企業該如何在自家產品導入Machine Learning技術

Google在導入ML技術時有五個步驟，
缺一不可每個都非常重要，
只要停留在其中一個步驟太久，
又或者跳過了某些步驟，
將會有可能帶給企業極大的災難。

首先，

１individual contributer＿個人貢獻者

仔細想想公司各種產品或流程的初始點幾乎都在這裡，
而在公司導入ML技術裡，
個人貢獻者也占了一個重要的角色，
個人貢獻者在ML初始之所以重要，
個人貢獻者可以靈活的運用ML技術，
並且在此階段，企業付出的成本
相較來說是比較低的(人事成本)
在靈活運用ML之餘，
個人貢獻者會"快速的"失敗，
他們會嘗試很多想法，並從失敗中學習。

2 Delegation＿組織

(我覺得這樣翻應該比較Ok...) 來到第二步，我們在公司內部發展ML技術時，
第二步就是擴大人員編制，
形成一個組織對正式化業務流程有很大的幫助，
但這個階段公司必須投入更大的
人事成本，不過綜觀來說
人多了聲音也會跟著多起來，
人類的反應的多樣性，使得實驗性的產品有著良好的學習環境，
改善它們，而形成組織也可以互相扶持，凝聚生產力。

3 Digitization＿數字化

(讓計算機執行過程平凡且重複的部分)
數字化是自動化的一部分，
在建立龐大的ML system
自動化資料的反饋絕對是很重要一部分，
自動化人類要進行步驟也是重要的一部分，
但在這裡Google的意思不是要取代員工，
而是要為用戶帶來更高質量的服務，
數字化可以在較低的邊際成本，在投資前期做的投資。

4 Big Data Analytics＿大數據分析

在進行Digitization之後，
我們必須看看營運的狀況，
在這一步驟衡量內部營運及外部用戶。
在這裡回顧、總結，調整上一步的演算法，並讓整個業務流程的架構更加貼近用戶，更符合需求，而Digitization帶來的大數據
將在這裡被分析，並用來調整模型。

５ 自動化運行

在上一步提到的反饋循環，我們加以自動化，一個完全高度自動化的ML業務就完成了，在測量"成功"和調整演算法並在每一個步驟中自動化調整，最後
這將可以在某些極端的值中準確的預測，更符合人群。

The path to ML
Google在導入ML進入公司就是這五個步驟，
缺一不可，在某個步驟停留也有機會碰壁，
Google在這五個步驟中追求的就是一個完全自動化的ML system 從個人到團體，從資料的手機架構初始的模型，再從初始的模型到獲得大數據，到最後在大數據以及模型架構之間互相進行反饋，達到完全自動化的
Machine Learning system