù)據的缺乏依然是機器學習項目的首要瓶頸，這一點毫不意外。

在迅速創(chuàng)建龐大的訓練數(shù)據集（或者加強現(xiàn)有的訓練數(shù)據集）方面，有一些很好的研究項目和工具。斯坦福大學的研究人員已經證明，弱監(jiān)督和數(shù)據編程可以用來訓練模型，不必使用大量手工標記的訓練數(shù)據。深度學習研究人員對生成式模型的初步研究，已經在無督導式學習的計算機視覺和其他領域取得了可喜的成果。

“思考特性而不是算法”，這是在機器學習背景下評估數(shù)據的另一個有用方法。友情提示：數(shù)據擴充可能改善你的現(xiàn)有模型，在某些情況下，甚至有助于緩解冷啟動問題。大部分數(shù)據科學家可能已經利用開源數(shù)據或者通過第三方數(shù)據提供商，來擴充他們的現(xiàn)有數(shù)據集，但我發(fā)現(xiàn)，數(shù)據擴充有時會遭到忽視。人們覺得，獲取外部數(shù)據、使之規(guī)范化、并利用這些數(shù)據進行實驗，這不像開發(fā)模型和算法那么具有吸引力。

從原型到產品

讓數(shù)據科學項目實現(xiàn)產品化，這是許多用例的目標。為了使這一過程更有效率，近來出現(xiàn)了一個新的工作角色——機器學習工程師。還有一套新的工具用于推進從原型到產品的轉變，幫助追蹤與分析產品有關的背景和元數(shù)據。

機器學習在產品中的應用還處于早期階段，最佳實踐才剛剛開始出現(xiàn)。隨著高級分析模型的普及，有幾點需要考慮，包括：

• 部署環(huán)境：你可能需要與已有的日志或A/B測試基礎設施進行整合。除了把穩(wěn)定、高性能的模型部署到服務器以外，部署環(huán)境還越來越多地包括，如何以及何時把模型部署到邊緣側（移動設備是常見的例子）。把模型部署到邊緣設備的新工具和策略已經出現(xiàn)。
• 規(guī)模，延遲，新鮮度：需要用多少數(shù)據來訓練模型？模型推導的響應時間應該是多少？重新訓練模型和更新數(shù)據集的頻率應該是多少？后者說明你擁有可重復的數(shù)據管道。
• 偏差：如果你的訓練數(shù)據不具有代表性，那么你將得到不理想（甚至不公正）的結果。在某些情況下，你也許可以利用傾向得分或其他方法，相應地調整數(shù)據集。
• 監(jiān)控模型：我認為人們低估了監(jiān)控模型的重要性。在這個方面，學過統(tǒng)計學的人擁有競爭優(yōu)勢。想知道模型何時退化以及退化了多少，這可能很棘手。概念漂移也許是一個因素。就分類器而言，一個策略是把模型預測的類別分布與預測類別的觀測分布進行比較。你也可以設立不同于機器學習模型評估指標的商業(yè)目標。比如，一個推薦系統(tǒng)的任務可能是幫助發(fā)現(xiàn)“隱藏或長尾”內容。
• 關鍵應用程序：與普通的消費者應用程序相比，在關鍵環(huán)境中部署的模型必須更加穩(wěn)定。另外，這類環(huán)境中的機器學習應用程序必須能夠數(shù)月“連續(xù)”運行（不會發(fā)生內存泄漏等故障）。
• 隱私和安全：通常來說，如果你能讓用戶和企業(yè)相信他們的數(shù)據是安全的，那么他們可能更愿意共享數(shù)據。如上文所述，用額外特征進行擴充的數(shù)據往往會帶來更好的結果。對于在歐盟經商的企業(yè)而言，一個迫在眉睫的問題是，《一般數(shù)據保護條例》（GDPR）將于2018年5月生效。在其他領域，對抗性機器學習和安全性機器學習（包括能夠處理加密數(shù)據）的實踐研究開始出現(xiàn)。

模型開發(fā)

媒體對模型和算法開發(fā)的報道越來越多，但如果你同數(shù)據科學家交談，他們中的大多數(shù)人都會告訴你，訓練數(shù)據的匱乏以及數(shù)據科學的產品化是更加緊迫的問題。通常來說，市面上已有足夠多的簡單明了的用例，讓你可以開發(fā)你喜歡的（基本或高級的）算法，并在以后進行調整或替換。

由于工具使算法的應用變得容易，因此，先回想一下如何評估機器學習模型的結果，這很有必要。盡管如此，不要忽視了你的業(yè)務指標和目標，因為它們未必與調試得最好或表現(xiàn)得最好的模型完全相符。關注與公正和透明有關的事情進展，研究人員和企業(yè)正開始檢查、解決這方面的問題。對隱私的擔憂，加之設備的激增，催生了不依賴于集中式數(shù)據集的技術。

深度學習正逐漸變成數(shù)據科學家必須了解的算法。深度學習最初用于計算機視覺和語音識別，現(xiàn)在開始涉及數(shù)據科學家能想到的各種數(shù)據類型和問題。其中的挑戰(zhàn)包括，選擇適當?shù)木W絡結構（結構工程是新的特征工程），超參數(shù)調整，以及描述問題和轉換數(shù)據以適合深度學習。（巧合的是，今年我見過的最有趣的大型數(shù)據產品之一，并不是基于深度學習。）

很多時候，用戶更喜歡可解釋的模型（某些情況下，黑盒模型不被人們所接受）。考慮到基本機制易于理解，可解釋的模型也更容易改進。隨著深度學習的興起，企業(yè)開始使用那些能解釋模型預測原理的工具，以及能解釋模型從何而來（通過追蹤學習算法和訓練數(shù)據）的工具。

工具

我不想列出一個工具清單，因為可列舉的工具實在太多了。幫助我們攝取、整合、處理、準備和存儲數(shù)據以及部署模型的工具都非常重要。以下是對機器學習工具的幾點看法：

• Python和R是最流行的機器學習編程語言。對于那些想使用深度學習技術的人來說，Keras是最受歡迎的入門級語言。
• 雖然筆記本電腦似乎是不錯的模型開發(fā)工具，但集成開發(fā)環(huán)境（IDE）在R用戶中深受歡迎。
• 通用機器學習和深度學習的庫有很多，其中一些更善于推進從原型到產品的轉變。
• 推進從單機到集群的擴展是重要的考慮事項。在這方面，Apache Spark是使用廣泛的執(zhí)行框架。經過一系列的數(shù)據整理后，你的數(shù)據集往往適合部署到穩(wěn)定的單一服務器上。
• 供應商開始支持協(xié)作和版本控制。
• 最后，你可能需要數(shù)據科學工具來無縫整合現(xiàn)有的生態(tài)系統(tǒng)和數(shù)據平臺。

企業(yè)如果想評估哪些問題、哪些用例適合于運用機器學習，眼下就是一個很好的時機。我總結了一些近期的趨勢和尚未解決的瓶頸，你從中得出的主要結論應該是：現(xiàn)在可以開始使用機器學習了。先從已經擁有一部分數(shù)據的問題入手，然后建立出色的模型。

End.

轉載請注明來自36大數(shù)據（36dsj.com)： 36大數(shù)據 ? 數(shù)據科學面臨的共同挑戰(zhàn)