许多企业在考虑将机器学习（ML）融入业务时，往往容易陷入“模型一上线，收益滚滚来”的浪漫幻想。然而，在实际落地过程中，这种美好预期多半会遭遇残酷的现实壁垒。行业内的资深专家们分享了企业在将机器学习从实验推向生产时必须正视的几个关键教训。这些并非教科书上的理论，而是用真金白银换来的实践经验。

在商业领域，机器学习（ML）之所以备受关注，自有其充分理由。它或许是当前人工智能（AI）领域中最贴近实务、也最落地的分支。尽管AI和ML经常被相提并论，但二者并非同一概念。如今，大量业务应用和面向客户的服务中都渗透了ML的身影——一台能够自主学习的机器，听起来就充满吸引力。但话说回来，每当新技术登场，五花八门的不切实际期待也随之而来。

为此，多位机器学习和数据科学领域的专家分享了他们的真实洞察：

1. 团队构成不合拍

企业可能拥有海量数据，计算资源也已拉满，但如果团队缺乏合适人才，一切努力都将付诸东流。Very公司数据科学业务负责人Jenn Gamble博士直言：“我反复强调一点——企业要组建的是跨学科、紧密协作的团队，才能打造出真正的机器学习产品。单纯依靠几位数据科学家单打独斗，基本行不通。”

要让机器学习项目顺利运转，所需的能力组合相当广泛。Gamble列出了以下关键技能：

• 机器学习建模
• 数据管道开发
• 后端/API开发
• 前端开发
• 用户界面（UI）与用户体验（UX）
• 产品管理

“没有人能独自掌握所有这些技能，”Gamble指出，“因此必须将具备不同专长的人聚在一起，并在整个过程中鼓励他们深度协作。这才是成败的关键。”

2. 业务预期与技术实现之间缺乏桥梁

Gamble还建议，负责ML项目的团队中最好纳入那些直接与行业专家、最终用户协作的同事——这些人不一定非要有技术背景。

“需要有专人扮演AI产品经理的角色，”Gamble说道，“与传统产品经理类似，他们的核心职责是明确机器学习技术究竟该如何落地：终端用户是谁，他们的工作流程是怎样的，拿到模型输出结果后需要做出哪些决策。”这个问题，任何IT老手都能立刻理解：业务方脑海里设想的ML功能，与技术层面实际能实现的效果之间，往往横亘着巨大的鸿沟。Gamble补充道：“从建模角度看，要把业务理解、数据理解以及技术上可行的方案整合在一起，复杂度会急剧上升。就像许多优秀的产品经理出身于软件工程师一样，我认为未来很多卓越的AI产品经理也会来自数据科学背景。这仍然是一个新兴角色，走这条路的人不多，但市场需求将持续增长。”

3. “真实答案”版本过多

机器学习有一个基本事实：模型或算法的性能上限，完全被训练数据所决定。Indico公司CEO Tom Wilde打了个比方：“对于AI和ML，最好的理解方式是将其看作一只极其聪明的鹦鹉——它对‘学习任务’的初始训练数据极其敏感。”但问题在于：不同的人（哪怕同属一个团队）对同一业务流程或服务的理解，可能天差地别。Indico的做法是让客户允许不同人员在标记训练数据时都参与进来。这就像投票：每个利益相关者都有发言权。最近一个客户案例中，6个人同时参与数据标记，短期内看似失败，但从长远看，这次“踩坑”价值巨大。Wilde回忆道：“模型一跑，大家震惊了——性能极差。一查才发现，那6个人对如何标记训练样本的理解完全鸡同鸭讲。结果，这场‘混乱’反而迫使团队展开了高质量的内部讨论，让他们对那个具体场景的‘基本事实’有了真正深刻的理解。”

4. 将训练数据视为最终目标

很多企业认为，只要把训练数据喂进去，模型运行起来就万事大吉。结果进入生产环境后才意识到，当初对训练数据的信心过于天真。SigOpt公司工程主管Jim Blomo指出：“你不能只是训练模型，然后指望它自动平稳运行。你需要的是一个高度迭代、经过科学验证的过程，才能确保模型正确执行。即使到了那一步，生产环境中的高度变异性也可能让你大吃一惊。因此，模拟、验证和持续的性能评估，一个都不能少。”企业常常会发现，用于评估生产模型效果的基准指标，在模型开发过程中就需要反复调整。建模者很早就明白一个道理：定义正确的评价指标，是首要任务。而且通常情况下，需要同时监控多个指标，才能全面把握模型的表现。

5. 重复传统软件开发的陷阱

机器学习也未能避开那些在传统IT部门中司空见惯的顽疾。如果企业将AI/ML团队建成彼此孤立的职能孤岛，缺乏协同，那么结果与传统软件项目如出一辙：范围不断膨胀，交付周期无限拉长，工具链崩坏，企业文化也受到拖累。Algorithmia公司创始人Kenny Daniel表示：“很多企业花了好几年收集海量数据，签下大批数据科学家，结果投入巨额资金，却连一个模型都没能成功上线。问题的根源在于，他们要么让数据科学家去写团队的程序代码，要么指望数据科学家变身DevOps专家——这就错了。”正确的做法是什么？Daniel建议：“去学习传统软件世界DevOps的精华：创建自动化、可重复的管道和工具，用容器封装底层实现细节并抽象出来。”Gamble对此深表赞同：“企业在构建机器学习产品时，从软件开发中习得的那套原则和经验，比如DevOps、以用户为中心的设计，一个都不能少。许多数据科学家花了大量时间研究机器学习，但在软件工程、产品管理或设计方面，可能远不如专职人员精通。”正如DevOps是对传统软件开发问题集体回应的产物，机器学习和AI领域也催生了新的方法论。Gamble总结道：“当机器学习被纳入传统产品开发体系时，需要考量的因素更多，因此MLOps、DataOps、DataViz、MLUX（机器学习用户体验）等新兴领域开始蓬勃发展，试图填补这片空白。”