從提高運營效率到實現(xiàn)持續(xù)創(chuàng)新，機器學習已經成為企業(yè)發(fā)展的關鍵。然而，IDC發(fā)布的《2020年人工智能戰(zhàn)略觀察：執(zhí)行摘要》顯示，目前全球只有約四分之一的人工智能和機器學習技術方案被應用于生產中，這表明許多企業(yè)并未從這項技術中充分受益。企業(yè)機構唯有快速實施和擴展機器學習模型，使其能夠支持整個企業(yè)內的各種應用，才能充分運用機器學習挖掘實際業(yè)務價值。

然而，大規(guī)模部署機器學習模型也可能為企業(yè)帶來諸多挑戰(zhàn)。例如，規(guī)?；牟渴鹦枰獙崿F(xiàn)“從數據到模型再到成果”這一復雜且反復的端到端工作流程。而且，企業(yè)也需要提高自身治理能力，合理應對模型部署可能帶給終端客戶服務的影響(如隱私問題)，并著眼于數據應用的合規(guī)性和安全性，以及該模型是否能轉化成為生產級模型等。

機器學習的實現(xiàn)依賴于數據

由于機器學習技術是由數據驅動的，因此不存在數據過量問題。事實上，隨著數據獲取量的提升，機器學習工具可以變得更加準確。隨著人、企業(yè)和城市之間的聯(lián)系日益緊密，全球都將持續(xù)不斷地產生大量數據，這也為運用機器學習技術的企業(yè)帶來了更多優(yōu)勢。

但由于機器學習依賴于數據，因此企業(yè)機構需要具備更好的數據管理能力，尤其是當數據需要在多個不同的平臺上生成、存儲和處理時更是如此。根據IDC發(fā)布的《2020年全球企業(yè)上云預測報告》顯示，今年亞太地區(qū)將有超過90%的企業(yè)選擇應用本地或專用私有云、多個公有云以及傳統(tǒng)平臺所組成的混合環(huán)境。因此，對于企業(yè)機構而言，數據在平臺之間的遷移，以及保護和管理所有平臺上的數據可能會存在挑戰(zhàn)。

隨著5G和物聯(lián)網的興起，企業(yè)需要有效管理流數據以及存儲在數據庫中的靜止數據。由于互聯(lián)設備需要根據實時洞察來做出決策，因此流數據對于運行在網絡邊緣的機器學習系統(tǒng)尤為重要。此外，目前同時具備知識和實踐經驗的機器學習操作人員仍然匱乏，這可能也會阻礙企業(yè)機構向數據洞察驅動轉型的進程。為了應對這種情況，企業(yè)可以通過適當降低數據訪問門檻，讓更多員工參與進來，在各個流程中做出以數據為依據的決策。當然，這種方法需要有效的數據治理，來確保數據的一致性和可靠性，以及避免數據濫用的情況發(fā)生。

企業(yè)數據云賦能數據治理

由于機器學習系統(tǒng)所生成洞察的可靠性完全依賴于企業(yè)的數據質量，因此擁有強大的數據治理能力是在企業(yè)機構成功擴展機器學習的關鍵。只有確保數據達到準確性、及時性和相關性等特定標準，企業(yè)用戶才能借助數據治理來做出明智決策。同時，這也降低了成為違規(guī)行為受害者以及違反數據隱私法等法規(guī)的風險。

由于數據分布在不同的平臺上，企業(yè)可能難以使用傳統(tǒng)或點式數據管理解決方案來有效實施數據治理。企業(yè)數據云可以提供一個從數據采集、豐富、報告、服務到分析預測的端到端互聯(lián)數據生命周期解決方案，并且該解決方案可以在多云和混合云環(huán)境中運行，幫助企業(yè)進行數據治理。它還能提供一套基于元數據的集成式安全治理技術，為所有分析功能提供持久化的環(huán)境?；谝陨戏桨福髽I(yè)機構可以確保對數據的訪問，同時能夠確保數據的使用始終獲得授權、追蹤和審核。

Cloudera Data Platform為機器學習構建基礎

選擇合適的技術平臺對于機器學習操作至關重要，Cloudera Data Platform(CDP)等企業(yè)數據云能夠幫助企業(yè)機構完成基礎技術平臺的建立。憑借CDP，企業(yè)機構可以獲得整體數據視圖，以便在需要更多容量時將本地工作負載大量遷移至云端，并分析和優(yōu)化所有位置的工作負載。此外，由于企業(yè)數據云可以在整個數據生命周期內實現(xiàn)安全治理和合規(guī)，這些企業(yè)機構還可以降低風險和運營成本。CDP的在線共享數據體驗(SDX)能夠提供一套基于元數據的集成式安全治理技術，通過統(tǒng)一的方式來管理和維護所有用戶以及分析和環(huán)境(本地、私有云或公有云)的數據訪問和治理策略。

在能夠更好地治理數據之后，企業(yè)機構還可以在機器學習服務上建立進行機器學習操作(MLOps)層。MLOps是數據科學家和運營人員為管理機器學習生命周期而開展的協(xié)作和溝通實踐，旨在減少將模型投入生產的時間和難度，減少團隊之間的摩擦并加強協(xié)作，以及改善模型追蹤、版本控制、監(jiān)控和管理。而且，其還有助于為現(xiàn)代化機器學習模型創(chuàng)建一個真正的循環(huán)生命周期并規(guī)范機器學習流程，為日益嚴苛的監(jiān)管和政策法規(guī)做好準備。

目前，許多企業(yè)機構選用了Cloudera Data Platform(CDP)來加強數據治理能力，進而擴展機器學習應用。以大華銀行(UOB)為例，其通過運用CDP，順利集中了合規(guī)、零售銀行、資產管理和批發(fā)銀行等各業(yè)務部門的數據，獲得了更全面的客戶數據和交易數據。此外，CDP在幫助大華銀行確保數據治理的同時，還有效地將人工智能和機器學習技術快速推廣至更多業(yè)務環(huán)節(jié)，支持150多個大數據分析沙盒，使得200多名用戶可以測試創(chuàng)意和基于數據的創(chuàng)新?？傮w來講，該解決方案帶來了如縮短反洗錢檢測時間、通過提供更有針對性的優(yōu)惠和建議來提高客戶轉化率等諸多業(yè)務效益。

總結

機器學習技術必將推動企業(yè)機構的變革，而且目前許多機器學習應用已經為企業(yè)機構帶來了實際的業(yè)務成果。機器學習可以實現(xiàn)流程自動化，發(fā)現(xiàn)新洞察，從而幫助企業(yè)創(chuàng)造新產品或增強現(xiàn)有產品及服務，從而提供更好的客戶體驗。然而，糟糕的數據質量和缺乏對相關數據的訪問可能會阻礙企業(yè)對于機器學習的應用。因此，企業(yè)機構還需完成全方位運營轉型，具備建立和開發(fā)機器學習模型以及部署和運營整個模型的能力，從而全方位發(fā)掘機器學習的潛力。