前言

今天來完成 How Google does Machine Learning 第三章節的最後部分~

這次鐵人賽的30天中，我目前所寫文章的所有課程目錄如下：

• 【Day 1】準備日 - 註冊coursera與訂閱課程
• Course - How Google does Machine Learning
  • 【Day 2】 Chapter 1 - 讓你的ML在Google雲端平台運行的五大階段
  • 【Day 3】 Chapter 2(上) - 什麼是ML? 為什麼ML最近才紅起來?
  • 【Day 4】 Chapter 2(中) - 我們要怎麼樣設計一個ML問題? 與google提供的好用工具
  • 【Day 5】 Chapter 2(下) - ML要成功的秘訣與策略
  • 【Day 6】 Chapter 3(上) - ML會失敗的最常見十大陷阱

Course - How Google does Machine Learning

第三章節的課程地圖：(紅字標記為本篇文章中會介紹到的章節)

• How Google does ML
  • Introduction
  • ML Surprise
  • The secret sauce <- (昨天到這邊)
  • ML and Business Processes
  • The Path to ML
  • End of phases deep dive
  • Module 3 Quiz

1. ML and Business Processes

課程地圖

• How Google does ML
  • ML and Business Processes

(from "No ML" to "ML")在目前的組織中加入ML的方式，我們可以先原先的業務流程來看，
我們先觀察客戶與公司之間的活動，這裡以call center作為例子：

現在有個call center

1. call center員工接聽客戶問題，回答客戶問題
2. 詢問顧客滿意度調查
3. 依據調查結果，整理調整回答問題的方式與內容(訓練機構)
4. 將調整後的內容給員工訓練

而這樣的例子我們用一個較一般化的表示方法如下圖：

這樣就是一般的 General Feedback Loop，我們試著在其中加入ML，
這裡我們必須先提到有五點 Path to ML 的方法

1. Individual contributor

一個人負責這件事情

2. Delegation

開始多人負責這件事情，有組織化，或有組織平行的在運作相同任務
(通常到這階段會開始制定一些rules)

3. Digitalization

開始將一些"重複性高"的動作(rules)，透過電腦來自動化幫人處理
一個容易理解的例子：ATM

4. Big Data and Analytics

使用大量的data去更符合使用者的需求(insights)

5. Machine Learning

再將前面的所有資料，去進化我們的電腦處理流程(使完全自動化處理)
(自己的註：這邊的自動化，指的是連"符合使用者的需求"這件事也自動化了)
例子：youtube推薦，要先讓使用者有回饋給youtube喜好，youtube才能主動推薦影片

而回到我們該如何加入進去我們的 General Feedback Loop，

1. Individual contributor
2. Delegation
3. Digitalization

前三個步驟裡面可以影響到process本身，
這三個步驟主要是再處理使用者面臨到我們產品的階段。

4. Big Data and Analytics
5. Machine Learning

Big Data and Analytics主要影響到的是我們如何找尋使用者的insights，
簡單換句話說就是知道(或更加清楚)使用者想到的是什麼，

Machine Learning，我們原本藉由調查來知道使用者需求(上一個階段)，
並依這件事情訓練員工，使顧客能享受到更好的服務，
但現在我們可以用ML處理掉這階段，使得訓練員工(員工現在已經是我們的電腦)，
自動化的讓顧客能享受到更好的服務。

2. The Path to ML

課程地圖

• How Google does ML
  • The Path to ML

這個章節我們要接續講上章的Path to ML，
但我們要來更詳細分析這幾個階段，
如果需要定義的話可以往上一章節看。

而在這個章節中，我們也可以拿這五個步驟來檢視一間企業目前可能碰到的問題。

Path to ML的五大步驟如下圖：

Step1. Individual contributor

由個別的人去應對一件需求。

如果skip這步驟會怎麼樣?

1. 可能很難擴展規模。
2. 沒有一個人先嘗試過，或先提早失敗過，直接建立一個很大的團體，
   如果問題發現後，很難能夠整個組織大幅度的調整。

如果這步驟太久會怎麼樣?

1. 一個人掌握了所有的技術，當他離開時也將所有技術帶走，
   公司直接沒有了這樣的技術，嚴重可能公司因為沒有會此技術的人而停止運作。
2. 很難去擴大規模去應對使用者的需求。

Step2. Delegation

開始由個別的人擴展變多人去應對一件需求，能同時處理需求的量也提升。

如果skip這步驟會怎麼樣?

1. 不知道怎麼建立process，很多rules都是再規模化的這階段被建立起來的。
   如果沒有rules，也很難在下一個步驟交由電腦自動完成。
2. 可以再這階段累積大量不同的使用者需求，藉由不同人不同個性能得到不同的回饋經驗，
   例子：call center，每個人回覆的個性不同，也能幫助我們收集需求考慮得更全面。
   (反過來說skip就沒有)
3. 也是藉由大量客戶的反應回饋，造成human in the loop的良性循環。
   (使客戶能反覆地提供我們改進的地方。)

如果這步驟太久會怎麼樣?

1. 付出很高的成本在服務每一個客戶
   (試想一個人一直待在銀行，只為了等待客戶來處理事情的成本，與ATM比較)
2. 有太多的人，就會有太多種聲音，可能導致服務標準不一致。
3. 甚至最後可能會讓組織發展停留在這階段。

Step3. Digitalization

開始讓電腦來代替人力去自動化處理一些反覆的事情。

如果skip這步驟會怎麼樣?

1. 就算是ML，也需要一些基礎的設備
2. 沒有先做一些基本的IT project(software)，
   沒辦法提早在這階段先測試一些簡單的case能否成功，
   直接跳到ML階段，導致ML失敗，整個project也失敗了。

如果這步驟太久會怎麼樣?

1. 你的競爭者更快速的收集資料，並搶先找到新的insights，
   別人的General Feedback Loop先被良好的建立後，你可能就會被打敗。

Step4. Big Data and Analytics

藉由自動化的服務，收集大量使用者的數據，並找到新的使用者需求(痛點)。

如果skip這步驟會怎麼樣?

1. 不夠乾淨與組織化的資料，你也不知道做ML訓練的最終目的是為了什麼。
2. 沒有大量數據的證明，很難預估自己會成功。
   ML是拿來improving成功的，也就是要先有一定的基礎才能透過ML強化，
   我們先自己反覆的做這樣的分析，再交由ML替我們分析，這樣ML訓練能順水推舟。

如果這步驟太久會怎麼樣?

1. 基本上，在這裡待很久並不會產生太大的問題，
   google也很常在這個階段停留非常久、甚至數年。
2. 但是透過ML能分析得更快，甚至讓結果更好，
   停留在此有可能會限制能解決問題的複雜性。

Step5. Machine Learning

這個步驟就是將前面的步驟(Step4. Big Data and Analytics)自動化，
透過ML能處理的訊息量遠遠超過一個人能應付的極限，
而且我們能用更快的速度處理前面所有的需求，
甚至是更細緻的細節處理，帶來整體更好的效率與體驗。

3. End of phases deep dive

課程地圖

• How Google does ML
  • End of phases deep dive

這章節是Path to ML的總結論，另外我們也會在此試著用另外的角度來看這五個流程。

我們一樣先回到五個步驟，我們換個圖來表示：

觀點1：誰是執行者?

從第一列我們可以看出，> 階段從
一個人(階段1.)->
很多人(階段2.)->
電腦處理(階段3.4.5.)」

觀點2：我們怎麼選擇調整的參數? (我們從哪裡知道如何調整以符合使用者需求?)

從第二列我們可以看出，階段從
一個個的調查結果(階段1.2.3.)->
調查結果整體分析(階段4.)->
調查結果分析並找出公式(階段5.)

觀點3：誰來幫助我們進步? (我們自己如何調整以符合使用者需求?)

從第三列我們可以看出，階段從
員工手冊或有人帶領新員工學習新的應對方式(階段1.2.) ->
工程師找到規則，並對機器coding符合使用者需求(階段3.4.) ->
machine learning(階段5.)

最後的提醒：

1. 從沒有到直接"完全的使用ML"來解決問題是很危險的(對企業來說)
   依照上面所說的Path to ML做可以減少很多不確定性，是比較安全的做法
2. Path to ML的終極目標就是將整個General Feedback Loop的過程自動化。
3. 使用GCP平台的協助，能使這段Path to ML過程更加順利。

參考資料

• coursera - How Google does Machine Learning 課程

• 若圖片有版權問題請告知我，我會將圖撤掉