日前，在網上舉行的亞馬遜云技術中國峰會上，亞馬遜云技術人工智能與機器學習副總裁Swami Sivasubramanian與DeepLearning創始人吳恩達進行了交流人工智能教育公司AI，討論機器學習的未來，下一代機器學習從業者需要掌握的基本技能，以及如何在機器學習中彌合概念證明和生產之間的差距

左邊是吳恩達，右邊是斯瓦米西瓦蘇布拉曼。

吳恩達是人工智能教育公司DeepLearning的創始人AI，工業人工智能平臺公司Landing AI的創始人兼CEO，在線學習提供商Coursera的聯合創始人兼董事長吳達曾經在谷歌工作他是谷歌深度大腦學習項目的創始人和領導者，也是百度人工智能的首席科學家他還是斯坦福大學計算機科學的兼職教授，領導著一個關于人工智能，機器學習和深度學習的研究小組

現場，吳恩達分享了將機器學習從概念驗證引入生產的技巧，快速贏得第一個項目以獲得推進動力的重要性，以及確保負責制定和實施機器學習策略的高管接受這一技術的充分教育的建議。

我看到組織犯的第一個錯誤是開始或計劃的時間太長首席信息官說，我的數據一團糟，我的數字筒倉需要徹底清理可是，事實上，基本上每個人的數據倉庫里都有雜亂的數據，吳恩達說

吳恩達認為，啟動一個小的試點項目以快速取勝非常重要幾乎每家公司都有足夠的數據可以啟動，我發現那些直接加入進來，迅速贏得一個較小項目，并利用學到的知識伴隨著時間的推移發展成越來越大的項目的公司做得更好

那么如何為機器學習項目制定關鍵的性能指標呢對此，吳恩達的回答是，如果你第一次從事一個項目和一個全新的應用，AI團隊很難設定成功的目標作為團隊正在進行的項目，很難建立一些合理的基線績效水平我認為你只需要快速構建第一個原型系統就可以了解可能的情況

再者，很多公司起步時往往發現數據不夠，數據是機器學習的燃料這個時候我們該怎么辦吳恩達提出，我的典型建議是直接進入并開始使用小數據集做一些事情，然后通常收集更多的數據我發現，對于許多實際應用程序來說，保持代碼修復并迭代地改進數據比以模型為中心的方法更有用這是Mops的一個新部分，我認為目前還沒有人真正擁有優秀的工具

MLOps是AI領域比較新的概念，旨在保證模型輸出的質量，加速機器學習模型的開發和生產部署它是數據科學家和操作專業人員之間協作和交流的實踐，以幫助管理機器學習任務的生命周期MLOps基于DevOps的原理和實踐，可以提高工作流效率

機器學習的進步是模型帶來的還是數據帶來的，一直是一個很大的爭議在2021年4月18日發布的視頻中，吳恩達表示，一個機器學習團隊80%的工作應該放在數據準備上，保證數據質量是最重要的工作MLOps是保證數據質量的重要工具，在整個機器學習項目中是高質量和一致的吳恩達對此做了進一步解釋

在實驗室訓練AI模型，然后發表論文并產生好的結果，這是令人興奮的但是，當人們看機器學習項目的生命周期時，不僅需要訓練模型，還需要看項目的范圍，決定做什么和不做什么，收集數據并保證數據的高質量然后將其投入生產，并檢查其在解決任何性能或公平性問題方面的性能因此，吳恩達認為，如果能夠構建這樣一個工具，就可以授權更多的人來構建，部署，維護和有效使用機器學習系統

AI系統不僅僅是代碼，而是代碼加數據對于代碼，我們有一個DevOps規程在數據方面，為了管理項目中持續的高質量數據流，MLOps需要更多的迭代他們需要共同努力，吳恩達說

最后，對于剛畢業的工程師，吳恩達給出了自己的建議，我發現在人工智能領域最好的表現就是‘T型’人才——擁有廣泛的技術知識基礎，在某些領域確實涉足很深作業往往是個人獲取廣泛技術知識基礎的一種非常有效的方式然后超越某一個點，為了獲得更深入的知識，就必須跳進去做項目工作我們都想建立一個能讓很多人受益的項目，創造一個巨大的經濟社區也很重要我覺得我們都是被身邊的人塑造的，所以找志同道合的人互相分享知識吧

本文地址：http://www.dayishuiji.com/finance/12428.html - 轉載請保留原文鏈接。

免責聲明：本文轉載上述內容出于傳遞更多信息之目的，不代表本網的觀點和立場，故本網對其真實性不負責，也不構成任何其他建議；本網站圖片，文字之類版權申明，因為網站可以由注冊用戶自行上傳圖片或文字，本網站無法鑒別所上傳圖片或文字的知識版權，如果侵犯，請及時通知我們，本網站將在第一時間及時刪除。