企業為了改善營運而部署AI機器學習，但往往遭遇挫折。究其原因，在於企業關注科技遠多於關注如何部署科技。本文建議把焦點移回部署，並提出一套bizML方法，以6大步驟引導企業一步步規畫，為改善營運做出最好的準備。

Qi Yang/Getty Images

人類最新、最偉大的發明一問世，就陷入停滯。機器學習（machine learning, ML）專案有潛力幫助我們應對最為重大的風險，包括野火、氣候變遷、疫疾大流行與兒童虐待事件。它能夠刺激銷售、削減成本、防止詐欺、簡化製程並強化醫療。

但是，ML專案常常無法帶來報酬，或是無法完全部署。它們在部署之前就已經停滯不前，而且成本高昂。一個主要問題是，企業通常關注科技多於關注如何部署科技，就像對火箭的開發比對火箭的發射更興致高昂。

我在本文提出一個解方：運用6個步驟，引領ML專案從構思走向部署。我稱這個架構為「bizML」，它的目的是為成功執行ML專案建立一本最新、也符合產業標準的操作手冊，對於企業專業人員與數據專業人員來說，不但切身相關，也深具吸引力。

扭轉錯置的焦點

ML的問題出在它的熱度。各界熱烈討論核心的科技，往往蒙蔽我們的眼睛，無法詳實了解它的部署會如何改善企業的營運。從這個角度來看，ML本身現在已經過熱。這是我從數十年的諮詢與舉辦ML會議的經驗悟出的教訓。

當今的ML熱潮之所以過頭，是因為它助長一個常見的錯誤觀念，那就是「機器學習謬誤」（ML fallacy）。它的推論如下：既然ML演算法可以成功產出新模型，適用於前所未見的新狀況（這一點既神奇也確實為真），那麼這些模型本質上就具有價值（這一點不一定為真）。然而，只有在ML創造組織變革時，也就是只有在ML產出的模型是被部署來積極改善營運時，ML才有價值。模型如果沒有「用」來積極改造組織的運作方式，就是「沒有用」。模型本身無法解決任何企業問題，也不會自己部署自己。唯有你用ML進行破壞時，它才能成為眾所吹捧的「破壞式科技」（disruptive technology）。

可惜，企業常常無法縫合企業與科技之間的「文化差距」，也就是數據科學家與企業利害關係人之間的脫節，因而阻礙部署，造成模型閒置荒廢。一方面，數據科學家執行模型開發步驟，只關注數據科學，一般而言不想為管理「俗務」費心。他們通常把模型的部署視為理所當然，跳過嚴密的商業流程，因為這個流程需要利害關係人的協作來為部署做規畫。

另一方面，許多企業專業人員，尤其是那些容易認為細節「太過技術」而略過的人，已經為這項驚人的科技目眩神迷，認定它是可以自行解決問題的萬靈丹。他們在任何專案細節上都對數據科學家言聽計從，但是等到最後發現部署下去的模型可能引發營運變革時，卻又難以接受。措手不及的利害關係人猶豫不決，不知道是否要改變對公司獲利至關重要的營運。

既然雙方都不主動承擔，也就無法順利合作。很多時候，數據科學家提供可行的模型，但是因為營運團隊還沒有做好準備，所以功虧一簣。雖然也會出現一些令人驚豔的例外與輝煌的成就，但是我們今日觸目所及，ML普遍低落的成效預示著未來要面臨普遍的幻滅——甚至是可怕的「人工智慧（AI）寒冬」。

解決方案：BizML

做為補救，每個ML專案從一開始就要為部署做審慎的規畫。要為部署可能帶來的營運變革打好基礎，其中所需要的宣導、交流、跨領域協作與變革管理的氣魄，都比許多人一開始意識到的還要多，包括我在內。

為了完成這個目標，有見識的團隊必須協作，遵循一套有始有終的實務方法。而這套方法就是先從目標開始反推，來為部署做規畫。正如前文所提到的，我把這套方法稱為bizML，由以下6個步驟所組成。

1. 訂定部署目標。界定企業價值主張：ML要如何影響營運，以便改善這些營運（即「落實」或「實行」）。 實例：UPS預測包裹遞送的目的地地址，以規畫更有效率的遞送流程。

2. 訂定預測目標。界定ML模型要對每個案例預測什麼項目。從企業角度來看，每個細節都很重要。

實例：針對每個目的地，明天要停幾站、送多少個包裹？例如，位於主街123號、有24間商務套房的3座辦公大樓群，上午8點30分之前要停2站、各送3個包裹。

3.訂定評量指標。決定模型訓練與模型部署期間要追蹤哪些重要指標，並決定專案要達到何種績效水準才算成功。 實例：行駛里程數（英里）、耗油量（加侖）、碳排放量（噸）與每英里停站數（遞送點愈密集的路線，每行駛一英里所產生的價值就愈高）。

4. 準備數據。定義訓練數據該有的形式，並將數據整理成該形式。 實例：彙整大量正面與負面案例以供學習——在某些日期有遞件成功和沒有遞件成功的目的地。

5. 訓練模型。從該數據產出預測模型。這個模型就是「學習」到的成果。 實例：決策樹、邏輯迴歸、神經網絡和集成模型。

6. 部署模型。使用模型算出預測得分（機率），從而把學習到的成果應用於新案例，然後根據那些得分採取行動以改善企業營運。

實例：UPS把預測的包裹與已知的包裹都納入考量，藉此改善貨運中心貨車的包裹分派系統。這項改善估計每年可以省下1,850萬英里、3,500萬美元，80萬加侖燃油與18,500公噸的排放量。

這6個步驟構成一套企業實務方法，為ML的部署指點一條聰明的路徑。所有想要參與ML專案的人，無論是擔任企業職務或技術職務，都必須熟悉這6個步驟。

走到第六步（部署）之後，才算完成——開啟新的階段。BizML只開啟了一個繼續進行的旅程，也就是一個新的階段：執行改善之後的營運，以及維持一切順利進行。這個模型一旦啟動，就需要不斷養護：監測、維護並定期更新。

在邏輯上，6個步驟幾乎必然依序進行。至於原因為何，我們以終為始，從最後兩個步驟開始探究。步驟五和步驟六是ML的兩個主要步驟，分別是模型訓練和模型部署。BizML引領專案完成這兩個步驟。

這兩個步驟之前的步驟四（準備數據），眾所皆知是模型訓練的必要前奏。你必須為ML軟體提供正確形式的數據，ML軟體才能發揮效果。自從線性迴歸在1960年代首次為企業採用以來，這個步驟一直是建模專案不可或缺的一部分。

科技施展魔法之前，你必須先施展企業魔法——這就是前三個步驟的用意：建構一個迫切需要的「前期製作」階段，進行宣導、交流和協作，針對ML的部署方式以及績效評估方式取得共識。重要的是，前三個步驟不只是針對專案的企業目標取得共識。它們要求企業專業人員，深入研究哪些機制會左右預測如何改變營運；此外，它們也要求數據科學家，跳脫尋常所在的領域，與企業人員密切合作。這個跨領域團隊具備獨一無二的能力，可以摸索出一套在技術面與企業面都可行的部署計畫。

拉進企業利害關係人

能夠按部就班遵循BizML方法的所有6個步驟並不常見，但也不是完全不曾聽聞。即使是少數，還是有許多ML專案非常成功。雖然經過這麼久終於出現一套知名而成熟的架構，但是這套bizML架構的核心概念，對許多經驗豐富的數據科學家來說並不新。

最有可能對它不熟悉的，反而是最需要它的人——企業領導人與其他的企業利害關係人。實際上，商業界甚至一開始普遍沒有意識到他們需要一套專門的企業實務方法。這一點可以理解，因為他們被常見的說法所誤導：AI通常被過度包裝成一種深奧但令人期待的萬靈丹。同時，許多數據科學家寧可埋頭研究數字，也不願意花心力解釋。

“AI通常被過度包裝成一種深奧但令人期待的萬靈丹。同時，許多數據科學家寧可埋頭研究數字，也不願意花心力解釋。

重要的事先做：企業專業人員需要一些教育。主事者若要能夠信心滿滿地參與bizML實務方法，且最終為模型的部署開綠燈，必須先具體了解ML專案全程的運作方式：模型要預測什麼？這些預測究竟會如何影響營運？哪一項指標可以有意義地追蹤模型預測能力？需要什麼樣的數據？這些都不涉及高深的技術，不過仍然足夠寫出一本書。

機器學習已經吸引大量資金和資源，我們若是採行一套通用的程序，來促進部署所需要的協作與規畫工作，能從中多取得多少潛在價值？且讓我們拭目以待。 本文摘錄自《AI劇本：掌握機器學習部署的罕見藝術》（The AI Playbook：Mastering the Rare Art of Machine Learning Deployment）一書，經過出版該書的MIT出版社許可。本書是作者在維吉尼亞大學達頓商學院（University of Virginia Darden School of Business）一年期分析講座教授的研究成果。

文章來源：哈佛商業評論 4月號