企业为了改善营运而部署AI机器学习，但往往遭遇挫折。究其原因，在于企业关注科技远多于关注如何部署科技。本文建议把焦点移回部署，并提出一套bizML方法，以6大步骤引导企业一步步规画，为改善营运做出最好的准备。
Qi Yang/Getty Images
人类最新、最伟大的发明一问世，就陷入停滞。机器学习（machine learning, ML）项目有潜力帮助我们应对最为重大的风险，包括野火、气候变迁、疫疾大流行与儿童虐待事件。它能够刺激销售、削减成本、防止诈欺、简化制程并强化医疗。
但是，ML项目常常无法带来报酬，或是无法完全部署。它们在部署之前就已经停滞不前，而且成本高昂。一个主要问题是，企业通常关注科技多于关注如何部署科技，就像对火箭的开发比对火箭的发射更兴致高昂。
我在本文提出一个解方：运用6个步骤，引领ML项目从构思走向部署。我称这个架构为「bizML」，它的目的是为成功执行ML项目建立一本最新、也符合产业标准的操作手册，对于企业专业人员与数据专业人员来说，不但切身相关，也深具吸引力。
扭转错置的焦点
ML的问题出在它的热度。各界热烈讨论核心的科技，往往蒙蔽我们的眼睛，无法详实了解它的部署会如何改善企业的营运。从这个角度来看，ML本身现在已经过热。这是我从数十年的咨询与举办ML会议的经验悟出的教训。
当今的ML热潮之所以过头，是因为它助长一个常见的错误观念，那就是「机器学习谬误」（ML fallacy）。它的推论如下：既然ML算法可以成功产出新模型，适用于前所未见的新状况（这一点既神奇也确实为真），那么这些模型本质上就具有价值（这一点不一定为真）。然而，只有在ML创造组织变革时，也就是只有在ML产出的模型是被部署来积极改善营运时，ML才有价值。模型如果没有「用」来积极改造组织的运作方式，就是「没有用」。模型本身无法解决任何企业问题，也不会自己部署自己。唯有你用ML进行破坏时，它才能成为众所吹捧的「破坏式科技」（disruptive technology）。
可惜，企业常常无法缝合企业与科技之间的「文化差距」，也就是数据科学家与企业利害关系人之间的脱节，因而阻碍部署，造成模型闲置荒废。一方面，数据科学家执行模型开发步骤，只关注数据科学，一般而言不想为管理「俗务」费心。他们通常把模型的部署视为理所当然，跳过严密的商业流程，因为这个流程需要利害关系人的协作来为部署做规画。
另一方面，许多企业专业人员，尤其是那些容易认为细节「太过技术」而略过的人，已经为这项惊人的科技目眩神迷，认定它是可以自行解决问题的万灵丹。他们在任何项目细节上都对数据科学家言听计从，但是等到最后发现部署下去的模型可能引发营运变革时，却又难以接受。措手不及的利害关系人犹豫不决，不知道是否要改变对公司获利至关重要的营运。
既然双方都不主动承担，也就无法顺利合作。很多时候，数据科学家提供可行的模型，但是因为营运团队还没有做好准备，所以功亏一篑。虽然也会出现一些令人惊艳的例外与辉煌的成就，但是我们今日触目所及，ML普遍低落的成效预示着未来要面临普遍的幻灭——甚至是可怕的「人工智能（AI）寒冬」。
解决方案：BizML
做为补救，每个ML项目从一开始就要为部署做审慎的规画。要为部署可能带来的营运变革打好基础，其中所需要的倡导、交流、跨领域协作与变革管理的气魄，都比许多人一开始意识到的还要多，包括我在内。
为了完成这个目标，有见识的团队必须协作，遵循一套有始有终的实务方法。而这套方法就是先从目标开始反推，来为部署做规画。正如前文所提到的，我把这套方法称为bizML，由以下6个步骤所组成。
1. 订定部署目标。界定企业价值主张：ML要如何影响营运，以便改善这些营运（即「落实」或「实行」）。实例：UPS预测包裹递送的目的地地址，以规画更有效率的递送流程。
2. 订定预测目标。界定ML模型要对每个案例预测什么项目。从企业角度来看，每个细节都很重要。
实例：针对每个目的地，明天要停几站、送多少个包裹？例如，位于主街123号、有24间商务套房的3座办公大楼群，上午8点30分之前要停2站、各送3个包裹。
3.订定评量指标。决定模型训练与模型部署期间要追踪哪些重要指标，并决定项目要达到何种绩效水平才算成功。实例：行驶里程数（英里）、耗油量（加仑）、碳排放量（吨）与每英里停站数（递送点愈密集的路线，每行驶一英里所产生的价值就愈高）。
4. 准备数据。定义训练数据该有的形式，并将数据整理成该形式。实例：汇整大量正面与负面案例以供学习——在某些日期有递件成功和没有递件成功的目的地。
5. 训练模型。从该数据产出预测模型。这个模型就是「学习」到的成果。实例：判定树、逻辑回归、神经网络和集成模型。
6. 部署模型。使用模型算出预测得分（机率），从而把学习到的成果应用于新案例，然后根据那些得分采取行动以改善企业营运。
实例：UPS把预测的包裹与已知的包裹都纳入考虑，藉此改善货运中心货车的包裹分派系统。这项改善估计每年可以省下1,850万英里、3,500万美元，80万加仑燃油与18,500公吨的排放量。
这6个步骤构成一套企业实务方法，为ML的部署指点一条聪明的路径。所有想要参与ML项目的人，无论是担任企业职务或技术职务，都必须熟悉这6个步骤。
走到第六步（部署）之后，才算完成——开启新的阶段。BizML只开启了一个继续进行的旅程，也就是一个新的阶段：执行改善之后的营运，以及维持一切顺利进行。这个模型一旦启动，就需要不断养护：监测、维护并定期更新。
在逻辑上，6个步骤几乎必然依序进行。至于原因为何，我们以终为始，从最后两个步骤开始探究。步骤五和步骤六是ML的两个主要步骤，分别是模型训练和模型部署。BizML引领项目完成这两个步骤。
这两个步骤之前的步骤四（准备数据），众所皆知是模型训练的必要前奏。你必须为ML软件提供正确形式的数据，ML软件才能发挥效果。自从线性回归在1960年代首次为企业采用以来，这个步骤一直是建模项目不可或缺的一部分。
科技施展魔法之前，你必须先施展企业魔法——这就是前三个步骤的用意：建构一个迫切需要的「前期制作」阶段，进行倡导、交流和协作，针对ML的部署方式以及绩效评估方式取得共识。重要的是，前三个步骤不只是针对项目的企业目标取得共识。它们要求企业专业人员，深入研究哪些机制会左右预测如何改变营运；此外，它们也要求数据科学家，跳脱寻常所在的领域，与企业人员密切合作。这个跨领域团队具备独一无二的能力，可以摸索出一套在技术面与企业面都可行的部署计划。
拉进企业利害关系人
能够按部就班遵循BizML方法的所有6个步骤并不常见，但也不是完全不曾听闻。即使是少数，还是有许多ML项目非常成功。虽然经过这么久终于出现一套知名而成熟的架构，但是这套bizML架构的核心概念，对许多经验丰富的数据科学家来说并不新。
最有可能对它不熟悉的，反而是最需要它的人——企业领导人与其他的企业利害关系人。实际上，商业界甚至一开始普遍没有意识到他们需要一套专门的企业实务方法。这一点可以理解，因为他们被常见的说法所误导：AI通常被过度包装成一种深奥但令人期待的万灵丹。同时，许多数据科学家宁可埋头研究数字，也不愿意花心力解释。
“AI通常被过度包装成一种深奥但令人期待的万灵丹。同时，许多数据科学家宁可埋头研究数字，也不愿意花心力解释。
重要的事先做：企业专业人员需要一些教育。主事者若要能够信心满满地参与bizML实务方法，且最终为模型的部署开绿灯，必须先具体了解ML项目全程的运作方式：模型要预测什么？这些预测究竟会如何影响营运？哪一项指针可以有意义地追踪模型预测能力？需要什么样的数据？这些都不涉及高深的技术，不过仍然足够写出一本书。
机器学习已经吸引大量资金和资源，我们若是实行一套通用的程序，来促进部署所需要的协作与规画工作，能从中多取得多少潜在价值？且让我们拭目以待。本文摘录自《AI剧本：掌握机器学习部署的罕见艺术》（The AI Playbook：Mastering the Rare Art of Machine Learning Deployment）一书，经过出版该书的MIT出版社许可。本书是作者在弗吉尼亚大学达顿商学院（University of Virginia Darden School of Business）一年期分析讲座教授的研究成果。
文章来源：哈佛商业评论 4月号
