online gambling singapore online gambling singapore online slot malaysia online slot malaysia mega888 malaysia slot gacor live casino malaysia online betting malaysia mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 MLOps 怎麼做?吳恩達:機器學習週期只要做到「這一點」,專案至少快 2 倍完成!

摘要: 吳恩達近期在 Deeplearning.ai 的一場論壇,說明了自己對於機器學習(Machine Learning)和 MLOps 的最新看法。 在過去,機器學習社群在意的是建模、參數調整、架構選擇,來達到對性能的監控。現在產業運用 AI 的幅度大增,開始轉向了新的階段,一大面臨問題是,當模型投入了生產,許多無法預期的因素,會影響模型性能。

 


images/mlops.png

▲圖片標題(來源: Deeplearning.ai)

產業、學界對 MLOps 定義具分歧?吳恩達:這仍是一個新興學科

企業開始追求大幅擴展這些機器學習模型 — 試想, 當一間公司的信用卡用戶,從一百萬上升到十億人,傳統的檢查點還能全然適用嗎?這就是專家提倡 MLOps 的原因 — 匯集 DevOps 和機器學習的所有優點,確實,產業對於具備相關技能的人才也正急遽上升。

一些專家提出 MLOps 是目前可用的最佳解決方案,但由於這是非常新穎的領域,所以仍然存在歧義,通常沒有一套標準考參考。 為解決這些問題,吳恩達創辦的 Deeplearning.ai 最近主持了一個 MLOps 專家論壇,來切入討論機器學習生產的關鍵面向,以及 MLOps 出現在一間企業當中,究竟會是什麼樣子。

吳恩達承認,AI、深度學習等領域在過去十年中取得了巨大的進步,他也強調 MLOps 將幫助每個人完成機器學習項目的整個生命週期:一路從範圍界定、數據蒐集管理,訓練模型、改進數據、優化模型,再到部署監控、管理數據驅動模型維護的完整概念。

「我認為 MLOps 是一門令人興奮的新興學科,可以解決機器學習項目的整個生命週期,是極為前沿的議題」,吳恩達說。

MLOps 的第一步到底該怎麼跨出?吳恩達:高品質資料

任何涉及機器學習企業,都必須關心客戶對產品的需求 — 畢竟,目的終究是要商業化。

不過,談到對 MLOps 工具的看法時,吳恩達則表示,目前工具大多有明顯的限制,比方說,把數據餵入,不代表就能直接提高性能。在建立 MLOps 團隊時,吳恩達推薦了一套他認為可靠的原則:要求團隊進行長期、認真的審視, 以確保在整個生命週期中,始終保有品質好的數據 。高品質數據究竟多重要?

特別是針對後續模型表現不佳時,應做的資料改善,吳恩達建議,MLOps 團隊可利用不同工具和準則,來 確保連續性的高品質資料,光是做好這一點,就足以解決很多問題,甚至專案還能以兩倍以上的速度加快完成 ,「兩倍,甚至更快,只要你做好資料品質控管這件事。」 MLOps 是一個尚未完全成型的新興領域,吳恩達說,數據品質管理、MLOps 等重要關鍵字眼,大家不一定會在所謂職缺的工作描述中看到,但假設你想在機器學習領域更上一層樓,就千萬不要忽視。

許多公司都在找尋懂得構建、部署機器學習系統的人才,即使在面試過程中,也可能會被問有關 MLOps 觀念的問題。吳恩達總結,在現階段或是不久的未來,MLOps 將會是非常重要且加分的一項重要技能。

轉貼自: TechOrange

若喜歡本文,請關注我們的臉書 Please Like our Facebook Page:    Big Data In Finance

 


留下你的回應

以訪客張貼回應

0
  • 找不到回應

YOU MAY BE INTERESTED