使机器学习民主化以赋能现代业务
来源：CPDA数据分析师网 / 时间：2021-05-18
值得注意的是，无需依靠昂贵的技术人员就可以完成所有这些工作，是什么阻止小型企业采用机器学习？作为一种新兴技术，机器学习仍处于成熟状态，机器学习方面经验丰富的数据科学家和软件工程师在整个行业中都有大量需求，因此价格也很高，绝大多数公司无法预算这些技术资源来成功实施基于ML的预测分析，几年前我进行了一些有关为何数据科学家如此昂贵的研究，并指出该解决方案是系统的解决方案，需要数年的时间才能进行纠正。
尽管成本通常对聘用数据科学家的决定具有重要的影响
但这并不是的障碍，数据科学家不能孤立运行，需要基础架构和支持来产生有意义的影响，需要时间经验和大量资源才能做出正确的决定，很难找到一位优秀的数据科学家，更不用说拥有特定行业专业知识的科学家了，因此即使中小型企业有预算并且可以聘请数据科学家，他们几乎肯定也不会理解您的行业，您的数据和您的问题，因此这种支持对成功变得更加有意义。
机器学习的民主化如何产生影响？
与机器学习取代员工相反，该技术实际上增强了人类的决策过程，通过为业务分析师提供增强的功能，以从公司数据中获取见解，无论情况如何，小型公司都可以做出更有效的选择，从金融服务到零售，这种方法已经在许多行业有所作为，可帮助现有员工解决通常需要数位科学团队花费数周才能解决的问题，AI这个新概念说明了在实际使用数据的专业人员的掌握下机器学习的强大功能，用户可以运行一个基本的SQL查询，该查询在结果集中返回预测。实际上，以与数据库表类似的方式查询机器学习模型。
不必停留这种方法降低了使用ML模型所需的专业知识水平
需要数据的人可以从公司的数据存储中获得可行的见解，而无需数据科学家或软件工程师。
机器学习模型可以信任吗？
更为重要的问题是“何时可以信任机器学习模型？” 同样重要的是“他们什么时候不可以？” 如果模型的创建者甚至报告给他们的管理层无法确定他们使用的模型的信任级别，那么终将削弱其进行更改的能力，人们将不太可能依靠它来进行决策，从而降低其影响，因此机器学习模型需要利用称为AI的概念，该概念详细说明了模型为何返回特定预测的原因，有了底层数据的知识，终用户就可以提高模型的准确性，并洞悉何时可以信任模型以及何时不能信任模型，随着时间的流逝，随着企业内部越来越多的人使用AI表，这些基础模型变得越来越受信任，毕竟使机器学习民主化的终目标是使数据更易于访问和可行，明智的业务决策成为终结果。