如果你想创业，该如何组建机器学习团队？
有没有想过，将来组建自己的机器学习团队？
最近，各种规模和行业的公司都在研究同样的问题：“如何将机器学习应用到我的公司？”这些人已经对机器学习的应用案例有足够的了解，目前的障碍是如何让它发挥作用。
本文为大家介绍如何组建机器学习团队——无论你的业务规模如何。根据业务规模，主要有以下三种方法。
小型团队
对于初创公司或非盈利机构来说，一般都面临规模小、没有资金或资金不足的情况。不过好消息是，许多机器学习从业者都对这种工作很感兴趣。
你需要寻找对公司使命有责任感的人。在这个规模的基础上，依靠机器学习从业者实现从数据收集、清理、部署的一切环节。真正的机器学习——往往是特定的某些部分，它们所涉及的内容实际上是非常有限的。
雇用更擅长工程和数据方面的人才是一条必走之路。经验丰富的工程师能够很好地完成工作——首先让系统全部运作，然后慢慢优化所有步骤。所以，像那类将一种模型应用于所有内容或者想要花费数月的时间来优化数据管道的研究人员对于小型团队来说是不太适合的。
中型团队
有些不断发展的初创公司或中型企业对多种机器学习应用程序都很感兴趣，他们在建立团队时，需要采取与小型团队略微不同的方法。
不同于谷歌，你不能雇用很多研究人员，无法让机器学习专家撰写研究论文。关键是聘请非常优秀的机器学习研究人员，并将他们与数据工程师建立起联系，以提高其工作效率。这些人就是一种非常宝贵的资源——不要让他们编写代码——将他们与希望从中学习的工程师建立联系，并让他们教授工程师如何进行机器学习。
有些公司建立了多用途机器学习小组，有些公司将机器学习嵌入到团队中。这两个组织结构都是有效的。在这种方法中，你需要仔细管理团队，以确保他们正在为企业执行最相关的任务。在企业中分散机器学习专业知识可以使实用的机器学习专家感到高兴，因为他们更接近终极用户，但这可能会使招聘更加困难。
雇用更多的机器学习工程师而不是机器学习科学家，并将他们配对任务绝对是至关重要的。机器学习团队使用算法来优化的内容通常与业务需求有根本的不同。如果没有一个有效的端到端系统，这种错位可能会持续数月。另一个常见问题是需要更改或更新训练数据，并且在训练和部署算法之前不会发现这种情况。由于这些原因，在迭代它们之前让端到端系统尽可能快地工作是至关重要的。
大型企业
对于大公司来说，往往容易存在这样的误区：在一定范围内，一家公司能够雇用优秀的机器学习人才，但没有足够预算与行业巨头竞争。
Facebook和谷歌的精英团队正在使用标准的开源模型和架构。最近，许多财富500强企业正在建立自己的神经网络架构，但却并没有测试是否有必要这样做。
机器学习研究人员喜欢做研究，而管理者则欺骗自己认为研究人员正在构建有价值的IP。事实并不是这样的。研究人员花费了大量的时间来重新发明wheel文件，其实那段时间最应该花在最新的尖端模型上。最好是从最复杂到最简单，最标准和最底层的事物开始。每增加一部分都应该对算法的性能产生重大影响。
大公司应该避免建立自己的机器学习基础设施。这种趋势在2005年也出现过，很多公司建立了自己的Web应用程序框架，开展自定义平台，这造成了平台难以标准化。其实，使用开源工具比构建和维护自定义基础架构更具可持续性。
大公司应该培训工程师进行机器学习。现代基础设施工具使得机器学习变得越来越容易。在这一点上，教授工程师学习机器学习比教授机器学习从业者如何成为优秀的工程师更有效率。无论如何，受到过机器学习培训的工程师可以通过多种方式发挥作用。一些公司正在这样做，但遗憾的是，更多的公司并没有意识到这一点。
这么做值得吗？
招聘机器学习团队既昂贵又需要大量工作。一些公司雇用机器学习团队仅仅是为投资者检查机器——这种情况下，一个公司是永远不会好转的。无论公司规模如何，如果没有明确的机器学习应用程序，你将会后悔自己所做的投资。对此，你需要问自己以下关键问题：
- 有哪些问题是可以通过机器学习来解决的？
- 我可以标记或获取相关的培训数据吗？
- 我试图解决的问题对业务至关重要吗？
如果你对所有这些问题回答“是”，那么你就是在为自己的成功做好准备。
编译组：草田
相关链接：
https://www.kdnuggets.com/2018/11/machine-learning-team-when-not-google-facebook.html
如需转载，请后台留言，遵守转载规范