除Google、Facebook以外的公司們，該如何打造自己的機器學(xué)習(xí)團隊？作者給出了自己的建議：小公司，雇用擅長工程和數(shù)據(jù)的ML人才；中型公司，聘請一位優(yōu)秀的機器學(xué)習(xí)研究人員，雇傭更多的機器學(xué)習(xí)工程師，協(xié)同增效，各盡其職；大公司，避免從頭建立自己的機器學(xué)習(xí)基礎(chǔ)設(shè)施，鼓勵工程師掌握機器學(xué)習(xí)。

最近，來自不同規(guī)模、不同行業(yè)的朋友一直問我同樣的問題：

“我如何將機器學(xué)習(xí)應(yīng)用到我的公司里？”

這些人知道充分利用機會學(xué)習(xí)的話會得到甜頭。而這里面每個人的困境都是如何將其轉(zhuǎn)換成現(xiàn)實，如何發(fā)揮作用，如何雇用人員并獲得成功。

所以，我根據(jù)這些公司不同的業(yè)務(wù)規(guī)模，給予不同的建議：

當(dāng)你只是個小團隊…

以下是我對處于早期創(chuàng)業(yè)階段的公司或非盈利機構(gòu)關(guān)于如何打造機器學(xué)習(xí)團隊的建議：

對于一家小型的、沒有資金或資金不足的公司來說，在企業(yè)內(nèi)部獲得機器學(xué)習(xí)專業(yè)知識應(yīng)該是不可能的。但好消息是，許多機器學(xué)習(xí)從業(yè)者都對這種工作感到興奮。

尋找那些關(guān)心公司使命的人。在這個規(guī)模上，您將依靠您的機器學(xué)習(xí)從業(yè)者實現(xiàn)從數(shù)據(jù)收集和清理到部署的端到端的一切。

雇用工程和數(shù)據(jù)專業(yè)的人才肯定是小企業(yè)的首選。那些已經(jīng)返回校園或者線上工作的經(jīng)驗豐富的工程師可以順利完成這些工作。因為目標(biāo)并非完美，所以要讓系統(tǒng)端到端工作，然后慢慢優(yōu)化所有步驟。如果是我選擇候選人，我會選擇簡歷里展示了參加一些Kaggle比賽或自我導(dǎo)向的項目，開朗務(wù)實的人也是好的選擇。那些希望在構(gòu)建和測試模型之前將一種模型應(yīng)用于所有內(nèi)容，或者想要花費數(shù)月優(yōu)化數(shù)據(jù)管道的研究人員卻不是合適的人選。

當(dāng)你已經(jīng)發(fā)展成了一個中型公司…

當(dāng)那些對機器學(xué)習(xí)應(yīng)用程序感興趣的不初創(chuàng)公司或中型企業(yè)建立機器ML團隊時，我建議他們采取略微不同的方法。與谷歌不同，你不能雇用很多研究人員，因為你不需要他們來撰寫研究論文。

成功組建團隊的關(guān)鍵是聘請一位非常優(yōu)秀的機器學(xué)習(xí)研究人員，并讓他與數(shù)據(jù)工程師合作，以提高他們的工作效率。這樣的人才就像珍貴的寶藏，請不要讓他們編寫代碼，把他們安排在想要學(xué)習(xí)機器學(xué)習(xí)的工程師中，實現(xiàn)“王者帶青銅”。

一些公司建立了一個功能性的機器學(xué)習(xí)小組，而一些公司將機器學(xué)習(xí)嵌入到團隊中。很多人對此褒貶不一，但我必須實事求是地說，這兩種組織結(jié)構(gòu)都有效。

一個機器學(xué)習(xí)團隊如何真正幫助人才？這通常是最大的瓶頸。您需要仔細管理團隊，以確保他們正在為公司執(zhí)行最相關(guān)的任務(wù)。在整個組織中合理分配機器學(xué)習(xí)專業(yè)知識是很實用的，因為這樣機器學(xué)習(xí)專家就可以接近最終用戶，但它也會使招聘更加困難。

雇用更多的機器學(xué)習(xí)工程師而不是機器學(xué)習(xí)科學(xué)家，并且保證分配給他們的任務(wù)是匹配適合的，這點至關(guān)重要。

通常來講，機器學(xué)習(xí)團隊進行算法優(yōu)化的操作通常與商業(yè)需求并不相符。如果沒有一個有效的端到端系統(tǒng)，這種錯位可能會長達數(shù)月。另一個常見問題是需要更改或更新訓(xùn)練數(shù)據(jù)，但在訓(xùn)練和部署算法之前人們往往不會發(fā)現(xiàn)數(shù)據(jù)需要更新。因此，在更新數(shù)據(jù)之前，讓端到端系統(tǒng)盡可能快地進行就變得至關(guān)重要。

成為大公司后，也有困境…

與很多大公司合作，我一次又一次地看到了相同的錯誤。在這個范圍內(nèi)，一家公司能夠雇用優(yōu)質(zhì)的ML人才，但沒有更多預(yù)算與行業(yè)巨頭競爭。

Facebook和谷歌的精英團隊正在使用標(biāo)準(zhǔn)的開源模型和架構(gòu)。最近，我與許多財富500強企業(yè)進交談時發(fā)現(xiàn)，這些企業(yè)正在建立自己的神經(jīng)網(wǎng)絡(luò)架構(gòu)而不測試是否有必要這樣做。

機器學(xué)習(xí)研究人員喜歡做研究，而管理者則欺騙自己：研究人員正在構(gòu)建有價值的IP。事實上，他們并非如此。他們浪費了大量的時間來進行一些重復(fù)的事情，而那段時間最好花在最新的尖端模型上。最好從最簡單，最標(biāo)準(zhǔn)的事物和層著手，每增加一部分都應(yīng)該保證能對算法的性能產(chǎn)生重大影響。

大公司應(yīng)避免建立自己的機器學(xué)習(xí)基礎(chǔ)設(shè)施。我與之交談的所有科技公司幾乎都在建立自己的定制機器學(xué)習(xí)堆棧，并且感到非常興奮。使用開源工具比構(gòu)建和維護自定義基礎(chǔ)架構(gòu)更具可持續(xù)性。

大公司應(yīng)該培訓(xùn)他們的工程師進行機器學(xué)習(xí)。工程師非常渴望學(xué)習(xí)機器學(xué)習(xí)，如今的基礎(chǔ)工具使得這個想法變得更容易。在這一點上，我認為培訓(xùn)工程師學(xué)習(xí)機器學(xué)習(xí)比培訓(xùn)機器學(xué)習(xí)從業(yè)者如何成為優(yōu)秀的工程師更有效率。無論如何，具有一些機器學(xué)習(xí)培訓(xùn)的工程師可以通過多種渠道發(fā)揮作用。一些公司正在這樣做，但我很驚訝更多的公司沒有明白這一點。

?

建立機器學(xué)習(xí)團隊真的值得嗎？

招聘ML團隊既昂貴又需要大量工作。一些公司雇用一支ML團隊，但目的只是為投資者檢查一些設(shè)備，這就太浪費資源了。無論公司的規(guī)模如何，如果沒有明確的機器學(xué)習(xí)應(yīng)用程序，這家公司必然會后悔進行這項投資。所以，組建之前，要問自己的關(guān)鍵問題是：

1）我有需要通過機器學(xué)習(xí)才能解決的問題嗎？

2）我可以獲取相關(guān)的培訓(xùn)數(shù)據(jù)嗎？

3）我試圖解決的問題對我的業(yè)務(wù)至關(guān)重要嗎？

如果你對所有這些問題回答“是”，那么就可以著手準(zhǔn)備了。