根据Gartner的说法，机器学习正处于顶峰。 我们从事数据分析和机器学习领域解决方案的开发和实施，我们的DATA4团队在关键阶段和陷阱方面获得了经验，我将在本文中分享这些经验。
考虑实施阶段：
1.问题陈述
任何技术都必须解决特定的业务问题。 需要另外一篇文章来描述机器学习的所有应用，但是可以区分几个主要领域。 这是预测分析（得分，流出，确定最佳报价，相关产品等），文本分析（Internet上的评论，内容审核，参考主题等），语音分析和视频分析。
为了成功实施，有必要确定我们正在改善的KPI业务，我们如何以及以何种度量标准来衡量结果。
2.数据的收集，存储和预处理
设置任务后，有必要创建培训样本（不幸的是，大多数业务任务都是通过“与老师一起学习”解决的）。 根据我们的经验，采样是最长的一步。 为了减少它，公司必须具有处理数据的文化。
除了收集数据外，还需要清除它们并确定影响最终结果的功能。
3.算法训练
算法部分的开发是最有趣的，也是最快的阶段。 通常需要花费几个小时到几周的时间。
4.开发高级打包带
该解决方案不仅应对数据分析专家明确，而且对实施此解决方案的程序员或管理员也应明确。 而且，如果这是一个高负载的解决方案，或者是对安全性要求更高的解决方案，则可能必须将其从Python重写为另一种语言。
5.整合
通常，由于需要额外的沟通和批准，因此会花费大量时间。 此阶段最好由客户团队的内部力量执行。
6.反馈收集，模型调整
世界在不断变化，在开发之初就不能考虑所有功能。 反馈收集有助于及时重新训练模型。 理想情况下，在此阶段，该周期重新开始，但是时间较少。
基于机器学习的解决方案的特点：
- 机器学习基于统计数据，当算法给出错误的预测时，这是正常现象。 最好立即通过评估质量的指标，这些指标的含义（并非每个人都知道F度量和Roc-Auc是什么）来向业务客户解释，并且手动设置3个示例并查看结果很有趣，但在统计上并不重要。
- 预测结果不佳。 数据并不总是包含有用的信号，因此不可能事先准确地预测结果。 我们通常采用数据，建立简单的模型，并已经基于它们说出可以实现什么样的结果。 此问题不适用于某些经典任务（面部识别，语音识别等）。
- 机器学习是最后一英里的技术，而不是所有问题的灵丹妙药。 如果卖方不接听客户的电话并且不回电，那么引入语音分析将毫无意义。
- 大部分时间都花在集成以及数据的收集和处理上，而不是在训练算法上（很少有例外）。
与第三方开发人员合作的选项：
- 按小时付款。 仅适用于快速原型制作和MVP。 但是不适合需要进一步支持的解决方案。
- 合同开发。 知识产权传递给客户，可以提供支持，但是必须谨慎规定传统知识。
- 从行之有效的付款。 根据DATA4的个人经验，这种情况在批准方面过于复杂，实际上在实践中不适用。
或者，您可以使用IBM，Microsoft等的现成平台，但实际上，不断使用会带来昂贵的成本，使用现成的工具来实现特定案例并不总是可能的，并且在那里可以发送什么数据受到限制。
结论
机器学习技术提高了业务效率，但是我们必须记住，为了做出一个完整的决定，仅仅训练算法是不够的，而是必须准备数据并将解决方案与内部系统集成。 并准备好结果将取决于训练样本的质量。