作者 | Julien Simon
译者 | 弯月
出品 | CSDN（ID：CSDNnews）
最近 ， 《2021年人工智能状况报告》发布 。 同时 ， Kaggle 也发布了机器学习与数据科学现状调查报告 。 这些报告包含很多值得学习和探讨的地方 ， 其中有一些引起了我的注意 。
“在疫情肆虐期间 ， 人工智能在关键基础设施领域的应用越来越多 ， 比如美国国家电网和超市自动结帐等 。 然而 ， 对于该行业的成熟度能否满足其不断增长的部署规模 ， 人们仍持质疑态度 。 ”
不可否认 ， 机器学习驱动的应用程序逐步渗透到了 IT 的每一个角落 。 但这对各家公司和组织意味着什么？我们如何才能构建可靠的机器学习工作流程？我们是否需要寻找 100 名数据科学家？或者 100 名开发运维工程师？
“Transformer 已成为机器学习的通用架构 。 不仅用于自然语言处理 ， 还用于语音、计算机视觉 ， 甚至是蛋白质结构的预测 。 ”
我们都知道 IT 界没有万灵药 。 然而 ， Transformer 架构确实适用于各种机器学习任务 。 但是 ， 我们如何才能跟上机器学习疯狂创新的步伐呢？我们是否需要专家才能应用这些最先进的模型？我们能否找到能够在短时间内创造商业价值的捷径？
文章图片
面向大众的机器学习
如今 ， 机器学习无处不在 ， 或者说正在朝着这个方向发展 。 几年前 ， 福布斯曾有一篇文章表示：“软件吞噬了这个世界 ， 而如今人工智能正在吞噬软件” 。 但这到底是什么意思？我认为 ， 这意味着机器学习模型可以取代成千上万的遗留代码 。
那么 ， 这是否意味着机器学习将完全取代软件工程？如今 ， 很多人都在幻想利用 AI 生成代码 ， 有些技术其实很有意思 ， 比如寻找 Bug和性能问题 。 然而 ， 我们不仅不能摆脱开发人员 ， 而且还需要赋予他们更多权力 ， 同时将无聊的重复性工作交给机器学习 。 换句话说 ， 我们真正需要的是让软件吞噬机器学习！
机器学习的最新应用
多年来 ， 我一直认为 ， 十年前的软件工程最佳实践也适用于数据科学和机器学习：版本控制、可重用性、可测试性、自动化、部署、监控、性能、优化等 。 Google 也曾表示：
【代码|取代上万行遗留代码，机器学习模型终“上位”！】“用你熟悉的工程师方式去实现机器学习 ， 不要用你不熟悉的机器学习专家的方式 。 ”
—— 机器学习规则 ， Google（https://developers.google.com/machine-learning/guides/rules-of-ml）
我们不需要重新发明轮子 。 开发运维运动已于 10 多年前解决了这些问题 。 如今 ， 数据科学和机器学习社区都应该采用和调整这些久经考验的工具和流程 。 这是我们在生产中构建强大、可扩展且可重复的机器学习系统的唯一方法 。 我们可以称之为“机器学习运维”（MLOps） 。
推荐阅读
- 代码|GGV纪源资本连投三轮，这家无代码公司想让运营流程变简单
- Apple|新专利显示 苹果计划用光学传感器取代手表的数码表冠
- 最新消息|年终奖计税优惠政策将延续 年前年后到手或差上万元
- IT|研究表明奥密克戎正在取代德尔塔 潜伏期更短更趋常态化
- 葡萄|金印联携手葡萄城，低代码技术实现“万物皆可集成”
- 葡萄|中恒五金携手葡萄城：10年软件开发经验，凭借活字格低代码平台再创业
- Microsoft|Mesa D3D12最新代码中已添加对SSBOs的支持
- 人物|程序员被辞退报复公司 写代码转账553笔
- 检测|华人科学家研发心肌细胞动作电位检测工具，或取代心脏检测膜片钳技术
- 代码|腾讯云微搭低代码负责人王倩：低代码将成为数字化转型中坚力量