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。
▲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