机器学习工作流与AI产品开发1.docx

PAGE 5 机器学习工作流与AI产品开发 Python写得像英语一样6，神经网络、决策树烂熟于心，但如果不能动手将这些算法部署到实际系统中，这一切还有什么意义？ 于是，国外的问答网站Quora上就有了这个问题：怎样开发出一个AI系统或者产品？ 量子位觉得，有一个来自Sean McClure的回答很不错。Sean是美国一家医疗公司的数据科学家，他从机器学习工作流的五个核心环节讲起，系统地回答了这个问题。  要构建一个AI系统或产品，你要处理好5个核心环节，我们通常称之为“机器学习工作流”。这些步骤分别是： 1.?数据收集与分析 2.?数据准备 3.?模型构建 4.?模型验证与测试 5.?模型部署 这是一个反复迭代的过程，每次循环都能改进我们构建的模型。 你要创造的是一个产品，所以，应该把这些步骤视为一个将原始数据转换成预测输出的数据工作流。 构建一个有用的产品，就意味着你不仅要写代码做出工作流的各个部分，还需要定义整个问题，并将专业知识融入到这个机器学习工作流的每个步骤中。 也就是说，在产品开发中，上述每个步骤不仅要符合产品设计的关注点，还要符合符合我们在开发中通常要关注的统计数据和最佳范例。 通过与用户的有效对话，你可以实现这一目标。举个例子： 用户：我需要知道，在工作场所发生事故的主要原因有哪些。 工程师：为什么？ 用户：因为影响赚钱啊，我们到现在也没能解决。 工程师：为什么不看一下所有的安全报告，然后算一下总和呢？ 用户：因为实际上，我们有成千上万的报告，都是手动输入的，描述一样的事，用什么词的都有。我不能指望相关员工把所有报告通读一遍，来搞清楚到底是怎么回事，更不用说找到主要原因，或者预测何时何地会再发生这种事故了。 工程师：如果你能总结出主要事故，甚至发现可能的原因或是预测出危险位置，你会用这种新能力来干什么？ 用户：我们里可以集中财力做专项训练，也可以将为高危情况设置提醒。 在上面对话中，我们工程师想要的就是最后一句，也就是用户想用这个产品来干什么。 当然，如果你只是想快速做个小产品，可能并不需要真的找个“用户”进行对话，上网查资料，并了解到更多在特定领域中的普遍挑战就可以了。关键是，当你深入理解问题和用户行为时，你就能确定这个产品需要支持哪些交互。 你可以试着先做个原型，里面包含前端和数据工作流。要做前端，你得会JavaScript，如果没有JavaScript，那机器学习就像是一个带刺的玫瑰，只能看，不能摸，很不实用。 你可以花几个小时，学学前端，然后自己用HTML+CSS+JavaScript凑合写个网站，也可以用一个你已经熟练掌握的编程框架，做一个可以和用户交互的应用。 为什么从前端开始呢？我希望你能这么做，因为这样能迫使你在你一步一步地完成数据工作流的过程中，牢记用户的需求。 接下来就要用到Python了，我们看看具体怎么做： 1. 数据收集与分析 在获得正确的数据后，生成一些图表，能启发我们该在下一步中如何准备数据。 可以查找一些与你当前所遇到问题相关的公开数据集。没找到相关的也很正常，这时你就需要改变方法，换个角度去思考你的问题。这样做，通常能找到比你原始计划更合适的方法。精选公开数据集：/caesar0301/awesome-public-datasets 分析你的数据，提前回答一些策略性的问题。以下是一些常用方法： 检查异常值； 寻找数值关系和点相关性； 评估缺失值的数量。 2. 数据准备 如果原始数据存在干扰，不能用来训练学习算法。这时，你就需要进行数据清理和数据准备，常用方法包括： 合并表格； 提取新特征； 处理上步中确定的缺失值和异常值等； 清洁数据，并根据情况进行标准化。 3. 模型构建 这是最快完成的一部分，你可以多尝试一些算法，谁也不知道哪个算法的效果最好。 大多数机器学习模型只需要几行代码就能实现。你可以： 根据当前的数据特性来选择一系列算法； 尝试不同超参数的效果或是运行自动参数调优。 4. 模型验证与测试 这包括两部分。 首先，你显然需要验证当前模型的输出是否满足实际要求。该如何验证模型取决于当前使用的机器学习方法，是有监督、无监督还是强化学习。在这个过程中，你要平衡好灵敏度和特异度，精确度和召回率，或是某种聚类有效性等指标间的关系。 其次，现有的统计数据不足以验证这个模型是否满足要求，你就要去验证下用户输出，比如说用你自己做个实验，看看你作为用户里能否靠产品的输出来进行操作，会不会想进行操作？ 5. 模型部署 这是让整个工作流运行起来并提供前端服务的最后一步。 在按下“运行”后，就能有新数据输入、准备、建模和验证，并重新部署到前端界面，这样子说明模型部署成功。 以上这些看上去工作量很大，但从这个流程中，你可学习到如何快速构建AI系统。 构建产品时，你要学会精益（L