机器学习（ML，Machine learning）现在在许多行业扮演着关键角色。企业管理层正在敦促他们的技术团队加速机器学习在企业内部的采用，以推动创新和长期增长。
但是，这些商业领袖对大规模机器学习部署的期望，与工程师和数据科学家实际上能够按时、大规模地构建和落地该技术的现实之间存在脱节。
（来源：AI 生成）
Forrester 近日发布了一项受 Capital One 委托的研究，大多数高管对在整个企业中部署机器学习感到兴奋，但数据科学家则表示，他们还没有掌握大规模开发机器学习解决方案所需的所有工具。
商业领袖喜欢将机器学习视为轻松上手的机会：“只需将数据输入某种黑匣子，就会出现有价值的学习结果。”但那些利用公司数据构建机器学习模型的工程师们知道，事情远比这复杂得多。数据可能是非结构化的或质量差的，并且需要做到合规、合法并满足许多安全参数。
这种期望与现实之间的巨大差距目前无法解决，但第一步是促进团队之间的坦诚交流。然后，领导层才能开始在整个组织（企业）中普及机器学习。
（机器学习的）民主化意味着技术和非技术团队都可以使用强大的机器学习工具，并得到持续学习和培训的支持。
非技术团队可以使用用户友好的数据可视化工具来改进他们的业务决策，而数据科学家可以访问强大的开发平台和云基础设施，他们需要这些工具才能有效地构建机器学习应用程序。
在 Capital One，我们已经使用技术民主化策略在公司（超过 50,000 多名员工）中成功扩展了机器学习的应用。
当使用机器学习帮助公司取得的成功与每个人都有关系时，业务团队和技术团队之间的脱节就会消失。这里有几个最佳实践方式，可以将机器学习的力量传递给组织中的每个人。
当今最优秀的工程师不仅是技术能手，也是富有创造力的思想家，还是产品专家和设计师的重要合作伙伴。为了促进更大的合作，公司应该为技术、产品和设计提供机会，让他们有机会一起实现共同的目标。
根据 Forrester 的研究，由于机器学习的使用可能是独立的，因此专注于协作可能是成功的关键之一。它还将确保从业务、人力和技术的角度构建产品。
领导者还应该询问工程师和数据科学家，他们需要哪些工具才能成功地加速机器学习解决方案的交付。
根据 Forrester 的调查，67% 的受访者认为，缺乏易于使用的工具正在减缓企业采用机器学习的速度。这些工具应该与支持机器学习工程的底层技术基础设施兼容。
不要让开发人员处于“赶工但不得不等待”的状态下，即他们在沙盒阶段急着开发机器学习模型，但之后必须等很久才能部署它，因为他们没有将模型投入生产环境所需的算力和基础设施。支持机器学习训练环境的、强大的云原生多租户基础设施至关重要。
将机器学习的力量交到每个员工手中，无论他们是营销助理还是业务分析师，都可以将任何公司转变为数据驱动型组织。
公司可以从授予员工受监管的数据访问权限开始。然后，为团队提供无代码或低代码工具来分析数据以进行业务决策。
显然，开发这些工具应该采用以人为中心的设计理念，这样它们才容易使用。理想情况下，业务分析师可以上传数据集，通过可点击的界面应用机器学习功能，并快速生成可转化成（业务）操作的输出。
许多员工都希望更多地了解技术。领导者应该为整个企业的团队提供许多学习新技能的方法。
在 Capital One，我们在多个技术技能提升项目上取得了成功，包括我们的技术学院，提供与我们的业务需求相一致的七个技术学科的课程；我们的机器学习工程项目，教授在机器学习和人工智能领域开启职业生涯所需的技能；以及 Capital One 开发者学院，专为准备从事软件工程职业的、但非计算机科学学位的应届毕业生开设。
在 Forrester 的研究中，64% 的受访者认为缺乏培训阻碍了机器学习在其组织中的应用。值得庆幸的是，通过鼓励经验丰富的员工指导年轻人才，每家公司都可以提供技能提升服务。
机器学习的民主化是在整个组织中传播数据驱动决策的强大方式。但不要忘记衡量和评估民主化举措的成功，并不断改进需要努力的领域。
为了量化机器学习民主化的成功，领导者可以分析通过平台做出的哪些数据驱动的决策带来了可衡量的业务成果，如新客户或额外收入。
例如，在 Capital One，我们通过围绕异常和变化点检测的机器学习创新，测量了客户免遭信用卡欺诈的金额。
任何机器学习民主化计划的成功，都要建立在团队写作和可衡量的责任制度之上。
机器学习工具的用户可以向技术团队提供反馈，告诉他们哪些功能可以帮助他们更好地完成工作。
技术团队可以分享他们在构建未来产品迭代时所面临的挑战，并寻求培训和工具来帮助他们取得成功。
当业务领导者和技术团队围绕统一的、以人为中心的机器学习愿景团结起来时，最终会使客户受益。
一家公司可以将数据驱动的学习转化为更好的产品和服务，让客户满意。
在整个企业中部署一些最佳实践来机器学习的民主化，将大大有助于建立一个具有强大数据洞察力和创新力的组织。
