Michelle K. Lee如何帮助企业挖掘机器学习潜力

机器学习正在成为解决复杂现实问题的关键技术。从利用数据预测健康结果到使在线交易更加安全，各行业都在寻找使用机器学习的新方法 - 有时他们需要帮助。

Michelle K. Lee在其担任某中心机器学习解决方案实验室副总裁的职位上，希望推动这一进程。在2019年加入某中心之前，Lee曾是MIT CSAIL计算机科学家、科技高管、教授和公务员。在后者角色中，她于2014年至2017年担任美国专利商标局局长。

机器学习的民主化

更多来自各行各业的客户开始使用机器学习，预计这种采用将继续加速。过去，如果身处与计算和机器学习行业无关的领域，很难利用这些功能。现在即使从事完全无关的业务，仍然能够探索、构建和部署机器学习模型来帮助改进组织、增强客户体验或解决极具挑战性的问题。

例如，NASA与团队合作使用机器学习来理解并最终预测超级风暴的发生。最近，团队的数据科学家与某机构合作，帮助病理学家利用计算机视觉模型加速组织样本分类，将分类时间减少了50%。

对另一个客户某医疗IT公司，团队构建了一个解决方案，允许研究人员查询自动化和匿名化的患者数据记录。他们能够在临床表现前最多15个月预测充血性心力衰竭。

机器学习仍处于早期阶段。如果将其比作棒球比赛，机器学习和AI的旅程才进行到九局中的第一局。对一些组织来说，为其业务找到最佳机器学习用例仍然很困难。识别最高价值的用例需要了解机器学习技术的现状、评估数据并优先考虑组织的业务需求。

一旦确定了最佳用例，实施通常是一个挑战，因为许多组织缺乏团队专业知识，甚至缺乏对其数据的合规访问权限来实施机器学习解决方案。

机器学习解决方案实验室应对这些挑战。它将客户团队与某中心的数据科学家机器学习专家配对。这个由数据科学家和业务顾问组成的团队致力于识别和构建机器学习解决方案，以解决高价值的机器学习机会并提供生产路径。

还提供技术团队成员的教育培训，与用于培训某中心工程师和科学家的相同机器学习课程。为业务领导者提供培训，旨在教他们思考AI的方式，以便更好地了解什么是可能的以及AI如何用于解决业务挑战。

在大流行响应中，从研究到医疗保健等多个领域的AI和ML使用增加。研究发布的步伐很少如此迅猛。这就是为什么某中心使用Amazon Comprehend Medical和Amazon Kendra等服务构建了CORD-19搜索工具。

在医学成像领域，研究人员使用机器学习帮助识别图像中的模式，增强放射科医生指示疾病概率和早期诊断的能力。更普遍地说，所有组织都在适应后疫情世界，寻找有效运营和满足客户和员工需求的新方法。

观点和经验的多样性对创新至关重要，因为创新需要跳出框框思考，找到解决现有问题的新方案。团队的观点和经验越广泛，创新火花的机会就越大。

作为领导者，当团队成员挑战思维并提供相反观点时，会做出更好的决策。欢迎 - 事实上寻求 - 那些相反的观点，因为面对AI和ML的问题需要跨学科方法。

如果那是你的目标，就充满激情地追求它。不要等待看起来像你的人去做你知道需要做的事情。经常是少数几个甚至是房间里或桌边唯一的女性。无论是在MIT AI实验室的研究生阶段，还是律师事务所第一位亚裔美国女性合伙人，或是总统任命领导美国专利商标局的第一位女性。

看到AI和ML领域日益增长的多样性令人鼓舞。我们还有很长的路要走，但有杰出的先驱者为后代铺平道路 - 期待在未来看到更多。

本文基于对机器学习解决方案实验室负责人的专访，探讨了机器学习技术的企业应用现状与未来发展。