第二，机器学习很不适合解决以因果推论为主的问题。机器学习可以描述数据中的各项元素之间的相关性，但却无法确定它们之间的因果关系。如果未来与过去并不相似，而过去的模式无法反映新的现实，机器学习就不擅长预测这些问题。

　　5. 表现路径

　　机器学习未必要100%有效才能发挥价值。从实践角度来看，机器学习引导的解决方案只需要提供与人类近似（最好优于人类）的表现，便可实现自动化并扩大生产规模。因此，在评估机器学习支持的技术的具体表现时，应该从中长期去评估——最好能优于人类的表现——以便解锁价值。

　　人类的表现水平可能低于我们的想象。根据美国国家高速公路交通安全管理局的统计，美国有94%的车祸都源自人为错误。无人驾驶汽车不需要100%安全便可彰显价值：只需要达到与人类相似或高于人类的水平即可，而美国司机目前的水平是每1亿英里行驶里程死亡1.25人。（当然，在实际情况下，买家对某项技术的信任是其普及的进一步条件——在某些领域，要让人们接受这些技术，还需要达到更高的标准，其中也包括无人驾驶汽车。这一点将在下文讨论。）

　　6. 合适的数据

　　要让机器学习创造价值，就需要通过合适的数据对其进行训练。我们会评估一家公司能在多大程度上获得合适的数据。我们会以机器学习的两个数据处理阶段为背景来衡量数据的适用性：

　　选择：数据可用性；是否存在数据缺口和复制品；数据标记的质量，数据是否存在偏见；

　　处理：数据碎片化；数据清理需求；数据采样需求；数据转换、分解和聚合需求。

　　我们还会衡量数据集能否保持价值。如果能用历史数据测试和改进一个算法的各种新版本，数据集就能保持价值。但情况并非总是如此。如果一家聊天机器人公司改进了算法，它提供给用户的提示就将与以往有所不同。如果聊天机器人的提示发生变化，用户回应的内容很可能也会改变。

　　由于庞大的用户回复数据集已经与算法解耦，甚至毫不相关，该公司的历史数据用处也就非常有限。你可以将此与防欺诈公司进行对比。可以用一套算法来测试历史客户活动数据集，以便了解算法的精确度是否有所提升。

　　价值实现

　　

　　有吸引力的公司具备创造价值的潜力。但价值能否实现呢？根据我们的经验，有5项因素对机器学习引导的公司十分重要。第一项（管理层团队的商业能力）与人才有关。后面三项目（可以量化的投资回报率、买家预备状态和良性监管）与商业系统接受程度有关。最后一项（部署的可扩展性）则与市场进入战略有关。

　　1. 管理团队的商业能力

　　很多机器学习公司的创始人都拥有一流的技术实力。但商业嗅觉在企业的长期成功中发挥着重要作用，重要性甚至超过技术实力。多数B2B软件公司迟早都要组建直销团队——只有创始人主动去寻找业务，才能真正扩大规模。

　　拥有商业头脑的创始人愿意做大企业，也愿意拥抱市场，同时也具备组建强大销售团队的能力。投资者可以提供更帮助——我的同事Jon Coker和Simon Menashy在帮助创始人组建和扩大SaaS销售团队方面拥有不俗的经验——但如果创始人的商业化动力有限，他们也无能为力。

　　2. 可量化的投资回报率

　　如果一个方案拥有可以量化的投资回报率，往往就更容易在B2B市场上被人接受，销售周期也会缩短，客户教育成本也会降低。在销售和营销职能中，销售转化率的提升可以轻易评估。在金融领域，交易利润的增加也很明确。在英国，多数创业者都把自己的目标瞄向了可以演示投资回报率的领域：

　　服务于营销和广告职能的机器学习创业公司多于其他领域——约占英国总数的20%；

　　创业活动最为集中的是金融领域（在早期机器学习公司中约占8%）。

　　3. 买家预备状态

　　买家预备状态通常可以以漏斗的形式来评估：认识、了解、喜好、确信、购买。对机器学习公司来说：

　　我们把“准备就绪”作为漏斗中的一个阶段加入其中。准备就绪评估的是买家是否拥有训练和部署算法所需的合适的、可以获取的数据集，以及是否获得了组织的支持，以便用人工智能引导的解决方案加强或颠覆现有的工作流程。

　　在“喜爱”阶段中，我们考虑的是信任和控制问题。信任是相信解决方案在人类只进行有限干涉的情况下的表现。接受度的标准多种多样；乘坐无人驾驶汽车旅行，以及用机器学习诊断疾病，都需要极高的信任。控制描述的是，即便在系统信任很高的情况下，人类介入某个系统或流程的意愿。价值释放、采纳和可扩展性可能局限于特定环境，这些环境都需要让人类保持较高的控制。

　　4. 良性监管

　　机器学习往往具有“黑箱”特性。Nuance的Nils Lenke说：“内部机制并不非常明确——你让神经网络自我组织，它真的会自己组织自己：它未必会告诉你具体过程。”

　　因此，我们会考虑一家机器学习提供商是否在透明度上面临监管挑战。是否需要理解或解释一套机器学习解决方案提供的预测或决策？

　　在英国，达成抵押合同需要受到《金融服务和市场法案》（Financial Services and Markets Act）的监管。《企业抵押贷款行为规则手册》（The Mortgage Conduct of Business Rulebook）第11.6.2条声明，除非能够证明客户能够担负起合同，否则不能达成交易。倘若贷方采用“黑箱”深度学习算法来判断用户的担负力，能否将其应用于实践？

　　监管风险会被夸大。媒体广泛报道了欧盟新制定的《一般性数据保护规定》（General Data Protection Regulation），这项规定将在2018年成为整个欧盟的法律。它创造了“解释权”，也就是用户可以要求相关企业就算法针对他们做出的决策给予解释。

　　实际情况没有那么明确——实际上更有可能意味着的“通知权”，也就是说，企业只会阐述算法决策的一般流程及其使用的数据集。然而，决策方向的确更加重视透明度和潜在的偏见。美国白宫科技政策办公室2016年发布了《人工智能的未来筹备报告》，该报告总结道，“研究人员必须学习如何设计这些系统，以便它们的行动和决策对人类透明，并且可以轻易被人类解释。”

　　在销售、营销和商业情报等特定的B2B职能中，可解释性可能算不上是一项挑战。但在其他领域——包括人力资源、合规性和欺诈——却有可能颇具挑战，这主要是从法律和务实角度来考虑。

　　类似地，某些领域（金融服务）的企业比其他企业更需要遵守规则。在评估机器学习公司时，我们希望了解企业现在和未来有可能面临的监管阻力，以及他们的应对方案。

　　5. 部署的可扩展性

　　机器学习引导的软件公司的扩张速度可能因为难于部署而受到限制。

　　数据集成要求可能很广泛。合并、集成和净化相互隔离的客户数据集，会限制实现价值的时间。

转载请注明出处。