抵御另一个人工智能冬天的最后一道防线(2)

1) 流程： 从概念验证到部署的途径尚不明确。大多数企业在组织内部设定概念验证思路，确定优先级顺序并为部分前景光明的创意提供资金。在试点项目训练完成后，大家会开几瓶香槟庆祝一下，然后就没有然后了。很多团队都不清楚接下来该干啥，例如从哪里申请资金，以及跟谁一道将概念验证扩展为生产级解决方案。实际上，这本身就是个问题，详见第 3 点。

核心问题: 如何从概念验证走向生产系统？

解决方案: 先划拨一笔专款用于预部署。设定明确的部署标准来分配预算资金（例如与旧有模型相比，新模型的准确性至少要提高 2%）。另外，设定确切流程注入后续资金。接下来，制定整合流程，并尽早与 IT 及运营专家开展磋商。如果要对概念验证项目进行最终部署，还必须配备一套资源配置规划方案。

2) 激励： 概念验证项目的 KPI 设置不当。ML 概念验证项目通常隶属于企业中的大规模创新举措。但多数企业往往在 ML 项目中承继了整体创新的基本目标，即重在学习、而非实际部署。这相当于设置了错误的动机与期望。因此，数据科学团队通常专注于尝试前沿技术，而未能在创新与工程可行性之间取得平衡。换言之，他们最终拿出的是可演示的解决方案，而非可集成的实际成果。他们分享的是关于技术本身的知识，而非将技术纳入核心业务体系的方法。激励驱动行为，行为决定结果，请务必牢记这一点。

核心问题: 如何帮助团队构建更多可部署的解决方案？又该如何培养拥有必要能力的团队？

解决方案: 把 KPI 的关注重点从“学习”转化为“可部署创新成果”。努力在创新性与可部署性之间取得平衡。另外，要强调完备的工程设计（具备可行性，在证明价值之前不要过度设计）。最后，对交付成果进行标准化，具体涵盖可供演示的可部署应用程序、整合计划以及关于学习、利弊以及潜在风险的业务案例。

3) 团队： 很多概念验证团队并不具备合适的技能储备。不少数据科学团队只追求构建模型，而不愿意接手工程或者运营方面的工作。正如第 2 点所述，激励与总体期望在这方面起到决定性作用。如果没有采用正确的工程实践，团队只会在尝试部署时面临重重障碍。我们可以想象这样的场景：在投入 4 个月时间构建一套出色的概念验证方案后，高管们也都表示赞许。但在尝试部署后，我们突然意识到至少还需要一年半的时间进行重新设计、组建正确团队并推动工程尽职调查，才有可能让项目真正落地——这无疑会严重影响到投资回报。

核心问题: 如何让团队构建起可部署的解决方案？又该如何培养拥有必要能力的团队？

解决方案: 聘请对工程技术拥有丰富经验以及工作热情的数据科学家。如果没有合适的人选或者薪酬要求过高，不妨邀请内部工程及运营团队的专家组建混合团队。如果这些方式都不灵……也可以在 LinkedIn 上碰碰运气 。

4) 技术： 现有基础设施不足以支撑 ML 项目。开发与生产环境之间存在着巨大的数据与工具差异。结果就是，在我们将解决方案从开发环境迁移至生产环境时，往往需要进行一系列额外的重构与测试。从数据角度来看，大多数生产数据无法在开发模型中使用。在使用生产数据时，机器学习模型的性能可能发生显著变化。而从工具的角度出发，开发模型中包含大量用于创新目的的新型工具，但生产环境无疑更倾向使用稳定性高且具备可扩展性的旧有工具（并不是坏事）。

核心问题: 如何选择既能实现创新、又可稳定运行的最佳技术栈？如何进行整合与简化？

解决方案: 创建一套沙箱环境，用于托管经过清洁且与生产环境高度统一的数据。设定一套实施准则，帮助团队在 ML 工作流中选择正确的工具（例如，如果生产环境不支持 Python Pandas，请始终使用良好的旧 SQL 实施开发环境中的数据流水线传输；在不同关键组件之间切换语言相当麻烦，请务必谨慎）。另外，即使某些基础设施与安全团队表示反对，也请允许并鼓励团队使用 Docker 架构实现高层应用程序堆栈的灵活部署。最后，结合 ML DevOps 实践。

5) 政策： 变革往往会遭遇激烈的反对。相信很多朋友都听说过关于变革以及企业文化转变的讨论，但我在这里仍然要再强调一下。与任何新思维、新工具或者新流程的引入一样，怀疑、不熟悉或者误解等问题的存在，总会带来一定程度的不确定性。结果就是，团队将更多时间耗费在内部争论身上，并最终失去了概念验证项目的最佳落地时机。

核心问题: 如何获得利益相关方的支持？

解决方案: 统一的价值观与利益诉求。建立起拥有正确且清晰价值主张的用例。尽早引导上、下游流程参与进来，确保高管及运营层面的利益相关方了解项目、参与项目。与他们共同设计解决方案，通过第 2 点中提到的流程收集专业意见，并尽早获得支持。另外，记得分阶段推进项目进度。最后，也记得找位在企业内混得游刃有余的老大哥帮忙协调各方意见，这同样非常重要。

如果我们不部署更多 ML 解决方案，人们将会逐渐丧失信心，企业则把注意力转移到更有前途的机会身上，以往的 AI 寒冬终将再次上演。但我坚信，阻碍 ML 部署的很多问题完全可以快速解决，其中有些属于 ML 技术面临的特殊问题，也有些源自企业内的固有限制。

但历史就在我们手中，我们的努力将决定下一波 AI 寒冬是否到来！各位 ML 高管、经理以及从业者，我们是对抗 AI 寒冬的最后一道防线，加油！

（编辑：ASP站长网）