学习所需的工程量未来会大大减少

建一个有用的机器学习产品需要创建大量的工程组件，其中只有一小部分涉及 ML 代码。构建生产级 ML 系统涉及到很多工作，比如构建数据管道、配置云资源和管理服务基础设施。

传统上，ML 的研究主要集中于创建更好的模型，推动语言建模和图像处理等领域前沿技术的发展。很少有人在系统层面关注设计和实现生产级 ML 应用程序的优秀实践。尽管得到的关注较少，但是 ML 系统层面的设计和工程挑战仍然非常重要——创建有用的东西比构建良好的模型需要的东西更多，它需要构建良好的系统。

真实世界的

ML2015 年，谷歌的一个团队绘制了下面这幅图：
 

显示了真实世界的 ML 系统中专门用于建模的代码量(小黑框)与 ML 应用程序的支撑设施和管道所需的代码的比较。这张图表并没有多么令人惊讶。对于大多数项目来说，构建一个生产系统所涉及到的大多数令人头痛的问题并不是来自典型的 ML 问题，如过拟合或欠拟合，而是来自于在系统中构建足够的结构以使模型可以按预期工作。

生产级 ML 系统

构建一个生产级 ML 系统可以归结为构建一个工作流——从数据摄取到模型服务的一系列步骤，其中每个步骤前后串联，并且足够健壮，可以在生产环境中运行。

 

（编辑：盐城站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!