偷偷摘套内射激情视频,久久精品99国产国产精,中文字幕无线乱码人妻,中文在线中文a,性爽19p

MLOps:企業(yè)是否在重復(fù)同樣的 DIY 錯(cuò)誤?

譯文 精選
人工智能 機(jī)器學(xué)習(xí)
一般而言,企業(yè)不會(huì)主動(dòng)構(gòu)建自有的云計(jì)算基礎(chǔ)設(shè)施是有原因的。過去十年,IT 基礎(chǔ)架構(gòu)團(tuán)隊(duì)試圖構(gòu)建自己的私有云,因?yàn)樗麄冋J(rèn)為與公共云相比,私有云會(huì)以性價(jià)比更高的方式支撐他們的業(yè)務(wù)。

?譯者 | 崔皓

審校 | 孫淑娟

開篇

一般而言,企業(yè)不會(huì)主動(dòng)構(gòu)建自有的云計(jì)算基礎(chǔ)設(shè)施是有原因的。過去十年,IT 基礎(chǔ)架構(gòu)團(tuán)隊(duì)試圖構(gòu)建自己的私有云,因?yàn)樗麄冋J(rèn)為與公共云相比,私有云會(huì)以性價(jià)比更高的方式支撐他們的業(yè)務(wù)。但事與愿違,最終花費(fèi)在私有云上的的時(shí)間和成本都超過了預(yù)期,建成私有云以后反而需要更多的資源來對(duì)其進(jìn)行維護(hù),并且在安全和擴(kuò)展方面都比公共云略遜一籌。這導(dǎo)致那些自建私有云的企業(yè)最終沒有更多的資源投資于核心業(yè)務(wù),而是將大量的時(shí)間和人員投入到無法擴(kuò)展業(yè)務(wù)需求的基礎(chǔ)設(shè)施上。 

現(xiàn)在,許多企業(yè)通過各種開源工具(如 Apache Spark)生成解決方案,但對(duì)于 MLOps 的大多數(shù)行為都需要進(jìn)行重復(fù)地手動(dòng)操作。

這會(huì)導(dǎo)致模型部署需要數(shù)周甚至數(shù)月的時(shí)間、低效的運(yùn)行時(shí)間(通過計(jì)算和所需時(shí)間運(yùn)行的推理來衡量),同時(shí)還缺乏對(duì)模型測(cè)試和監(jiān)控的觀察。并且,所用方法過于定制化,無法為企業(yè)的不同部門的多個(gè)用例提供可擴(kuò)展、可復(fù)用的業(yè)務(wù)流程。

誤診問題的案例

此外,通過與業(yè)務(wù)線負(fù)責(zé)人、首席數(shù)據(jù)分析官的對(duì)話得出這樣的結(jié)論,雖然組織雇用了很多的數(shù)據(jù)科學(xué)家,但并沒有看到任何回報(bào)。隨著研究的深入,他們會(huì)不斷提出各種問題,通過這些問題去識(shí)別人工智能面臨的困難和障礙。他們很快意識(shí)到關(guān)鍵問題在“最后一英里”——部署模型并應(yīng)用于實(shí)時(shí)數(shù)據(jù),有效地執(zhí)行它們,這樣一來才能使收益大于成本,從而更好地衡量其性能。

為了解決業(yè)務(wù)問題和制定業(yè)務(wù)決策,數(shù)據(jù)科學(xué)家將數(shù)據(jù)轉(zhuǎn)化為模型。這一過程需要兩類技能的支持,其一是,構(gòu)建出色模型所需的專業(yè)知識(shí)和技能;其二是,使用代碼在現(xiàn)實(shí)世界中推動(dòng)模型,同時(shí)監(jiān)控和更新模型的技能。然而這兩類技能卻完全不同。

正因?yàn)檫@種差異就有了ML 工程師的用武之地。ML 工程師負(fù)責(zé)將工具和框架進(jìn)行集成,以確保數(shù)據(jù)、管道和基礎(chǔ)設(shè)施協(xié)同工作,在此前提下大規(guī)模生產(chǎn) ML 模型。 

那么,現(xiàn)在怎么辦?雇用更多的機(jī)器學(xué)習(xí)工程師?

即使擁有最好的 ML 工程師,企業(yè)在擴(kuò)展 AI 時(shí)仍面臨兩個(gè)主要問題:

  • 無法快速雇用 ML 工程師:對(duì) ML 工程師的需求變得非常強(qiáng)烈,ML 工程師的職位空缺增長(zhǎng)速度比 IT 服務(wù)增長(zhǎng)的速度快了 30 倍。有時(shí)需要等待數(shù)月甚至數(shù)年來填補(bǔ)崗位空缺,由此MLOps 團(tuán)隊(duì)需要找到一種高效的方式支持更多的 ML 模型和用例,而無需通過增加 ML 工程師的人數(shù)來滿足對(duì)ML應(yīng)用的需求。但這一措施又會(huì)帶來了第二個(gè)瓶頸……
  • 無論在何處以及如何構(gòu)建模型,都缺乏部署模型的可重復(fù)、可擴(kuò)展的最佳實(shí)踐:現(xiàn)代企業(yè)數(shù)據(jù)生態(tài)系統(tǒng)的現(xiàn)狀是,不同的業(yè)務(wù)部門根據(jù)數(shù)據(jù)和技術(shù)的要求會(huì)使用不同的數(shù)據(jù)平臺(tái)(例如,產(chǎn)品團(tuán)隊(duì)可能需要支持流數(shù)據(jù),而財(cái)務(wù)需要為非技術(shù)用戶提供簡(jiǎn)單的查詢界面)。此外,數(shù)據(jù)科學(xué)還需要將應(yīng)用分散到各個(gè)業(yè)務(wù)部門而不是集中應(yīng)用。換句話說,不同的數(shù)據(jù)科學(xué)團(tuán)隊(duì)中針對(duì)他們關(guān)注的用例(領(lǐng)域)都有一套特有的模型訓(xùn)練框架,這意味著一刀切的訓(xùn)練框架針對(duì)整個(gè)企業(yè)(包含多個(gè)部門/領(lǐng)域)而言是無法成立的。 

如何從人工智能中獲得最大價(jià)值

為了提高自動(dòng)化能力;為了提供大規(guī)模的用戶個(gè)性化體驗(yàn);為了兌現(xiàn)更準(zhǔn)確、更精細(xì)、可預(yù)測(cè)的用戶承諾,企業(yè)已經(jīng)向人工智能投入了數(shù)十億美元。但到目前為止,人工智能的承諾和結(jié)果之間存在巨大差距,只有大約 10%的人工智能投資產(chǎn)生了可觀的投資回報(bào)率。

最后,為了解決 MLOps 問題,首席數(shù)據(jù)分析官需要圍繞業(yè)務(wù)核心的數(shù)據(jù)科學(xué)構(gòu)建自己的能力,同時(shí)也要投資其他的與 MLOps自動(dòng)化相關(guān)的技術(shù)。這是常見的“構(gòu)建與購(gòu)買”困境,不僅從運(yùn)營(yíng)的角度(成本收益)去考量,更多地需要考慮人工智能投資在整個(gè)企業(yè)中滲透的速度和效率,以及是否通過更好的方式產(chǎn)生新的收入產(chǎn)品和客戶群,或通過提高自動(dòng)化程度和減少浪費(fèi)來削減成本。 

譯者介紹

崔皓,51CTO社區(qū)編輯,資深架構(gòu)師,擁有18年的軟件開發(fā)和架構(gòu)經(jīng)驗(yàn),10年分布式架構(gòu)經(jīng)驗(yàn)。曾任惠普技術(shù)專家。樂于分享,撰寫了很多熱門技術(shù)文章,閱讀量超過60萬?!斗植际郊軜?gòu)原理與實(shí)踐》作者。

原文標(biāo)題:??MLOps | Is the Enterprise Repeating the Same DIY Mis??takes??

責(zé)任編輯:華軒 來源: 51CTO
相關(guān)推薦

2023-04-27 13:09:10

MLOps工程師軟技能

2022-05-30 14:33:55

MLOpsIDC人工智能

2022-08-25 18:58:48

MLOps

2021-01-14 10:03:38

大數(shù)據(jù)數(shù)據(jù)業(yè)務(wù)數(shù)據(jù)集

2021-07-06 14:17:16

MLOps機(jī)器學(xué)習(xí)AI

2023-09-13 08:00:00

MLOps數(shù)據(jù)科學(xué)

2019-08-12 11:00:23

云計(jì)算費(fèi)用DIY

2019-11-01 14:19:02

大數(shù)據(jù)機(jī)器學(xué)習(xí)工具

2019-06-14 09:00:00

敏捷轉(zhuǎn)型

2014-12-03 10:27:06

BYODBYOD安全移動(dòng)設(shè)備

2020-08-19 10:33:25

5G網(wǎng)絡(luò)運(yùn)營(yíng)商

2022-03-15 09:00:00

機(jī)器學(xué)習(xí)軟件開發(fā)MLOps

2013-10-23 14:34:15

2020-11-20 10:30:48

云計(jì)算SaaS技術(shù)

2021-07-26 10:07:16

勒索軟件惡意軟件安全

2014-07-09 13:24:52

2023-09-08 07:01:08

機(jī)器學(xué)習(xí)監(jiān)控ML

2019-05-29 11:15:10

多云企業(yè)云平臺(tái)

2024-01-22 15:36:54

大語言模型人工智能

2017-12-04 09:44:35

點(diǎn)贊
收藏

51CTO技術(shù)棧公眾號(hào)