机器学习在路线图上，却不在生产中。
一家风险投资支持的企业软件公司有着清晰的主张：机器学习应当成为产品的核心，而不是边缘实验。他们的平台早已赢得 Fortune 500 运营团队的信任。但机器学习只活在 notebook 和原型里，没有进入客户每天使用的产品中。
把机器学习交付进一个成熟的企业平台，和搭一个模型是两个完全不同的难题。它必须经得起真实数据，契合现有代码库，通过真实的发布流程，并在上线后持续稳定运转。这是产品工程，不是研究项目——它需要能在产品组织内部工作的人，而不是在旁边协作的人。
能交付并持续运转的机器学习功能。
三项生产能力，构建进产品、被企业运营团队每天使用——加上让它们经得起时间检验的流水线与质量度量。
记录自己消歧
一套匹配系统，能跨越杂乱、不一致的来源，把指向同一个现实实体的记录关联起来——在产品内部把重复项和近似项合并成唯一可信的视图。
规模化的智能分类
模型像专家一样对输入数据进行归类，让运营团队不再手工分拣，平台自动把正确的工作路由到正确的位置。
嵌入流程中的预测性推荐
推荐出现在工作真正发生的地方——预测下一步最佳行动，让 Fortune 500 团队赢在起跑线，而不是面对一张空白屏幕。
流水线与质量度量
让其余一切成真的那部分不起眼的工作：训练与服务流水线、质量指标，以及一套迭代闭环，让模型表现在生产环境中被度量和改进，而不是凭空假设。
深入产品组织内部，跟上他们的节奏。
嵌入
我们直接加入产品组织——他们的代码库、他们的迭代节奏、他们的工具和站会。不是外部的供应商，而是内部的工程师。
构建
我们把机器学习功能当作产品来构建，与他们的 PM 和工程师一起界定范围，编写时让它契合现有平台，而不是外挂在上面。
交付
一切都通过客户自己的发布流程上线——经过评审、测试，部署到生产环境供 Fortune 500 客户使用，然后度量并迭代。
移交
如今这些模型和流水线由他们的团队拥有并运营。在一段长达数年的合作中，这份能力留在了他们内部，而不是我们手里。
真正归公司所有的机器学习。
机器学习不再只是路线图上的一行字，而成为了产品的一部分。实体匹配、智能分类和预测性推荐如今运行在生产环境中，被 Fortune 500 运营团队每天使用——通过客户自己的发布流程交付，按质量度量，并像平台的任何其他部分一样持续迭代。
因为我们是嵌入式工作而非外包，没有任何东西随我们离开。他们的工程师和 PM 拥有并运营这些模型和流水线——他们可以扩展它们、重新训练它们，并在我们不在场的情况下交付下一批。这正是嵌入的意义所在：在一段长达数年的合作结束时，团队比开始时更有能力。
有机器学习想放进生产，而不只是停在幻灯片里吗？
预约一次 30 分钟的通话。我们会一起梳理机器学习究竟适合放在你产品的哪里、把它交付出去需要什么，以及你的团队最终如何拥有它。