在一场科技会议上，演讲者询问听众中有多少人开发过机器学习或人工智能模型。大约80%至90%的听众举起了手。

接着，演讲者进一步提问：“你们中有谁已经把这些模型应用到实际业务中了呢？”此时，几乎所有之前举手的人都把手放下了。显然，尽管很多人都有兴趣将机器学习融入自己的业务，但真正实现这一目标的人却寥寥无几。其中一个重要原因在于，让模型持续运行并产生实际效益是非常具有挑战性的，特别是在云架构的基础上。

一位Medium博主也注意到了这个问题，并总结了将机器学习模型投入使用的四个常见陷阱。

不要重复造轮子

尽管“不要重复造轮子”这句格言大家耳熟能详，但在实际操作中却常常被忽视。很多项目失败的原因就在于不愿使用现有的解决方案。例如，Amazon Web Services（AWS）和Google Cloud都提供了功能强大的机器学习工具，且易于上手。虽然这些平台并不适用于所有场景，但对于缺乏机器学习经验的公司来说，它们是一个很好的起点。

应用Google Vision API进行情感分析

以下是利用Google Cloud的Vision API提取信息的一个示例。假设你拥有顾客对某个产品的情绪反馈的图片或视频数据，并希望通过分析顾客的面部表情来了解他们对产品的态度。这时，你可以将这些图片或视频提交给Google Vision进行处理，从而获得每张人脸呈现的基本情绪。

通常情况下，AWS和Google Cloud提供的服务性价比很高。并且，由于这些平台会自动处理版本更新和功能添加，因此维护工作也相对简单。

解决方案需要量身定制

对于较小的项目，采用现成的解决方案可能就足够了。然而，对于规模较大的项目，这种方式要么成本过高，要么难以满足特定需求。这种情况下，定制化解决方案是更好的选择。正如前面提到的，有些项目因为做得太多而失败，而有些则因为做得太少而失败。我们需要保持“增量收益”的思维方式，即在不影响长期目标的前提下，尽可能从产品中获取短期价值，但有时这种做法可能会破坏产品设计。

解决方法

• 确保充分理解当前问题及期望的业务价值
• 进行必要的研究

首先，团队必须明确自己真正想要达成的目标，而不是一开始就陷入技术细节。其次，可以通过查阅学术论文或相关文章，寻找他人如何解决类似问题的线索。如果没有满意的解决方案，可以尝试寻找不同的领域中的类似问题，直至找到合适的解决方案。

没有适当地识别风险

在开发出一个看似完美的解决方案之后，很多人往往会忽视模型固有的风险。很多时候，人们会说“我们并不真正了解模型是如何工作的”。虽然可解释的AI是一个快速发展的领域，致力于解答这类问题，但在我们能够完全解释模型工作原理之前，仍需采取一些预防措施。

了解模型之间的特征和相关性

通常情况下，我们不希望模型基于种族、性别、收入水平等因素做出决策，因此这些因素不会被纳入模型输入。但这并不意味着万事大吉。我们必须确保这些潜在的风险不会渗透到我们正在使用的其他特征中。例如，邮政编码是一个强有力的统计指标，可以用来推断一个人所在的区域。因此，在项目启动之初，必须仔细检查数据，以避免潜在的问题。

模型是否可以在生产环境中不断进化？

当提到“机器学习”时，许多人认为这意味着模型会随着用户交互而实时改变。虽然有些模型确实能做到这一点，但也有许多模型不具备这种能力，这其实是有道理的。即使没有足够的检查和监控机制，在输入数据发生显著变化的情况下，模型也不会失控。

更新模型的时间间隔是多少？

关于更新模型的频率，没有固定答案。这完全取决于具体问题和建模技术，但尽早确定这一点非常重要。你应该制定一个标准化的更新流程和策略，原因很简单：你如何知道模型是在进步还是退步？

假设你有一个准确率为75%的模型已经投入使用。你如何确定这个准确率？通常情况下，你会使用一部分历史数据作为验证集（约占20%）来进行验证。

现在假设一个月后你更新了模型，发现准确率达到了85%，看起来还不错。但随后你发现结果大幅下降，客户也纷纷抱怨。问题出在哪里？

答案很简单：如果你没有保留用于验证的原始数据，那么你就无法进行公平的比较。你无法确定更新后的模型是否真的比初始模型更好，这会导致很多问题。

开始时不需要使用机器学习

虽然这听起来可能有些刺耳，但这是你读完这篇文章后可能会得到的最大启示之一。尽管机器学习被认为是当今计算机科学中最酷的领域之一，但它只是一个工具，而不是根本目标。就像你不会用电动螺丝刀来拧钉子一样，除非必要，否则不要盲目追求高级技术。尖端技术确实很有吸引力，但如果没有足够的专业知识，可能会导致不必要的失败。

我见过太多这样的例子：人们在设计产品前就开始讨论如何使用聊天机器人或面部识别技术，但实际上这些想法往往没有什么实际用途。