在拉杰·班恩受伤的时候，他决定与Netflix的数据团队分道扬镳。他一直在训练半程马拉松，并从网上获取了一套养生法。不幸的是，他把自己放错了桶，伤了腿。"这引起了共鸣，"他说人们可能会因为在错误的时间进入错误的程序而受到不良影响。健身计划确实需要个性化。"不过，有一首诗描写了拉吉的受伤。他现在专注于创建这些程序（某种程度上）。Raj领导着Fitbit的数据科学团队，Fitbit是一家以时尚可穿戴设备而闻名的消费技术公司。Fitbit设备接收用户的健身和锻炼数据，通过它的应用套件向用户报告数据。以Fitstar等个人训练工具为例，Fitbit的应用程序甚至可以做出微调的健身建议。这可不是小事。Raj说："现在Fitbit跟踪器在市场上随处可见，我们从数百万个人那里获取数据，我们利用机器学习来提供智能指导，作为个性化体验的一部分。"。 回想起来，Fitbit记录的健康数据可能会帮助Raj更好地评估自己，而不是标准化的养生法。但即便如此，他也可能需要更个性化的服务。现在，在一个假设…-风格的扭曲中，Raj的团队所构建的算法正是能够让他在比赛中获得优势的东西。现在是2017年。对于数据团队来说，机器学习不是一个虚荣的项目。相反，它已经成为最大的价值提供者之一。拥有可用资源的团队需要确定其产品中机器学习可以有效利用和创新的点。菲比的好问题Fitbit的产品有一个很好的问题。它所跟踪的数据量是惊人的。这些设备接收健康数据并将其输入到应用程序中，然后与用户应用程序交互的数据配对。用户可以根据这些数据建立一个完整的职业危害数据集。你从信息中获得的东西，可能会失去清晰性。"大量的数据确实使它具有挑战性，"拉吉说我们必须确保我们的硬件和ETL过程都在扩展。存储本质上是一个已解决的问题，因此我们将精力集中在计算时间和处理上。"从理论上讲，采样数据集对于模型来说是安全的。毕竟，Fitbit需要大量的数据。但Fitbit的产品是以用户为中心的。只要它试图建立一个精确到每个用户的配置文件的东西，鲁莽地采样是有危险的。我们以后再也不需要知道了如果我们抽取30%的样本，就有可能失去70%正在发生的事情。在这种情况下，我们的模型只能像30%的数据告诉我们的那样好。"30%的样本在方向上是正确的，但从网上获取的一个养生法则也是如此。"我们一直在问，我们还能用用户数据做什么？"拉吉说我们正在努力提供更多个性化和指导。"说起来容易做起来难。丰富的适应度数据为他们在用户面前提出的算法增加了一个具有挑战性的新维度。但是，Raj的团队相信设备数据会提供一个明显更好的体验，因此他们尝试在机器学习实验中利用越来越多的数据来改善这种体验。他们相信会有回报的。最后一英里尽管机器学习应该是任何数据团队的核心能力，但构建模型不应该是任何人都做过的事情。这不是战略性的。最有效地利用机器学习的一部分是知道什么可以重新利用；在哪里需要创新；在哪里可以提取最大的价值。拉吉说："人们需要减少在家里的运算能力。"许多第三方公司提供了这些一刀切的解决方案，这些解决方案对大约80%的解决方案都是现成的。如果你真的想磨练一下，把最后的20%变成最后一英里，那就是你需要内部人员来解决这些问题的地方。"跑完最后一英里可能很重要。这就是为什么要朝着正确的方向努力。很少有人会不同意个性化是消费技术的未来。问题总是在多大程度上。最初的Fitstar算法接收训练后的反馈，并相应地重新调整下一次训练的强度。用户会输入他们的反馈，金发姑娘风格：这太难了，太容易了，恰到好处。例如，个人应用程序可以向上或向下推送训练量。像这样逐步改进产品，数据团队看到了参与度的跃升。但这是团队能为用户交易的所有健身数据提供的最佳价值吗？拉吉认为没有。他知道他的团队投资的下一个大算法必须在个性化领域取得更大的进步。如果他的团队要跑完最后一英里，用户最好也能感觉到。因此，他们转向了他们所能支配的最大、最困难的资源——所有用户设备中的健康数据。为每个用户设计的模型"我们在最新的迭代中所做的是将Fitstar数据与Fitbit设备数据真正整合起来，"他说因此，无论用户是否喜欢骑自行车或跑步，或使用椭圆机或徒步旅行，Fitbit都会自动跟踪这些偏好，并使用它们为用户生成定制的训练计划。"这款应用程序不完全依赖用户向应用程序报告的内容，而是根据Fitbit设备本身所说的进行呼叫。如果你经常骑自行车，算法会接收到信号，并为你创建腿部密集型训练。但是如果你前一天刚去骑自行车，这个算法知道你可能需要恢复时间，并且会创建一个上半身训练来让你的腿得到一些休息。它减轻了用户的认知负荷，同时建立了一个更加个性化的训练。拉吉早年在一个不人性化的生活方式中的不幸经历教会了他方向正确的危险。最初的Fitstar算法在一定程度上解决了这个问题，但最新的算法代表了对个性化的更真实的投资。这不是要求你在一个桶里对自己进行分类，甚至也不是精确地推荐桶。它创造了一个特别适合你的。"归根结底，这就是Fitbit真正的价值所在，它试图提供这种动力和改变体能的体验，"Raj说我们希望提供见解，但随着我们朝着这个方向前进，我们希望提供指导。在这两件事之间，Fitbit正在为自己的成功做好准备，而其他类似的健身追踪公司和公司也只是提供数据。"即使是像Fitbit这样资源丰富的数据团队也必须做出明智的选择：在任何地方进行创新，而你的客户可能永远不会注意到。每隔一段时间选择一个有意义的地方来建造，顾客就会感受到你产品的不同。尽管其规模庞大，但Fitbit正在创造一种映射到每个用户的产品体验，而机器学习是利用其可支配数据的最有效方法。"每个人都不一样，每个人都有不同的目标，"拉吉说这就是机器学习变得非常重要的地方，我们试图为每个特定用户建立一个模型。"从个人经验来看，他知道这是多么艰难和重要。所以他把团队的努力集中在正确的项目上。尽管这个产品比Raj加入时更加智能和强大，但他的目标仍然是让每个Fitbit用户在正确的时间使用正确的程序。