<kbd id="afajh"><form id="afajh"></form></kbd>
<strong id="afajh"><dl id="afajh"></dl></strong>
    2. 

    <del id="afajh"><form id="afajh"></form></del>
    

    5. 

        1. <th id="afajh"><progress id="afajh"></progress></th>

          <b id="afajh"><abbr id="afajh"></abbr></b>
          <th id="afajh"><progress id="afajh"></progress></th>
          吳恩達(dá)等為何力挺MLOps？告別數(shù)據(jù)漂移，又成求職敲門磚
          共
                3945字，需瀏覽
                    8分鐘
                
           ·
          2021-07-18 22:52
          
                    

                    
                    
                    
                    
          ↑ 點擊藍(lán)字 關(guān)注極市平臺

          來源丨新智元
          編輯丨極市平臺
          極市導(dǎo)讀
           
          近日，MLOps領(lǐng)域的五位專家做客Deeplearning.ai線上討論會，共同探討MLOps的發(fā)展現(xiàn)狀與意義。>>加入極市CV技術(shù)交流群，走在計算機視覺的最前沿
          自投入應(yīng)用以來，越來越多人發(fā)現(xiàn)MLOps的好處。

          一些專家認(rèn)為MLOps是目前可用的最佳解決方案，甚至掀起了一股「MLOps熱」。

          在之前，吳恩達(dá)在Deeplearning.ai的線上直播中，談過自己對MLOps的看法。
           
          那時他就認(rèn)為，人們應(yīng)該以數(shù)據(jù)為中心來開發(fā)機器學(xué)習(xí)系統(tǒng)，而MLOps就是為項目提供高質(zhì)量的數(shù)據(jù)的重要保障。
           


          近日，Deeplearning.ai邀請了包括吳恩達(dá)、Robert Crowe、Lawrence Moroney、Chip Huyen 和 Rajat Monga五位專家，共同討論MLOps，深入了解生產(chǎn)機器學(xué)習(xí)最重要的方面以及MLOps的實際表現(xiàn)。
           
           
          而在回顧五位專家的交流之前，先看看MLOps是什么？究竟為什么會有這么大的吸引力？

          什么是MLOps？

          要了解MLOps，就要先了解它的前身：DevOps。
           
           
          一個軟件從無到有，需要經(jīng)歷規(guī)劃、編碼、構(gòu)建、測試、發(fā)布、部署和維護這幾個階段，一個程序員就能夠完成這些階段的工作。
           
          但是，當(dāng)整個軟件產(chǎn)業(yè)開始發(fā)展壯大， 軟件的規(guī)模和復(fù)雜程度會不斷攀升，客戶一個又一個的需求，再加上產(chǎn)品生產(chǎn)過程中出現(xiàn)的種種問題，工作量可以說是指數(shù)級上升。
           
          這其中還會涉及開發(fā)和運營維護這兩大板塊。
           
          但DevOps就能夠高效地解決開發(fā)和運維的問題。
           
          DevOps，即「development + operations」，包括了開發(fā)和運維兩個層面。
           
          但DevOps的含義卻并不像它的名字來源一樣，將開發(fā)與運維簡單粗暴地合并起來。
           
          它要求開發(fā)與運維兩邊的工程師都能夠做到「換位思考」，相互接觸對方的流程：開發(fā)人員參與運維初期的系統(tǒng)部署、提供優(yōu)化意見；運維人員了解系統(tǒng)架構(gòu)和技術(shù)路線，制定合適的運維方案。
           
          而MLOps，就是機器學(xué)習(xí)時代的DevOps。
           
          也就是說，它既含有DevOps溝通開發(fā)運維的功能，也具有利用機器學(xué)習(xí)的能力來促進企業(yè)業(yè)務(wù)增長的功能。
           
           
          MLOps的要義之一就是縮短模型開發(fā)部署的迭代周期，憑借更標(biāo)準(zhǔn)化、自動化的流程與基礎(chǔ)設(shè)施支持來提高模型交付的整體效率。
           
          此外，MLOps有望能作為一個平臺，方便業(yè)務(wù)、數(shù)據(jù)、算法、運維角色之間的溝通。
           
          MLOps作為ML的分支，集合了DevOps和ML的所有優(yōu)點，這也是MLOps受到追捧的原因。
           
          了解過MLOps后，一起來回顧一下這五位專家都討論了什么吧！

          MLOps的重要性
           
          Chip Huyen在斯坦福大學(xué)教授機器學(xué)習(xí)，她認(rèn)為，模型訓(xùn)練只是其中一個小問題，更大的問題是再培訓(xùn)。

          Chip Huyen，計算機科學(xué)家
           
          一旦模型公開，就會發(fā)生數(shù)據(jù)漂移。
           
          那么，如何才能不斷更新和補償這些變化呢？那就是讓模型在現(xiàn)實世界中呈現(xiàn)不同程度的性能。

          而谷歌TensorFlow團隊成員Robert Crowe就表示自己不喜歡這種命名法，不太看重人們炒作MLOps。

           Robert Crowe，谷歌TensorFlow團隊成員
           
          他更感興趣的是從模型中制作產(chǎn)品并解決所有問題，例如模型漂移、隱私、資源優(yōu)化和生產(chǎn)ML設(shè)置中出現(xiàn)的其他因素。
           
          Crowe解釋說，「當(dāng)你在做研究或在學(xué)術(shù)界時，你不會遇到這些問題。于我而言，MLOps的重點在于，能夠負(fù)責(zé)任地創(chuàng)建和維持產(chǎn)品或服務(wù)。」
           
          幾年前，ML社區(qū)更強調(diào)構(gòu)建模型、調(diào)整超參數(shù)或選擇正確的架構(gòu)。
           
          如今，該行業(yè)取得了巨大的飛躍，將ML和AI帶給大眾，只有不斷發(fā)展，才能發(fā)現(xiàn)DevOps在ML中的好處。

          吳恩達(dá)也承認(rèn)，過去十年里，深度學(xué)習(xí)取得了長足的進步。

          吳恩達(dá)，人工智能領(lǐng)域最權(quán)威的學(xué)者之一
           
          他強調(diào)，MLOps將幫助每個人完成機器學(xué)習(xí)項目的整個生命周期：從界定、收集和管理數(shù)據(jù)，到訓(xùn)練模型、改進數(shù)據(jù)，改進模型，再到部署監(jiān)控和管理數(shù)據(jù)驅(qū)動模型維護的概念。
           
          「我認(rèn)為MLOps是一門振奮人心的新興學(xué)科，它可以解決機器學(xué)習(xí)項目的整個生命周期。MLOps和機器學(xué)習(xí)生產(chǎn)是最前沿的。」

          前谷歌員工Rajat Monga則強調(diào)，數(shù)據(jù)并不是靜態(tài)的。

           
          前谷歌員工Rajat Monga

          由于模型代表數(shù)據(jù)，模型確實必須隨著數(shù)據(jù)而變化。無論是市場還是其他領(lǐng)域，我們周圍的世界都在發(fā)生變化，產(chǎn)生大量的數(shù)據(jù)。
           
          一直以來，軟件會使用目標(biāo)函數(shù)進行硬編碼。考慮到數(shù)據(jù)的動態(tài)特性，Monga認(rèn)為，它正被預(yù)測模型取代。
           
          「未來一兩年內(nèi)不會有太多新的分支，但另一方面，在依賴客戶數(shù)據(jù)或類似事物的企業(yè)中，事情瞬息萬變，你就會想要這些模型能夠隨時更新。」
           
          MLOps的實際表現(xiàn)

          一年多來，谷歌一直在積極參與圍繞MLOps的對話。
           
          但是，應(yīng)用于像谷歌這樣的公司的原則，也可以應(yīng)用于其它地方嗎？
           
          Moroney表示，谷歌的ML團隊關(guān)注擴展問題，并嘗試回答以下問題：如何確保我們能夠?qū)Ｗ⒂跀?shù)十億用戶，而不是數(shù)千名用戶，以及擴展過程中必須具備的服務(wù)基礎(chǔ)設(shè)施是什么？
           
          而接下來的挑戰(zhàn)是構(gòu)建一個適當(dāng)?shù)谋O(jiān)控基礎(chǔ)設(shè)施，確保這些模型能夠以所需的參數(shù)、所需的速度運行。
           
          「有這么多人、這么多部分才能讓所有這些工作在一起。我們希望確保靈活性，而我們通常也以這種方式設(shè)計來基礎(chǔ)設(shè)施。」
           
          對于初創(chuàng)公司，Monga建議人們不要像大規(guī)模運營的公司那樣，從頭開始構(gòu)建單個元素。
           
          小型組織試圖通過機器學(xué)習(xí)解決的大多數(shù)問題，許多工具都能夠解決。
           
          Chip Huyen表示，現(xiàn)在的MLOps工具實際上在很大程度上取決于公司規(guī)模、用例和成熟度。
           
          被問及MLOps工具的現(xiàn)狀，吳恩達(dá)表示，在提供代碼時，性能會提高。以這種方式設(shè)計數(shù)據(jù)，不同工具之間的能力存在很大差距。
           
          然而，Crowe認(rèn)為，擁有數(shù)學(xué)或統(tǒng)計背景的人對機器學(xué)習(xí)有很深刻的理論理解，但他們在創(chuàng)建生產(chǎn)級代碼和系統(tǒng)時仍然面臨困難。
           
          十年前，社區(qū)開始接受深度學(xué)習(xí)，那時還不知道需要多少萬份新穎的發(fā)明、多少研究論文，才能達(dá)到我們現(xiàn)今的發(fā)展地位。
           
          但昔日的不解早已煙消云散。
           
          「人們一開始質(zhì)疑TensorFlow和其它奠定基礎(chǔ)的框架。而如今，我認(rèn)為，在考慮MLOps和以數(shù)據(jù)為中心的人工智能時，隨時都有數(shù)以萬計的想法有待發(fā)明。」
           
           
          歸根結(jié)底，任何機器學(xué)習(xí)的企業(yè)都必須關(guān)心客戶對產(chǎn)品的需求，所有事情都與業(yè)務(wù)有關(guān)。
           
          在構(gòu)建MLOps團隊時，吳恩達(dá)推薦了一條可靠的原則：
           
          要求團隊進行長期、認(rèn)真的審視，確保在整個產(chǎn)品生命周期中，始終能產(chǎn)出高質(zhì)量的數(shù)據(jù)。
           
          「職位描述里不會寫明這一點，許多公司都在聘請那些知道如何構(gòu)建和部署機器學(xué)習(xí)系統(tǒng)的人。即使在求職面試中，候選人也會被問及機器學(xué)習(xí)部署問題。」
           
          「即使MLOps一詞沒有出現(xiàn)在職位描述中，但我認(rèn)為，MLOps仍然是現(xiàn)在人們需要學(xué)習(xí)的一項重要技能。」

          參考資料：
          https://analyticsindiamag.com/does-mlops-live-upto-the-hype/

          如果覺得有用，就請分享到朋友圈吧！
          △點擊卡片關(guān)注極市平臺，獲取最新CV干貨
          公眾號后臺回復(fù)“CVPR21檢測”獲取CVPR2021論文下載～

          極市干貨
          YOLO教程：一文讀懂YOLO V5 與 YOLO V4｜大盤點｜YOLO 系目標(biāo)檢測算法總覽｜全面解析YOLO V4網(wǎng)絡(luò)結(jié)構(gòu)
          實操教程：PyTorch vs LibTorch：網(wǎng)絡(luò)推理速度誰更快？｜只用兩行代碼，我讓Transformer推理加速了50倍｜PyTorch AutoGrad C++層實現(xiàn)
          算法技巧（trick）：深度學(xué)習(xí)訓(xùn)練tricks總結(jié)（有實驗支撐）｜深度強化學(xué)習(xí)調(diào)參Tricks合集｜長尾識別中的Tricks匯總（AAAI2021）
          最新CV競賽：2021 高通人工智能應(yīng)用創(chuàng)新大賽｜CVPR 2021 | Short-video Face Parsing Challenge｜3D人體目標(biāo)檢測與行為分析競賽開賽，獎池7萬+，數(shù)據(jù)集達(dá)16671張！
          # CV技術(shù)社群邀請函 #
          △長按添加極市小助手
          添加極市小助手微信（ID : cvmart4）
          備注：姓名-學(xué)校/公司-研究方向-城市（如：小極-北大-目標(biāo)檢測-深圳）

          即可申請加入極市目標(biāo)檢測/圖像分割/工業(yè)檢測/人臉/醫(yī)學(xué)影像/3D/SLAM/自動駕駛/超分辨率/姿態(tài)估計/ReID/GAN/圖像增強/OCR/視頻理解等技術(shù)交流群

          每月大咖直播分享、真實項目需求對接、求職內(nèi)推、算法競賽、干貨資訊匯總、與 10000+來自港科大、北大、清華、中科院、CMU、騰訊、百度等名校名企視覺開發(fā)者互動交流~


          覺得有用麻煩給個在看啦~  
          
                
          瀏覽
                    47
          點贊
    
          評論
    
          收藏
    
          分享
        
          手機掃一掃分享
          分享
    
          
        舉報
    
          評論
          圖片
          表情
          推薦
        
          點贊
    
          評論
    
          收藏
    
          分享
        
          手機掃一掃分享
          分享
    
          
        舉報
    
          

          <kbd id="afajh"><form id="afajh"></form></kbd>
          <strong id="afajh"><dl id="afajh"></dl></strong>
            2. 

            <del id="afajh"><form id="afajh"></form></del>
            

            5. 

                1. <th id="afajh"><progress id="afajh"></progress></th>

                  <b id="afajh"><abbr id="afajh"></abbr></b>
                  <th id="afajh"><progress id="afajh"></progress></th>
                  

www.x视频
|
色播日韩|
人人操黄色片段
|
中文资源在线aⅴ
|
亚洲午夜精品久久久
|