大多数的机器学习模型是在静态数据子集上开发的。一旦部署了模型，它们将会随着时间的推移而变得过时，预测也会变得不准确。根据业务环境的变化，你应该在一段时间后更换模型，或者重新培训，一般来说会有两种基本方法：

A/B 测试：一个新的模型会被引入和旧的模型竞争。当新的模型超过了旧的模型，旧的模型就会被替代。这个过程将会一直重复。

在线更新：模型的参数会随着连续性的新数据流而变化。

因此，如果你希望机器学习的分析保持在稳定的水平，一定要及时更新机器学习的模型。

步骤六：是否需要定制的算法

定制的算法会有一些好处，例如它能够更匹配你的数据集和要解决的问题，训练的速度也会更快。但相对应的，它的开发和进一步迭代都价格不菲。所以如果你是一个大型企业，你可以考虑采用定制算法；如果你是中小型的企业，定制算法会带来严重的财务和管理负担。

实际上，如果是常见的预测任务，那么现成的算法模型是可行的。通过一些成熟的算法，集成好的机器学习软件，你可以很轻松的部署机器学习系统，快速解决业务流程中的问题。

无论你最终是否决定定制算法，我们都建议你先用成熟的算法试一试。

参考文章：

Developing Machine Learning Strategy for Business in 7 Steps,altexsoft.

How to Make Your Company Machine Learning Ready,hbr.

「范式大学」由第四范式发起，致力于成为「数据科学家」的黄埔军校。「范式大学系列课程」会和大家推荐戴文渊、杨强、陈雨强等机器学习领域顶尖从业人士的最新分享，以及由第四范式产品团队推荐和整理的机器学习材料。

©本文为机器之心专栏文章，转载请联系原作获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]