2.具有商业意义
将机器学习添加到医疗保健用例不同于将机器学习添加到社交网络交互。虽然这两个示例都可能使用类似的算法和技术，但您需要在市场中拥有一些领域专业知识。
例如，在联络中心，销售对话的动态与伙伴关系讨论完全不同。在这些情况下，AI可以判断谁在何时以及在多长时间内发言。了解业务的这些差异和细微差别与了解统计数据和机器学习同样重要。
当人们需要就产品路线图，优先级和功能做出决策时，这在产品管理角色中更是如此。填补这些角色对于此类举措的成功至关重要。
3.收集正确的数据
在许多情况下，机器学习算法需要分析未收集或不易访问的数据。这包括本地数据库，不同机器和系统以及传统专有应用程序中的数据或从未存储在任何地方的数据。
不需要始终收集数据以获得有效结果，但了解可用数据及其可访问性非常重要。
4.清洁数据
由于错误或不一致或不完整的数据，操作数据可能非常乱并且不适合机器学习。例如，背景噪声，分组丢失或电话呼叫上的其他干扰可以影响语音到文本算法如何捕获口语单词。 这些数据需要在机器学习算法使用之前进行清理 ，否则，创建的模型将无法反映现实或您尝试达到的优化。清理数据不同于手动浏览数据，方法是过滤输入并添加转换规则以更改用于为特定方案创建模型的数据。
5.迭代实验
一旦你有一个团队并开始尝试机器学习，你可能会问以下问题：你有足够的数据吗？数据干净吗？数据有代表性吗？你需要机器学习，还是一个简单的规则就足够了？这些问题将需要更多的机器学习算法数据，但如果它在另一个数据库中或需要清理，则可能无法获得所需的数据。
数据要求的这些变化可能导致模型创建的延迟，这可能需要数天到数月，具体取决于数据的性质及其收集方式。每次实验，您都会找到新的见解。这些见解将引发更多问题，这需要收集额外的不同数据。在企业通信（如SparkleComm）中添加AI意味着有耐心收集，试验，检查和迭代。
