作为 Capital One 机器学习和企业 ML 平台中心的负责人，Abhijit Bose 负责监督一个团队，该团队的任务是使用机器学习和 AI 为员工和客户在整个公司内嵌入实时智能决策和体验。 对于美国 10 大银行之一来说，这显然不是一项简单的任务。
事实上，他的团队今年关注的一大领域是为可扩展的机器学习奠定基础。
“许多公司都在努力在整个公司部署机器学习和扩展机器学习或 AI，”Bose 对 ZDNet 说。 “你总是可以有一群人在亚马逊上构建东西或用他们自己的数据试验机器学习模型，然后一切都变得平淡无奇。当实际投入生产时，然后保持该模型正常运行 在交易欺诈等关键任务应用程序中，7 天 24 小时是最困难的部分。”
为了应对这一挑战，Capital One 采取了三重方法； Bose 解释说：“建立基础平台，确保它建立负责任和管理良好的 AI 并雇用合适的人才。”
构建适应性强的基础平台
“首先，我们需要建立一流的机器学习平台，可以扩展，并且可以适应最近的趋势——这个空间发展得非常快。所以，我们的平台基础应该以一种你可以非常适应的方式构建 很快，每六个月就会出现不同的库，出现不同的技术。只是举一些例子，我们从在 AWS 上运行基本容器到在 AWS 上运行成熟的 Kubeflow 管道。这是一种运行机器学习的非常复杂的方式，只有 很少有科技公司在这样做。所以平台必须是基础的，然后构建得非常好。这是公司目前关注的重点领域。”
使其负责并得到妥善管理
“我们还希望以负责任和管理良好的方式构建机器学习。我们有很多控制应用于我们当前一代的机器学习模型，但其中一些可能是手动的，其中一些可能有点 更加自动化。
“我们希望以一种也可以加速我们某些部署的方式构建大量控件，但与此同时，我们对此非常深思熟虑。当我们需要放慢速度时，我们会放慢速度。我们 我们不会为了速度或商业价值而牺牲负责任的 AI。因此，需要对可解释的 AI 进行大量研究，我们现在正在做。我们正在做大量的工程工作，开始将这项研究纳入 平台。”
Bose 指出，Capital One 的运营完全在 AWS 基础设施上运行。 他说，完全在云端运行实际上更容易负责任地管理人工智能。
“我们可以比其他公司想得更大，”他说。 “如果你想一想，很多公司的数据可能位于 10 个不同的系统中，你无法真正统一地应用控制。你甚至无法定义通用标准并仍然可以扩展。每个项目，在每个孤岛中，都会 非常痛苦。所以我们一直在全面思考负责任的人工智能对我们意味着什么。”
培养人才
“我们关注的第三件事是我们的人才。我们意识到保留和招聘对我们来说都非常重要，特别是考虑到市场上正在发生的事情。
“为了让我们的内部人员获得他们需要的职业发展，我们有一个新的机器学习工程师计划，我们现有的工程师可以申请。它结合了在线课程、一些讲师指导的课程，然后是在职培训 . 他们必须实际运行；他们必须构建模型；他们必须与我们的基础设施一起使用数据管道和 ML 管道，因此他们真正接受培训成为一名认证的机器学习工程师。完成培训后， 他们可以是我们团队中的机器学习工程师。
“此外，我们还在为我们在外部创建的这个新工作族群招聘机器学习工程师……一旦你创建了一个工作族群，你就必须考虑他们的职业生涯、他们的绩效管理——他们的一些期望是什么 那个人才？你需要确保他们在公司的成长有一条清晰的道路。
“在外部世界，这确实让我们的招聘工作变得更容易一些。因为如果你看看科技公司，比如 Facebook 或谷歌，他们有明确的数据科学家角色，他们有机器学习工程师。很多公司实际上混合了 那些技能了。”
