生产机器学习系统的一些考虑
就我个人而言，我觉得如果你是一家处于早期阶段的初创公司，你不需要权衡和找出所有这些因素。你总是可以从一个强大的候选工具开始，然后从那里开始。此外，如果你认为收益大于成本，则可以从一开始就使用托管ML服务。 何时开始做机器学习 vs. 机器学习周围的操作 在第一次开始时，最好从一个简单的基线模型开始。从更简单的模型开始可以帮助你调试pipeline中的问题，并帮助你确定更耗时的解决方案是否值得。那么如何建立一个简单的基线模型呢? 首先，“简单”是相对的。在某些情况下，简单实际上意味着一个简单的模型，例如硬编码一些启发式。而在其他情况下，模型本身可能很复杂，但是很容易应用。一些最广泛使用的数据集拥有最先进的模型，这些模型是开源的，列在研究论文或排行榜等地方，斯坦福问答数据集(SQuAD)就有这样一个排行榜。一种方法是查看一些顶级的解决方案，看看你是否能找到附加到相关研究论文的代码。 在早期启动阶段，你可能没有时间立即构建ML流程。通常情况下，你需要专注于让你的投资者和客户很容易就能看到的东西运行起来。调优过程很少出现在他们的脑海中。所以不要担心你最初的部署是否完美，只需要有一个工作成果 —— 一个看得见的最终产品。在基本产品构建之后，你可以更多地担心ML周围的流程，因为通常需要更多的停机时间来对ML流程进行小的、渐进的改进。
相反，如果你是一个代理商，出错的空间就更小，因为你要将完成的产品交付给不同的客户，并试图事先修复所有的bug。在交付一个或一组客户端产品之后，你将转移到下一个客户端合同上，并且通常没有足够的精力来进行进一步的改进。尽管如此，你还是要迅速行动。为了进展得更快，最好有更精细的ML过程。因此，对于代理商模型，从长远来看，也许在优化和自动化上预先花费更多的时间可以节省时间。 （编辑：长春站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
