上周，我谈到了"预测模型即服务宏观建模"，2018世界人工智能大会，并强调了技术主管在做出投资决策时需要注意的一些挑战。今天，我将对第二类机器学习做同样的处理，我称之为"作为服务的培训–微观建模"。

作为服务的培训–微观建模

当谈到使用机器学习优化一家公司的客户的整个生命周期时，大多数情况下我们指的是经过培训的预测模型只有这家公司才能获得的特定数据。例如，每个公司都有一个特定的客户流失模型，根据公司客户行为和竞争环境定制。这些系统非常专注于一个上下文中的一项任务，因此可以在更小的数据集上进行训练。

挑战1

在数据上训练模型时，首先要做的是数据和算法实现的共定位（我们称之为预测建模引擎）。很快就会发现，大数据的发展前景，只有两种可能性：

首先，将建模引擎引入数据（这是数据库供应商和大数据平台都非常了解的事情），包括带有机器学习库的SAP，如SAP Predictive Analytics Library和SAP Automated Predictive Library，R以及SAP HANA下的TensorFlow集成（以后的两种情况需要比现在更紧密的集成）。第二种解决方案是将数据带到建模引擎（云上的大多数预测和机器学习环境都基于这一原则），这包括SAP Leonardo机器学习环境。这些云环境将很快需要向混合场景开放，以便使这一挑战不再是问题，而只是一个设计选项。

挑战之二

第二个挑战是，我们可以预期会发生许多预测模型培训，而这正是自动化发挥重要作用的地方。您不能期望在每个"本地"预测模型下都有一位数据科学家，您必须为建模的整个生命周期进行培训和自动化，从自动数据准备到自动算法，再到自动部署（在SAP HANA等多个环境中，大数据甚至边缘设备）和自动化控制非常重要。这是SAP Predictive Analytics的优点之一。

挑战3

第三个挑战是，构建预测模型永远不是将模型部署到运营中所需的故事的终点。这通常可以通过两种方式完成：

最简单的方法是访问评分方程以生成输出数据（例如，私有云市场，输出数据可以是分数、概率、估计、预测、分段或建议）。这种集成是以数据为中心的，更复杂的集成是在业务用户的使用点提供对业务上下文中的预测模型本身的访问（这意味着通常深入集成到业务应用程序中），因此用户不仅可以使用预定义的模型来生成分数，但也要对他所管理的特定领域的模型进行再培训。这种集成是以过程和角色为中心的。第二种情况是通过Predictive Analytics Integrator将SAP Predictive Analytics连接到SAP应用程序，从而允许SAP开发人员和SAP合作伙伴深入扩展SAP应用程序，如在S/4HANA中。

第4个挑战

最后一个挑战是，在此类环境中，预测模型的消耗不仅仅是利用一个评分公式，可以被业务线消费者视为"黑匣子"。

这意味着培训即服务不仅对培训预测模型感兴趣，而且能够提供解释和见解，大数据提供，例如

关键影响因素的概念：哪些变量/维度影响哪些业务指标/衡量标准的综合水平，数据分析怎么做，还有原因码之类的东西：当计算一个潜在客户成为潜在客户的概率时，提供三个主要元素，为这个特定的潜在客户解释为什么这个特定的概率是高还是低（这是我们在与C4C集成时演示的用例）。

底线

预测和机器学习对大多数人来说，这是一个新的领域，但它有多种风格，需要不同的解决方案和业务实践。好消息是，SAP predictive analytics and machine learning产品组合为每个案例提供了解决方案。