iT邦幫忙

第 11 屆 iT 邦幫忙鐵人賽

DAY 4
0

總結ML中的這五個階段,包括貢獻者,授權,數字化,大數據和機器學習。
其中的變化之一是誰或正在執行該過程。
在個人貢獻者階段到代表團,有著人數上的變化。
後方三個階段,是執行流程的同一個實體。是一台電腦或一些伺服器架構。

但是還有另一個差異化軸,那就是我們如何選擇運營參數呢?
所以,從個人貢獻者,一直到數字化,我們正在進行某種市場調查,更多假設的練習,這就是普遍用戶想要的,這就是我的想法我們應該努力完成。
然後我們了解大數據,實際上,我們第一次有機會產生大量非常深入的豐富市場洞察力或用戶洞察力或運營洞察力。
這為我們提供了一種選擇這些操作參數的新方法。
然後在機器學習中,你可以想像我們只是開始回歸或者做一些擬合數據,或者顯然可能是更複雜的曲線,我們開始實際執行這些擬合參數並提取到我們可能還沒有見過的案例。

然後給出了這個最終的差異軸,我們有這些更好的操作參數,它們如何反饋到核心過程的執行中?
因此,只要我們讓人類在第一行完成任務,那麼我們反饋執行的方式,就是擁有某種類似人力資源培訓或參考手冊或人類根據需要引用的東西。

當然,如果你有一個真正的個人貢獻者,那麼最壞的情況就是沒有寫下來。
所以,我們一直希望有一些員工手冊。但是,隨著我們從數字化和大數據轉向,現在,當我們擁有這些新的參數時,我們知道應該向用戶提供什麼。依靠我們的程式工程師將其重新放入代碼中,以便可以對其進行操作並呈現給用戶。
然後,當我們進行機器學習時,機器學習實際上將獲得這些新的操作參數並自動將它們反饋回來。

從無到有跳到完全由機器學習的解決方案很誘人,但這是一個冒險的舉措。谷歌的成功以及可能在您的組織中的成功,通常遵循更加結構化的方法,隨著業務不確定性隨著對用戶和產品利基的更多經驗和研究而降低,前期投資會穩步增加。
ML路徑的主要目標當然是自動化所有框架,這就是我們要做的事情,那就是路徑ML。
好消息是Google可以提供幫助,Google有各種各樣的服務,可以幫助你跨越這條道路,從一個獨立的貢獻者開始。


上一篇
[Day 3] 什麼是 Machine Learning (下)
下一篇
[Day 5] 數據的包容性
系列文
Machine Learning Study 30天學習筆記19

尚未有邦友留言

立即登入留言