智能应用 影音
未来车产业价值链平台
12/16 Research产业趋势论坛

【专家观点】机器学习即服务的挑战与机会

【专家观点】机器学习即服务的挑战与机会

如今,企业每天都要处理大量的数据,数据成长的速度比以往任何时候都要快。同时,由於产业竞争的快速变化,能否快速进行决策,对於商业组织来说至关重要。机器学习(ML)对於寻求竞争优势的企业来说是一项不可或缺的技术,因为它可以快速处理大量数据,帮助企业更有效地向顾客提出建议,优化制造流程或是预测市场变化。

机器学习即服务(MLaaS)在商业情境中被定义为—设计和导入机器学习模型的公司,借助机器学习技术为客户提供持续一贯的服务。这对於顾客需求与行为快速变化的产业格外重要,特别是2020年以来COVID-19(新冠肺炎)大流行,人们的购物习惯、工作行为和社交方式都发生急遽的变化,也迫使企业也不得不改变服务客户的方式以满足新的需求。

这意味着企业蒐集和处理数据所采用的技术必须更加弹性,才能更快地导入新数据,并且灵活地在商业决策上应用,赋予企业快速采取移动的竞争力。

将机器学习模型延伸为机器学习即服务的当前挑战在於「如何建构模型?」,以及「如何教会未来的机器学习人才落实这项工作?」

「训练模型的数据不可能完美」

目前机器学习模型的研发工作多半集中在单一模型的建构上,通常人们采用一组数据用於模型的训练上(预先设定好系统该具备哪些功能与标签),以针对另一组数据的标签(通常称为测试数据)产出精准的预测。但是,如果我们希望满足的是现实世界中顾客不断变化的需求,企业用以训练和测试模型的数据就不能那麽清楚地一分为二,因为,今天用於测试或预测的数据可能立刻就要作为明天用於训练模型的数据,才能让模型不断优化,拥有更佳的表现。

由此可知,用於训练模型的数据不可能是完美的,原因除了现实世界中的数据来源不完整、数据并非结构化数据,像是客户的开放式问卷;而数据在蒐集过程中也有可能存在偏见,例如用以训练推荐模型的数据通常来自另一个在线推荐系统蒐集到的反馈,正因为训练模型的数据存有另一个模型的影子,因此偏见不可能消失。

复杂的使用行为难以预测

此外,我们最在意的结果通常是最难被预测和推论的。以电商品牌的数码行销过程为例,常见的用户旅程是消费者「点阅商品」、「查看商品」、「将商品加入购物车」、最後才「购买商品」,但往往系统所记录的用户轨迹很少这麽单纯,人们可能会在不同设备上多次查看某件商品,可能会将商品从购物车移除後再重新加入,可能在犹豫了好一阵子後还是放弃购买,这些复杂的动机与移动都是单一机制难以去预测和推论的。

而且,要得知用户到底有没有购买会比取得其点阅或浏览的数据更加困难,因为如果消费者不是在你的平台完成结帐,你根本无从得知他是否还想要收到这件商品的广告。假如MLaaS只仰赖最简单点阅和浏览指标,模型的建议很有可能无法满足最终的业务目标,因为模型有可能在错的时机发送推播信息。

现实世界客户需求不断变化

对於一家提供机器学习服务的B2B AI公司而言,他们通常要为成千上万个来自不同领域的客户提供服务,这意味着至少有数千个模型持续在在线提供服务,为了使这些模型能够始终如一地运行,并且满足客户不断变化的业务目标,便需要每天不断对模型进行训练或更新数据,好让模型因应现实世界中客户不断变化的任务需求做出调整。因此,模型创建者不仅要完善模型自动训练的流程,还需要确保模型发生局部误差的概率趋近於零,才能持续满足客户提出的业务目标。

维持MLaaS模型整体的稳定性和机动性非常重要,这绝对是一件非常具有挑战性的任务,需要仰赖持续不断的投资、研究和实验才能办到,但是能做到这一点的公司也将享有MLaaS带来的巨大回报,因为随着时间持续迭代的模型能帮助他们适应不断变化的商业环境,在业界保持领先地位。

  •     按赞加入DIGITIMES智能应用粉丝团
更多关键字报导: 机器学习 机器学习即服务