首先，你知道自己想要預測或檢測什么嗎？你有足夠的數據進行分析以建立預測模型嗎？你有定義模型和訓練模型所需的人員和工具嗎？你已經有了統計或物理模型來作為一個預測基準嗎？
這篇文章對你的人工智能和機器學習項目進行分解，討論其各個部分所帶來的影響，從而幫助你確定公司是否真正準備需要利用機器學習、深度學習或人工智能。
你擁有大量的數據
足夠的相關數據是預測和特征識別的必要條件。有了它，你可能會成功；沒有它，則注定失敗。那么你需要多少數據呢？你嘗試納入模型的因素越多，所需要的數據就越多，無論你是在做普通的統計預測、機器學習還是深度學習。
以銷售預測中常見的問題為例，比如，為了避免延遲交貨，且不會占用太多金錢和現貨貨架空間，那么你下個月將在邁阿密出售多少海軍藍短袖襯衫？以及你需要在邁阿密店和亞特蘭大倉庫中儲備多少存活？零售是強季節性行業，所以你需要從多年的歷史數據中總結出有統計學意義的月度數據，從而修正月度銷量波動，并建立一個年化趨勢這還只是一個標準的時間序列分析。機器學習比統計模型需要更多的數據，而深度學習模型是它的好幾倍。
統計模型會分析你的全國連鎖店在5+年間的襯衫月銷量，并使用這一數據來預測下個月的襯衫銷量，可能有幾十萬（假設是30萬）。然后你可以預測邁阿密的襯衫銷量占全國銷量的百分比（假設是3%），并單獨預測出藍色短袖上衣銷量所占襯衫性銷量的百分比（假設是1%）。該模型會指出，下個月藍色短袖襯衫總銷量的90%左右將售于邁阿密。你可以通過對比不同產品的年度同店銷量來核實預測結果，同時分析它們之間的差異程度。
現在，假設你想要考慮一些外部因素，比如天氣和流行趨勢。短袖襯衫在熱天或晴天時是不是比陰雨天時賣的更好？可能如此。你可以將歷史氣象數據納入到你的模型中來做預測，雖然這樣做有點笨拙，因為你需要做一個時間序列的統計模型，所以你可能會決定使用回歸森林，順便再試試其它7種回歸機器學習模型，然后將每個模型測得的「cost」（一個歸一化誤差函數）與去年的實際結果相比較，從而找到最佳模型。
相比于去年同時段的海軍藍襯衫銷量，下個月會更好還是更差？你可以看看海軍藍服裝所有的月度銷量，并預測出年度流行趨勢，然后將其納入到你的機器學習模型中�；蛘吣憧赡苄枰獊碜詴r尚媒體方面的信息對模型進行手動校正。（「為以防萬一，假設下月銷量會提高20%�！梗�
也許你想建立一個深度神經網絡來完善這個模型。你可能會發現，每添加一個隱藏層，就可以將回歸誤差提高幾個百分點，直到某一時刻，再添加隱藏層也無濟于事，此后收益遞減。這種情況可能是因為模式中沒有更多的特征可供識別，或者更可能的原因是，已經沒有足夠多的數據來支持模型的深入改進。
你有足夠的數據科學家
可能你已經注意到，單個人需要獨自建立上面討論的所有模型。其實不是這樣，建模型不僅僅是把數據倒在漏斗中然后按個按鈕這么簡單。不管你使用哪種工具盡管供應商可能對此會有要求，它需要經驗、直覺、編程能力和良好的統計學背景，這樣才能輕松駕馭機器學習，從而實現你的想法。
尤其是某些廠商往往聲稱，「任何人」或「任何業務角色」都可以使用商家預先訓練過、可應用的機器學習模型。如果該模型正好可以解決手頭的問題，這話不假，庫卡機器人何服電機維修，比如將正式的魁北克法語文本翻譯為英語，但更常見的情況是，現有的訓練過的機器學習模型并不適用于你的數據。既然你已經訓練了模型，你就需要數據分析師和數據科學家來指導訓練，這更像是一門藝術，而非工程或科學。
在招聘數據科學家時，最奇怪的事情之一就是對工作崗位的要求，尤其是與受聘者的實際技能相比。廣告上經常說「招聘：數據科學家。STEM博士。20年經驗。」第一個怪事是，該領域的發展歷程還未足20年。第二件怪事是，公司雇傭26歲的碩士畢業生也即除學術界外沒有任何工作經驗，與20年經驗的要求相去甚遠偏好那些已經有相關經驗的人，因為他們擔心高級人員太貴，盡管他們的要求是20年工作經驗。是的，這很虛偽，且十之八九是非法的年齡歧視，但現實情況就是這個樣子。
你跟蹤或獲得那些重要的因素
即使你有大量的數據和很多數據科學家，你也可能無法擁有包含所有相關變量的數據。以數據庫術語的話說，你可能有大量的行，但缺少一些列。統計學上來說就是，你可能有無法解釋的方差。
一些獨立變量的測量（比如天氣觀測）很容易獲得并被合并到數據集中，甚至可在事后被合并。其它一些變量的測量或獲取過程可能較為困難，比如不切實際或成本高昂，即使你知道這些變量是什么。
舉一個化學領域的例子。當你在銅上鍍鉛時，你可以測量氟硼酸鍍液的溫度和濃度，并記錄陽極電壓，但如果溶中沒有適宜數量的肽鏈，那么你就不會得到很好的結果。如果你沒有稱量放入溶液中的肽鏈，就無法知道這種關鍵催化劑的劑量，那么你將無法使用其它變量來解釋電鍍質量的變化。
你有清理和轉換數據的方法
數據幾乎總是那么嘈雜。測量過程可能會丟失一個或多個值；單個值可能會超出范圍，或與同一計量過程中的其它值不相稱；電子測量可能由于電噪聲而變得不準確；回答問題的人可能并不理解問題本身，或是編造答案；諸如此類。
在任何分析過程中，工業機器人維修，數據過濾步驟通常需要消耗最多設置時間是根據我的經驗，它占到總分析時間的80%到90%。有些公司在它們的ETL（提取、轉換和加載）過程中清理數據，這樣分析師應該永遠都看到不良數據點了，而其它公司則將數據與ETL（以及最后一步的轉換步驟）過程放在數據倉庫或數據湖中。這意味著，即使是最容易過濾掉的臟數據也會被保存下來，理論上，過濾器和轉換步驟需要隨著時間的推移而進行改進。
即使是過濾后的精確數據可能也需要在分析前做進一步的轉換。與統計學方法一樣，只有當每種可能的狀態都有相似的行數時，機器學習模型的效果才最好，這意味著，那些最受歡迎的狀態數可能會由于隨機抽樣而減少；同樣，當所有變量的范圍都被標準化后，機器學習模型才能達到最佳效果。
例如在微軟的一篇博文中，微軟小娜分析了特朗普和克林頓的競選捐款，說明了準備機器學習數據集的方式：創建標簽、處理數據、設計附加功能以及清洗數據。這種分析用SQL和R語言做了幾個轉換，以確定與克林頓或特朗普相關的各種委員會和競選資金，并基于捐贈者的姓名來確定他們的性別，以及糾正拼寫錯誤，并修復類之間的不平衡性（數據集中有94%都是克林頓的捐款，且大部分是小額捐款）。
你已經對數據做了統計分析
在分析數據和解決問題時，最應該避免的就是一個勁地往前沖。在你能夠弄清楚發生的事情及其原因之前，你需要退后一步，看一看所有的變量及其相互之間的關系。