建立科学的组织架构：如何找到合适的问题？

在从事了10年机器学习相关工作，并与许多经历了机器学习不同发展阶段的客户进行讨论后，我认识到有4个因素能促进机器学习得到成功采用。首先是数据，当谈到真正的机器学习时，数据整理是需要做的第一个工作；其次是对于机器学习如何应用的理解；再次是解决人才缺乏的问题，从而打破技术限制；最后是不要进行无差别的繁重工作（如每个机构都去建立自有的机器学习基础设施）。

为机器学习寻找适当的场景，其实就是为机器学习找到正确对应的问题，通常我们会进行3个维度的评估。首先是数据的准备是否妥当；其次是这个问题对于业务的影响程度，也就是问题解决的必要性；最后是评估机器学习在这个问题上的适用性，也可以说是评估当前的技术水平是否足以解决该问题。一个理想的情况是，选择的问题对业务影响很大，同样有足够的数据资源，并且最先进的机器学习算法也能适用，那么这个问题的解决就能对整体业务带来重大且有意义的推动。

在采用机器学习的过程中，设定适合的组织架构同样重要。机构通常会聘请管理人员和技术专家组成一个核心团队，这种类型的团队虽然能做出一些成果，却与行业专家和机构中的其他人缺少联系，从而让看上去不错的机器学习模型并不能适配具体的业务问题。更为理想的状况是组建一个包括技术专家、行业专家和业务人员的综合团队，这样才更有可能在机器学习应用方面取得有意义的进展。(www.xing528.com)

雇用了最优秀的人才、选择了正确问题，甚至正确制定了数据策略后，许多机构会去建立“无差别的基础设施”，这需要支付很大的成本并且浪费了时间。我一直建议这些组织不要再做无差别的繁重工作，因为善用外部服务可以更有效地解决这个问题。比如使用如Sage Maker之类的工具，可以更好地构建、训练、优化和部署机器学习模型并加快项目的进展。这就是AWS的使命所在：为每位开发人员、数据科学家和研究人员提供工具。