没有快速解决这种期望与现实差距的方法，但第一步是促进团队之间的诚实对话。然后，商业领袖可以开始在整个组织中普及机器学习。民主化意味着技术和非技术团队都可以使用强大的机器学习工具，并得到持续学习和培训的支持。非技术团队可以使用用户友好的数据可视化工具来改进他们的业务决策，而数据科学家可以访问强大的开发平台和云基础设施，他们需要有效地构建机器学习应用程序。在Capital One，我们已经使用这些民主化策略在整个拥有50,000多名员工的公司中扩展机器学习。
当使用机器学习帮助公司取得成功与每个人都有利害关系时，业务团队和技术团队之间的脱节就会消失。这里有几个最佳实践，可以将机器学习的力量带给组织中的每个人。
当今最优秀的工程师不仅是技术能手，也是富有创造力的思想家，也是产品专家和设计师的重要合作伙伴。为了促进更大的合作，公司应该为技术、产品和设计提供机会，共同实现共同的目标。根据Forrester的研究，由于机器学习的使用可能是孤立的，因此专注于协作可能是成功的关键文化组成部分。它还将确保从业务、人力和技术的角度构建产品。
领导者还应该询问工程师和数据科学家，他们需要哪些工具才能成功地加速机器学习解决方案的交付。根据Forrester的调查，67%的受访者认为缺乏易于使用的工具正在减缓跨企业采用机器学习的速度。这些工具应该与支持机器学习工程的底层技术基础设施兼容。不要让您的开发人员生活在“急着等待”的世界中，即他们在沙盒阶段区域开发ML模型，但随后必须等待部署它，因为他们没有将模型投入生产的计算和基础设施。支持机器学习训练环境的强大的云原生多租户基础设施至关重要。
将机器学习的力量交到每个员工手中，无论他们是营销助理还是业务分析师，都可以将任何公司转变为数据驱动型组织。公司可以从授予员工受监管的数据访问权限开始。然后，为团队提供无代码/低代码工具来分析数据以进行业务决策。不用说，这些工具应该以人为中心的设计来开发，这样它们才容易使用。理想情况下，业务分析师可以上传数据集，通过可点击的界面应用ML功能，并快速生成可操作的输出。
许多员工都渴望更多地了解技术。领导者应该为整个企业的团队提供许多学习新技能的方法。在Capital One，我们在多个技术技能提升项目上取得了成功，包括我们的技术学院(Tech College)，提供与我们的业务需求相一致的七个技术学科的课程;我们的机器学习工程项目，教授在机器学习和人工智能领域开始职业生涯所需的技能;以及Capital One开发者学院(Capital One Developer Academy)，专为准备从事软件工程职业的非计算机科学学位的应届大学毕业生开设。在Forrester的研究中，64%的受访者认为缺乏培训阻碍了机器学习在其组织中的应用。值得庆幸的是，通过鼓励经验丰富的员工指导年轻人才，每家公司都可以提供技能提升服务。
民主化ML是在整个组织中传播数据驱动决策的强大方式。但不要忘记衡量民主化举措的成功，并不断改进需要努力的领域。例如，在Capital One，我们通过围绕异常和变化点检测的机器学习创新，测量了客户通过信用卡欺诈防御节省的金额。
ML工具的业务用户可以向技术团队提供反馈，告诉他们哪些功能可以帮助他们更好地完成工作。技术团队可以分享他们在构建未来产品迭代时所面临的挑战，并请求培训和工具来帮助他们取得成功。
